R2R翻译站点

R2R（RAG to Riches）是 SciPhi-AI 开源的生产级 RAG 引擎，MIT 许可。它把原本需要手工拼接的嵌入模型、向量库、重排器、分块器、Agent 循环等组件，统一封装在一个 RESTful API 服务背后，提供 Python / JavaScript SDK 。

核心能力：多模态摄入（txt/pdf/json/png/mp3 等）、混合搜索（语义+关键词 RRF 融合）、自动知识图谱抽取（GraphRAG）、Agentic Deep Research API、用户与文档管理、可观测性、开源 React+Next.js Dashboard 。

官方明确定位：”The Supabase for RAG” ——它是 RAG 分类中“生产级 RAG 服务底座”子类的代表作，与 FastGPT（企业级 Agent 构建平台）、RAGFlow（深度文档解析引擎）、Onyx Cloud（企业搜索 AI 平台）、PrivateGPT（隐私离线文档 RAG）、PaperQA2（科研文献高精度 RAG 库）形成清晰的差异化。

 

产品概述

R2R 由 SciPhi-AI 团队开发，官方 GitHub 描述：”R2R was designed to bridge the gap between local LLM experimentation and scalable, production-ready Retrieval-Augmented Generation (RAG) applications” 。它要解决的行业痛点非常明确——大多数 RAG 教程止于”50 行代码跑通语义搜索 demo”，而从原型到生产需要数月基础设施工作：用户认证、文档级权限、集合管理、混合搜索、API 限速、可观测性 。

 

核心定位哲学：

R2R 官方把自己类比为”The Supabase for RAG” ——就像 Supabase 把数据库/认证/存储/边缘函数打包成开箱即用的后端服务，R2R 把完整 RAG 技术栈打包成开箱即用的后端服务。技术文章精准概括：”Think of it as the difference between React (a library you build with) and Next.js (a framework with opinions and infrastructure). R2R makes architectural decisions for you” ：

• PostgreSQL​ 存储元数据
• pgvector​ 存储嵌入向量
• FastAPI​ 提供 REST 层
• Pipeline 架构处理文档

 

它做什么 / 不做什么（关键归类）：

• ✅ 做：作为服务端运行 → 接收文档摄入请求 → 解析/分块/嵌入/存入 pgvector → 接收检索/问答请求 → 混合搜索（向量+全文 RRF 融合）→ 可选知识图谱检索 → Agentic 多步推理 → 通过 LLM 生成带引用的答案 → 通过 REST API 返回
• ❌ 不做：不提供可视化工作流编排器（这是 FastGPT 的能力）、不做深度文档解析优化（这是 RAGFlow 的能力）、不提供企业搜索 40+ 连接器（这是 Onyx Cloud 的能力）、不面向最终业务用户（是面向开发者的 API 引擎）
• 本质是生产级 RAG 服务底座：它是 RAG 分类中唯一的”RESTful API 优先的生产级 RAG 引擎”——LangChain/LlamaIndex 是框架（你需要自己搭服务），R2R 是完整的 RAG 应用（你部署就能用）。

 

技术架构​ ：

R2R 架构围绕三大核心抽象 ：

• Providers（提供者）：可插拔实现，包括 Vector DB Provider（PGVector/SQLite）、Embedding Provider（OpenAI/SentenceTransformers）、LLM Provider（OpenAI/LiteLLM）、Prompt Provider、Eval Provider
• Pipes（管道）：数据处理工作流中的单个步骤，可组合复用。包括 Parsing Pipe、Embedding Pipe、Vector Storage Pipe、Search Pipe、RAG Pipe、Streaming RAG Pipe、Eval Pipe
• Pipelines（流水线）：多个 Pipe 按序组成，包括 Ingestion Pipeline、Embedding Pipeline、RAG Pipeline、Eval Pipeline

 

存储架构（关键创新）：

R2R 本质上是 Postgres 之上的一个 thin, opinionated service layer 。所有需要持久化的数据——原始文档、分块文本、嵌入向量、全文索引（tsvector）、抽取的实体/关系、图谱社区——都生活在同一个 PostgreSQL 数据库中（通过 pgvector 扩展）。这相比”单独的向量库 + 单独的图库 + 单独的元数据存储”极大简化了运维 。

