Rankify 是一个模块化且高效的 Python 工具包，用于检索、重排序和检索增强生成（RAG），基于当前先进的模型构建，适用于检索、排序和 RAG 任务。
用途：将检索、重排序和检索增强生成整合到单一框架中，帮助研究者和开发者进行实验、对比与基准评测。
主要能力：
- 支持多种检索方法，包括 BM25、DPR、ANCE、BPR、ColBERT、BGE、Contriever、SFR、E5、GritLM、M2、Nomic、Instructor、RaDeR、ReasonIR、BGE-Reasoner 和 ReasonEmbed 等。
- 重排序：实现 28 个高级模型，包含 44 个子方法，覆盖 Cross-Encoders、Vicuna、Zephyr、Sentence Transformer、FlashRank、API 重排序、ColBERT、LLM Layerwise Ranker、Splade、Inranker、Transformer、FIRST、Blender、LLM2VEC、ECHO、Incontext、PRP 等。
- RAG 支持：可与 Hugging Face、OpenAI、vLLM、LiteLLM 等后端配合，使用 GPT、LLAMA、T5 及 Fusion-in-Decoder（FiD）等模型，支持 Chain-of-Thought RAG、FiD with T5、In-Context Learning RALM 等方法。
- 内置评估：提供检索、重排序和 RAG 的评估指标，并支持 BEIR、TREC DL19/DL20 的 BM25 基线运行与 TREC 风格指标（nDCG、MAP、MRR），以及基于 RAGAS 的 RAG 质量评估。
- 数据集与索引：提供 40 多个带预检索文档的基准数据集，以及 Wikipedia 和 MS MARCO 预构建索引。
使用方式：
- 安装需要 Python 3.10 及以上，推荐使用 PyTorch 2.5.1，可通过 pip 安装完整依赖或按组件（retriever、reranking、rag、all）安装，也可从 GitHub 安装最新开发版。使用 ColBERT 检索器需额外设置步骤。
- 提供一行式 Pipeline API：pipeline("search") 仅检索文档，pipeline("rerank") 检索加重排序，pipeline("rag") 完整 RAG（检索、重排序、生成）。
- 提供 RankifyAgent 辅助选择合适模型，Rankify Server 可一键部署为 REST API，包含 /retrieve、/rerank、/rag、/health 端点。
- 支持与 LangChain、LlamaIndex 等集成，并提供 Gradio 交互式 Web Playground。
- 传统工作流中可通过 CLI（rankify-index）为自定义数据集构建索引，支持 bm25、dpr、ance、contriever、colbert、bge 等检索器及相应参数。
- 检索、重排序、生成和评估均提供代码示例，支持本地推断和 API 推断（需提供 api-key）。
适用场景：检索与排序研究、RAG 系统开发与实验、基准评测（BEIR、TREC DL19/DL20、BRIGHT 等）、自定义数据集上的检索与生成流程验证。
限制：Rankify 仍处于开发阶段，当前为 v0.1.0 首个版本；官方说明正在持续增加更多检索器、排序器、数据集和功能。官网未提供其他限制说明。文档、示例和教程可在其在线文档和笔记中获取。项目采用 Apache-2.0 许可证。
