RAG 开源项目排行榜（2026 年 5 月）

数据来源：GitHub Stars 排行榜、gh-spy 扫描、多源交叉验证。Stars 为近似值，实时数据以 GitHub 为准。

一、总榜 Top 15（按 GitHub Stars 排序）

二、按定位分类——别只看 Stars，看类型

Stars 多不等于"更好用"。Dify 141k star，但它是全栈 AI 平台，RAG 只是其中一个功能；RAGFlow 80k star，才是专注 RAG 的引擎。选项目先选类型。

🔧 类型 A：RAG 专用引擎（就是做 RAG 的）

🏗️ 类型 B：全栈 AI 平台（RAG 是功能之一）

🧩 类型 C：RAG 开发框架（给开发者用的 SDK）

📚 类型 D：教育资源（学 RAG 用的）

三、关键维度对比

检索策略

部署难度

文档解析能力

四、活跃度与维护健康度

来自 gh-spy 扫描数据（RAG 专用引擎维度）：

三个关键洞察：

1. RAGFlow 独占赛道 40% star——马太效应明显，但 3000+ open issues 说明增长快维护跟不上
2. 大厂项目"发布后降温"定律——微软 GraphRAG（月提交 3）、NVIDIA ChatRTX（1 贡献者）、Weaviate Verba（月提交 2），无一例外降温
3. 真正持续的是创业公司（RAGFlow/InfiniFlow）和学术团队（LightRAG/港大）

五、选型决策树

你的需求是什么？ │ ├─ 我要开箱即用，不想写代码 │ ├─ 企业级全功能 → Dify │ ├─ 个人/小团队 → Anything-LLM │ └─ 中文知识库 → FastGPT / MaxKB │ ├─ 我要专注 RAG 引擎 │ ├─ 文档深度解析（OCR、表格、布局）→ RAGFlow / WeKnora │ ├─ 轻量快速、学术场景 → LightRAG │ ├─ 知识图谱推理 → GraphRAG / WeKnora │ └─ 中文优化、离线部署 → QAnything │ ├─ 我是开发者，要 SDK │ ├─ RAG-First、复杂检索 → LlamaIndex │ ├─ 通用 LLM 编排 → LangChain │ ├─ 生产级 Pipeline → Haystack │ └─ 自动调优 → DSPy + Ragas │ └─ 我要学 RAG ├─ 看技巧合集 → RAG_Techniques └─ 跑现成应用 → awesome-llm-apps

六、趋势判断：RAG 下半场

1. AgentRAG 是主战场

纯 RAG 已经不够了。RAGFlow 融合 Agent，WeKnora 内置 ReACT Agent，Dify 有工作流 + Agent——RAG + Agent 才是下半场。

2. 文档解析深度决定上限

“垃圾进，垃圾出”——RAG 的天花板不在检索算法，在文档解析。RAGFlow 的 DeepDoc、WeKnora 的多模态解析、LlamaIndex 的 LlamaParse，都在啃这块硬骨头。

3. 混合检索成为标配

单一向量检索覆盖不了所有场景。关键词 + 向量 + 图谱混合检索，已经是主流项目的共识。

4. 评估体系从"感觉还行"到"指标说话"

Ragas、DSPy 的崛起说明：RAG 不能只靠人肉体验评估，自动化评测 + 持续优化才是工程化正道。

七、WeKnora 在榜单中的位置

一句话：WeKnora 不是 star 最多的，但在"企业级 RAG + Agent"这个交叉领域，功能完整度能打。特别是你同时用 OpenClaw + Hermes 的场景，WeKnora 的 MCP 集成和 API 优先设计，对接成本最低。