 

部署拓扑​ ：

• Light 模式：pip install r2r && python -m r2r.serve，单进程服务，适合本地开发和轻量生产
• Full 模式：docker compose -f compose.full.yaml --profile postgres up -d，API 服务 + PostgreSQL（pgvector）+ Hatchet（编排/队列）+ R2R Dashboard 全套

 

核心能力矩阵：

 

许可策略：MIT 许可证 ，允许商用、修改、分发，无 copyleft 限制，可在专有产品中再分发 。

💡 与同层 RAG 项目的关键差异：

• vs FastGPT：FastGPT 是”企业级 Agent 构建平台”，可视化工作流编排+知识库 RAG，面向业务用户；R2R 是”生产级 RAG API 引擎”，RESTful API 优先，面向开发者
• vs RAGFlow：RAGFlow 是”深度文档理解的开源 RAG 引擎”，擅长复杂文档（PDF/Word/扫描件）的精准解析；R2R 是通用生产级 RAG 服务，文档解析依赖集成（如 Unstructured.io/Docling 风格）
• vs Onyx Cloud：Onyx Cloud 是”企业搜索 AI 平台”，40+ 连接器接入各种数据源；R2R 是 RAG 引擎底座，连接器需自行集成
• vs PrivateGPT：PrivateGPT 是”隐私优先离线文档 RAG”，强调零外部依赖；R2R 默认需要外部 LLM/嵌入 API（也支持 Ollama 本地模型）
• vs PaperQA2：PaperQA2 是科研文献垂直 RAG 库；R2R 是通用生产级 RAG 引擎
• vs LangChain/LlamaIndex：它们是框架（你需要自己搭服务）；R2R 是完整的可部署 RAG 应用（部署即用）

 

核心能力

 

-多模态摄入（Multimodal Ingestion）

• 支持格式：.txt、.pdf、.json、.png、.mp3 等
• 异步摄入：大文档返回 task 可轮询，不阻塞请求
• 复杂 PDF/表格解析：集成 Docling 风格的文档解析器
• 音频转写：支持音频文件摄入

 

-混合搜索（Hybrid Search）

• 语义搜索：pgvector 稠密向量相似度
• 关键词搜索：PostgreSQL tsvector 全文检索
• RRF 融合：Reciprocal Rank Fusion 算法融合两套排名（1/(k+rank) 求和），无需两个分数在同一尺度
• 元数据过滤：可按 metadata、collection、document 过滤
• 交叉编码器重排：融合候选集可传 BGE Reranker 风格的重排器

 

-知识图谱与 GraphRAG

• 自动实体抽取：从摄入文档中自动抽取实体与关系
• 图存储：知识图谱存储在 PostgreSQL 中
• 社区检测：图聚类算法分组相关实体
• 社区摘要：生成社区摘要，支持跨文档”全局”问题检索
• 显式 opt-in：图构建是 LLM 成本密集型操作，需通过 graphs API 显式启用

 

-Agentic RAG 与 Deep Research

• Agent 多步推理：智能体决定何时搜索、发出后续查询、综合证据生成答案
• Deep Research API：多步推理系统，可从知识库和/或互联网获取相关数据
• 引用溯源：答案返回底层来源引用
• Extended Thinking：支持扩展思考模式

 

-应用管理

• 用户认证：完整用户管理系统
• 集合管理：Collection 分组文档与共享访问控制，开箱即用的多租户
• 文档版本控制：文档版本管理
• OpenAI 风格 API 表面：熟悉接口降低学习曲线

 

-可观测性与 Dashboard

• 可观测性：观察和分析 RAG 引擎性能
• R2R Dashboard：开源 React+Next.js 管理面板，可选认证

 

-高度可配置与可扩展

• Providers 插件系统：数据库、嵌入、编排、文件存储、OCR、加密均可通过可插拔 Providers 替换
• 多种编排策略：Simple 与 Hatchet-based
• Builder + Factory 模式：易于二次开发
• 配置文件驱动：直观的配置文件配置应用

