知识库与 RAGAI 资源

FluxImprover：面向 RAG 数据管道的 .NET 文档块增强与质量评估库

iyulab/FluxImprover · LLM-powered .NET quality layer for RAG pipelines — enriches chunks with summaries, keywords, QA pairs, and multi-stage quality scoring.

GitHub原文发布未知首次收录 2026-09-30上架 2026-09-30 07:01

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

FluxImprover 是一个 .NET 库，作为 RAG 流程索引前的质量保障与增值层。它借助 LLM 对文档块进行摘要与关键词增强，提供带自我反思与评审验证的三阶段块过滤、查询预处理（规范化、同义词扩展、意图分类）、Golden QA 数据集生成、忠实度/相关性/可回答性质量评估，以及上下文后续问题建议。项目通过 ITextGenerationService 抽象与任意 LLM 解耦，内置 OpenAI 兼容接口与 LMSupply 本地模型提供程序，支持多语言文档处理。

# LLM # RAG # chunk-enrichment # quality-assurance # dotnet

核心能力与快速开始

★ 1 · C#

能做什么: 提供 RAG 文档块增强（LLM 生成摘要与关键词）、三阶段 LLM 块过滤（初始评估、自我反思、评审验证）、查询预处理（规范化、同义词与技术术语扩展、意图分类、实体提取、检索策略建议）、QA 对自动生成与质量阈值过滤（QAPipeline）、忠实度/相关性/可回答性评估器、基于内容或对话的后续问题建议，以及文档级上下文增强与块关系发现。核心抽象 ITextGenerationService 使实现与任意 LLM 提供程序解耦。
适用场景: 在文档块写入 RAG 向量索引前进行质量校验与增值处理；为 RAG 检索生成可过滤的 Golden QA 基准数据集；对用户查询做规范化、扩展与意图分类以提升检索效果；评估生成答案是否基于上下文、是否切题、问题能否由上下文回答；为知识库问答生成上下文相关的追问建议。
项目形态: 开发框架
部署方式: 以 NuGet 包形式分发（dotnet add package FluxImprover）；本地模型提供程序需额外安装 FluxImprover.LMSupply 包；通过依赖注入或 builder 模式配置，默认服务生命周期为 Scoped。
主要依赖: 需要 .NET 10；需可用的 LLM 提供程序（OpenAI 兼容端点如 OpenAI、Azure OpenAI、Ollama，或 LMSupply 本地 GGUF/ONNX 模型，或自定义 ITextGenerationService 实现）；调用 LLM 涉及 API 密钥与配额，具体成本未说明。
使用限制: 核心能力依赖 LLM 的输出质量与语言支持能力；README 未说明各评估指标的准确率基准、吞吐性能或大规模数据下的表现；API 成本、速率限制与硬件要求均未说明。
许可证: MIT
最近推送: 2026-09-30 02:45

官方入门核对 README 依据 ↗

资料检查：2026-09-30 07:00 · 卡片整理：2026-09-30 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

相似资源

Zero to AI：涵盖 Python、深度学习、LLM、RAG 与 AI Agent 的免费 AI/ML 课程

Zero to AI 是一个免费开源的 AI 与机器学习课程，提供 950 多个 Jupyter Notebook，覆盖 Python 与数据科学、机器学习数学、分词与嵌入、深度学习、LLM 与 RAG、AI Agent、提示与上下文工程、微调、MLOps、模型评测与安全等主题，并按学习路径组织为渐进式阶段，适合从零开始系统学习 AI/ML。

ai_security_guide：大语言模型与智能体安全攻防指南

这是一本系统讲解大语言模型与智能体安全的中文书籍，从攻击原理、防御机制到验证方法循序渐进。内容覆盖提示注入、RAG 安全、智能体攻击面、身份与架构防御，以及治理交付等主题。书中提供邮件助手、支付预算和 RAG 轨迹三个基于 Python 标准库与合成数据的配套实验，帮助读者在保留正常效用的前提下分别验证控制措施。阅读与实验入门均在 README 和在线 GitBook 中给出。

PET-I Explanation Data：用诊断名与症状生成带检索依据的宠物犬眼病说明文与 SFT 训练数据

该项目是一个 Python 数据生成流水线，用于为 PET-I 宠物犬眼病 VLM 诊断服务准备解释型训练数据。它读取 CSV 或 JSON 中给定的诊断名与症状，收集疾病相关的本地文档以及可选的 DuckDuckGo、Wikipedia 网络检索结果，并交给教师 LLM（GPT-4o）生成四个方面的说明文本，输出带有 service 说明文和 sft 对话记录的训练数据。项目本身不分析图像或判断疾病，image_path 仅用于生成输入标识。

PromptForge：LLM 应用提示词自动优化与持续调优编排层

PromptForge（仓库名 FlowForge-Optima）是面向将 LLM 应用当作产品运营的团队的提示词编排与持续优化层，专注于让提示词、链路与检索策略随时间自动变得可度量地更好。它提供自动提示词改写（变异、交叉、指令压缩）、内置评测与统计显著性校验、链路级联合优化（检索查询、重排阈值、工具选择提示词）、响应式控制台、多语言提示词方言与跨语言迁移评分、版本图与确定性重放、成本感知目标函数、可插拔模型适配器以及回归防火墙；支持人类审核后再晋升（promotion）。架构分为 Forge Core（优化器、评测器、版本图）、Forge Relay（模型/向量库/日志适配层）与 Forge Console（UI）。README 称 Forge Core 与 Forge Relay 可完全离线自托管，许可证为 MIT，但免责声明强调按“as-is”提供、结果随数据与模型供应商而异，需在预发环境验证。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。