verbatim-rag AI技能包
verbatim-rag AI技能包 是 AI Skill Hub 本期精选AI工具之一。综合评分 8.2 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。
📚 深度解析
**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。
**安装与环境准备**
verbatim-rag AI技能包 依赖 Python 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 Python 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。
**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪 verbatim-rag AI技能包 的版本更新，及时通知重要功能变化。
📋 工具概览
专注于防止大语言模型幻觉的开源RAG系统，通过逐字span提取技术确保生成内容的准确性和可溯源性。适合对检索增强生成精度要求高的开发者和研究人员。
verbatim-rag AI技能包 是一款基于 Python 开发的开源工具，专注于 RAG系统、幻觉防控、文本提取 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
📖 中文文档
专注于防止大语言模型幻觉的开源RAG系统，通过逐字span提取技术确保生成内容的准确性和可溯源性。适合对检索增强生成精度要求高的开发者和研究人员。
verbatim-rag AI技能包 是一款基于 Python 开发的开源工具，专注于 RAG系统、幻觉防控、文本提取 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
# 方式一：pip 安装（推荐）
pip install verbatim-rag
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install verbatim-rag
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/KRLabsOrg/verbatim-rag
cd verbatim-rag
pip install -e .
# 验证安装
python -c "import verbatim_rag; print('安装成功')"
- 访问 GitHub 仓库页面
- 按照 README 文档完成依赖安装
- 根据系统环境完成初始化配置
- 参考官方示例或文档开始使用
- 遇到问题可在 GitHub Issues 中查找解答
# 命令行使用
verbatim-rag --help
# 基本用法
verbatim-rag input_file -o output_file
# Python 代码中调用
import verbatim_rag
# 示例
result = verbatim_rag.process("input")
print(result)
# verbatim-rag 配置文件示例（config.yml） app: name: "verbatim-rag" debug: false log_level: "INFO" # 运行时指定配置文件 verbatim-rag --config config.yml # 或通过环境变量配置 export VERBATIM_RAG_API_KEY="your-key" export VERBATIM_RAG_OUTPUT_DIR="./output"
Verbatim RAG
<p align="center"> <img src="https://github.com/KRLabsOrg/verbatim-rag/blob/main/assets/chiliground.png?raw=true" alt="ChiliGround Logo" width="400"/> <br><em>Chill, I Ground! 🌶 ️</em> </p>
Provenance-first extractive RAG: retrieve documents, select answer-relevant passages, and return source excerpts with citations instead of freely rewriting the evidence.
Prerequisites
- Docker with Docker Compose v2.24+ (the stack uses the optional env_file syntax) - An OpenAI-compatible API key (Groq by default, see api/dependencies.py)
Container dependency lock
The image installs from docker/constraints.txt, a generated lock of one known-working environment. pyproject.toml keeps the library's broad supported ranges; the lock narrows them for the container only, so a resolution that breaks the stack cannot silently reach the image. The hand-maintained input and the regeneration command are documented in docker/overrides.txt; regenerate after changing dependencies in pyproject.toml or bumping packages/core.
Installation
```bash
Install the package
pip install verbatim-rag
For local development:
Environment Setup
Set your OpenAI API key before using the system:
export OPENAI_API_KEY=your_api_key_hereLocal development stack (Docker Compose)
Docker Compose runs the API and the web UI together as a development and demo stack. It is meant for local work and evaluation; it is not a production deployment (no TLS, authentication, tenancy, or scaling).
Build and start
```bash
3. Build the images and start the stack
docker compose up --build
Quick Start
```python from verbatim_rag import VerbatimIndex, VerbatimRAG from verbatim_rag.ingestion import DocumentProcessor from verbatim_rag.vector_stores import LocalMilvusStore from verbatim_rag.embedding_providers import SpladeProvider
1. Create configuration from the example
cp .env.example .env
2. Edit .env and set your API key
Configuration
| Variable | Default | Description |
|---|---|---|
OPENAI_API_KEY | (required) | OpenAI-compatible API key |
INDEX_PATH | /data/index.db | Milvus Lite database path in the container |
FRONTEND_PORT | 8080 | Host port the frontend is published on |
All of these can be set in .env (copy .env.example) or exported in the shell. CORS configuration is not needed: the browser only talks to nginx, which proxies /api/ to the backend same-origin (the Vite dev server does the same via its own proxy).
API and web prototype
The repository contains a FastAPI API and Vite/React development UI. They are not included in the PyPI wheel and are not yet part of the same compatibility gate as verbatim-core. The Compose stack below runs both locally (#27); the document lifecycle contract is tracked in #31.
OPENAI_API_KEY=your_api_key_here
Core Components
- VerbatimRAG (
verbatim_rag/core.py): Main orchestrator that coordinates document retrieval, span extraction, and response generation - VerbatimIndex (
verbatim_rag/index.py): Vector-based document indexing and retrieval - SpanExtractor (
verbatim_rag/extractors.py): Abstract interface for extracting relevant text spans from documents - LLMSpanExtractor: Uses OpenAI models to identify relevant spans
- ModelSpanExtractor: Uses fine-tuned BERT-based models for span classification
- DocumentProcessor (
verbatim_rag/ingestion/): Docling + Chonkie integration for intelligent document processing - Document (
verbatim_rag/document.py): Core document representation with metadata
创新的幻觉防控方案，通过逐字提取提升RAG可信度。代码活跃度好，解决实际问题，值得关注。
- 构建企业知识库 / RAG 检索应用的团队
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- embedding 模型与查询模型不一致导致检索失效
- Python 依赖冲突：建议用 venv / uv 隔离环境
- CLI：直接 npm install -g / pip install，命令行调用
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 构建企业知识库 / RAG 检索应用的团队
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- embedding 模型与查询模型不一致导致检索失效
- Python 依赖冲突：建议用 venv / uv 隔离环境
👥 适合人群
🎯 使用场景
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
⚖️ 优点与不足
- +MIT 协议，可免费商用
- +完全开源免费，无授权费用
- +本地部署，数据完全自主可控
- +开发者社区支持，遇问题可查可问
- −安装和初始配置可能需要一定技术基础
- −功能完整性通常不如成熟商业产品
- −技术支持主要依赖开源社区，响应速度不稳定
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，verbatim-rag AI技能包 在AI工具赛道中表现稳健，质量优秀。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | verbatim-rag |
| 原始描述 | 开源AI工具：Hallucination-prevention RAG system with verbatim span extraction. Ensures all g。⭐174 · Python |
| Topics | RAG系统幻觉防控文本提取LLM优化ModernBERT |
| GitHub | https://github.com/KRLabsOrg/verbatim-rag |
| License | MIT |
| 语言 | Python |
收录时间：2026-05-18 · 更新时间：2026-05-19 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。