 

-双模式部署

• Light 模式：pip install r2r && python -m r2r.serve，单进程服务
• Full 模式：Docker Compose 全套（API + PostgreSQL/pgvector + Hatchet + Dashboard）

 

-SDK 与 API

• RESTful API：核心交互方式
• Python SDK：r2r 包，同步与异步客户端
• JavaScript SDK：r2r-js 包
• 核心端点：documents.create、retrieval.search、retrieval.rag、retrieval.agent

 

优势亮点

• MIT 最干净许可：与 PaperQA2 同属最宽松许可阵营，允许商用、修改、分发，无 copyleft
• “RAG 的 Supabase”定位：开箱即用的生产级 RAG 服务，大幅缩短原型到生产的时间
• Postgres 单一后端：文档、向量、全文索引、知识图谱统一存储在 PostgreSQL+pgvector 中，运维极简
• 混合搜索 RRF 融合：语义+关键词并行检索，RRF 融合排名，检索质量高
• GraphRAG 知识图谱：自动实体/关系抽取+社区检测+社区摘要，支持跨文档全局问答
• Agentic Deep Research：多步推理 API，可从知识库和互联网获取数据，返回引用
• 多模态摄入：文本/PDF/JSON/图片/音频统一处理
• 用户与文档管理：完整认证、集合、版本控制，开箱即用多租户
• 双模式部署：Light 单进程开发，Full Docker Compose 生产，5 分钟到生产部署
• 一流 SDK：Python + JavaScript 双 SDK，OpenAI 风格 API 表面
• ~7.9K GitHub Stars：生产级 RAG 引擎中社区认知度最高之一
• 可观测性 + Dashboard：开源 React+Next.js 管理面板

 

局限

• 自己不执行推理：R2R 是 RAG 引擎，需要外部 LLM API Key（OpenAI/Anthropic 等）或本地 Ollama
• 知识图谱构建成本高：实体抽取是 LLM 成本密集型操作，大规模文档图谱构建需规划批量处理与成本控制
• Agentic 推理增加延迟：Deep Research 多步推理与图谱构建增加处理开销，严格亚 100ms 延迟场景不适合
• 默认用户/认证外仍需生产加固：RESTful API 设计便于客户端集成，但默认用户/集合系统之外需自定义认证/授权逻辑
• Python 生态为主：核心代码与文档 Python 聚焦，JavaScript SDK 存在但多语言团队需评估契合度
• 向量库选择影响成本：虽默认 PGVector，但 Pinecone/Qdrant/Milvus 等选择影响成本、延迟与维护负担
• Full 模式部署负担：完整部署需要 Docker、PostgreSQL、向量库、LLM API Keys，最小基础设施预算受限环境有摩擦
• 无可视化工作流编排：不像 FastGPT 那样提供业务级可视化 Agent 工作流编排器，R2R 是 API 引擎
• 无 40+ 企业连接器：不像 Onyx Cloud 那样内置丰富数据源连接器，需自行集成
• 无商业支持 SLA：开源项目，无文档化的商业支持层级，需 SLA 的组织需评估商业替代方案
• Python ≥ 3.10 要求：Light 模式环境要求

 

适用人群

• 企业知识库搜索：组织需要在内部文档（PDF/文本/图片）上做带引用的语义搜索，监管/法律/技术文档检索场景
• 复杂多步问答应用：需要智能体跨多文档或外部数据源推理后生成答案的应用
• 大规模多模态摄入系统：处理多样化内容类型（音频、图像、PDF、JSON、文本）的平台
• 需要生产级 RAG API 的团队：不想自己拼装嵌入+向量库+重排器+分块器+Agent 循环的开发者
• GraphRAG 知识图谱需求：需要从文档集合自动构建知识图谱、做跨文档全局问答的团队
• Deep Research 多步推理需求：市场分析、政策研究、技术调查等需要多步推理的工作流
• 多租户 RAG SaaS 构建者：R2R 的集合与用户管理开箱即用多租户
• AI 应用开发者：需要 OpenAI 风格 API 表面、Python/JS 双 SDK 的快速集成

