一款无缝集成RAG的开源企业级检索器：Denser Retriever

检索器是大模型检索增强生成 (RAG) 框架的基石，在为人工智能应用程序提供准确、无缝的体验方面发挥着至关重要的作用。

Denser Retriever将多种搜索技术整合到一个平台中。它利用梯度提升 (xgboost)机器学习技术来结合：

• 基于关键字的搜索，重点在于精确获取查询中提到的内容。
• 矢量数据库非常适合查找大量可能相关的答案。
• 机器学习重新排序器可以对结果进行微调，以确保最相关的答案位于列表顶部。

Denser Retriever的初始版本提供以下功能。

• 支持关键字搜索、向量搜索、ML模型重排等异构检索器
• 利用xgboost ML技术有效地组合异构检索器
• MTEB检索基准测试的最高准确度

在MTEB数据集上进行的实验表明，通过xgboost模型（表示为 ES+VS+RR_n）结合关键字搜索、向量搜索和重新排序器可以显著改善向量搜索（VS）基线。

• 演示如何使用Denser检索器为聊天机器人和语义搜索等端到端应用程序提供支持

端到端聊天应用程序

pipinstallpoetrypoetryaddgit+https://github.com/denser-org/denser-retriever.git#mainpoetryrunstreamlitrunexamples/denser_chat.py

一旦启动，将看到一个类似于以下屏幕截图的聊天机器人界面。可以向聊天机器人提出任何问题并获得答复。下面显示了一个示例查询：“what use cases does denser support?”，检索器首先返回屏幕截图底部部分下列出的相关段落Sources。这些段落被输入到 LLM，最终的摘要显示在聊天窗口中。

端到端语义搜索应用程序

poetryrunstreamlitrunexamples/denser_search.py

启动后，将看到类似以下截图的搜索界面。可以输入任何查询，以及过滤器来搜索相关结果。下面显示了一个字段为的示例查询。输入“cumings”，检索器返回与指定过滤器值匹配的相关段落。

https://github.com/denser-org/denser-retrieverhttps://retriever.denser.ai/docs