 

安装与部署

 

1. 环境要求

• Python ≥ 3.10（Light 模式）
• Docker + Docker Compose（Full 模式）
• 外部 LLM API Key（OpenAI/Anthropic 等）或本地 Ollama 服务
• PostgreSQL + pgvector（Full 模式自动通过 Docker 提供）

 

2. Light 模式（本地开发，5 分钟尝鲜）

# 安装
pip install r2r

# 设置 API Key
export OPENAI_API_KEY=sk-...

# 启动服务
python -m r2r.serve

# 访问 http://localhost:7272

 

3. Full 模式（生产部署）

# 克隆仓库
git clone https://github.com/SciPhi-AI/R2R.git
cd R2R

# 设置环境变量
export R2R_CONFIG_NAME=full
export OPENAI_API_KEY=sk-...

# 启动全套服务（API + PostgreSQL/pgvector + Hatchet + Dashboard）
docker compose -f compose.full.yaml --profile postgres up -d

# 启动后各服务地址：
# R2R API:     http://localhost:7272
# Dashboard:   http://localhost:7273
# PostgreSQL:  localhost:5432

 

4. 本地模型配置（Ollama）

# Full 模式使用本地 Ollama
export OLLAMA_API_BASE=http://host.docker.internal:11434
export CONFIG_NAME=local_ollama
docker compose up -d

 

5. Python SDK 使用

from r2r import R2RClient

# 连接客户端
client = R2RClient("http://localhost:7272")

# 登录（如启用认证）
client.login("user@example.com", "password")

# 摄入文档（含元数据与集合分配）
result = client.ingest_files(
    file_paths=["./research_paper.pdf"],
    metadatas=[{
        "title": "Attention Is All You Need",
        "year": 2017,
        "department": "research"
    }],
    document_ids=["doc_transformer_paper"],
    collection_ids=["ai_research_collection"]
)

# 基础搜索
results = client.retrieval.search(query="What is DeepSeek R1?")

# 带引用的 RAG
response = client.retrieval.rag(query="What is DeepSeek R1?")

# Agentic Deep Research
agent_response = client.retrieval.agent(
    query="Analyze the competitive landscape of RAG frameworks"
)

 

6. 知识图谱构建（GraphRAG）

# 通过 graphs API 显式启用图谱构建
client.graphs.extract(
    collection_id="ai_research_collection"
)

# 社区检测与摘要自动进行
# 之后可针对跨文档全局问题进行图谱感知检索

 

7. 部署前必检清单

• 确认仓库位于 github.com/SciPhi-AI/R2R（官方）
• 许可：MIT ，商用无限制
• 严格属于 RAG 分类，“生产级 RAG 引擎/服务底座”子类
• 官方定位：”The Supabase for RAG” ——开箱即用的生产级 RAG 服务
• 最新版本：v3.6.5（2025-06-06）
• 技术栈：Python / FastAPI / PostgreSQL + pgvector / Hatchet 编排
• 架构抽象：Providers（可插拔）+ Pipes（可组合）+ Pipelines（编排）
• 核心能力：多模态摄入、混合搜索（RRF 融合）、知识图谱（GraphRAG）、Agentic Deep Research、用户管理、可观测性、Dashboard
• 部署：Light 模式（单进程）/ Full 模式（Docker Compose 全套）
• SDK：Python（r2r）+ JavaScript（r2r-js），OpenAI 风格 API 表面
• 社区规模：~7.9K GitHub Stars
• 外部依赖：LLM API Key（OpenAI/Anthropic 等）或本地 Ollama
• 与 FastGPT（可视化工作流平台）、RAGFlow（深度文档解析）、Onyx Cloud（企业搜索）、PrivateGPT（离线隐私 RAG）、PaperQA2（科研文献 RAG）差异化明确
• Agentic 推理增加延迟，严格亚 100ms 场景不建议；知识图谱构建 LLM 成本较高，需批量处理规划