R2R
SciPhi AI · Programmation · Productivité
R2R est un système de recherche par IA open source de SciPhi AI qui transforme vos documents en base de connaissances interrogeable, avec recherche hybride, graphes de connaissances et API RAG agentique.
À propos de R2R
About
Qu'est-ce que R2R
R2R (Reason to Retrieve) est un moteur de génération augmentée par récupération prêt pour la production, développé par SciPhi AI. C'est un framework RAG qui résout le problème de la recherche de réponses dans vos propres documents. La génération augmentée par récupération consiste à extraire les bons passages de vos fichiers, puis à laisser un modèle répondre à partir de ceux-ci. R2R prend en charge la partie ingrate de ce parcours, l'analyse des documents, le découpage en segments, les embeddings, la récupération et la réponse fondée sur des sources, et place le tout derrière une seule API REST. Vous lui indiquez où sont vos fichiers, et il s'occupe du reste.
L'outil vise les équipes qui veulent chercher dans un savoir privé sans reconstruire une infrastructure de zéro. Il ingère les formats courants comme le texte, le PDF et le JSON, mais aussi les images et l'audio, puis vous laisse poser des questions sur ce contenu, avec des citations à chaque réponse.
R2R est un logiciel libre sous licence MIT, vous pouvez donc déployer un service RAG auto-hébergé sur votre propre matériel ou dans Docker. Cela compte lorsque vos documents contiennent des données que vous ne pouvez pas envoyer à un service tiers.
Pour commencer
- Installez le SDK avec
pip install r2rpour Python ounpm i r2r-jspour JavaScript. - Lancez le serveur en local avec
python -m r2r.serve, ou démarrez la pile Docker complète avecdocker compose -f compose.full.yaml --profile postgres up -d. - Créez des documents depuis le client, par exemple
client.documents.create(file_path="/path/to/file"), pour déclencher l'ingestion. - Posez une requête avec
client.retrieval.search(query="...")ou demandez une réponse citée avecclient.retrieval.rag(query="..."). - Pour les questions complexes, appelez le point d'accès de l'agent avec
client.retrieval.agent(...)et laissez le raisonnement planifier ses propres recherches.
Informations sur le produit
Aperçu des tarifs, des plateformes compatibles et des performances de R2R.
Idéal pour
Les utilisateurs, tâches et cas d'usage où cet outil convient le mieux.
Utilisateurs
- Développeurs qui bâtissent un assistant sur une base de connaissances
- Petites équipes avec des documents sensibles
- Chercheurs qui prototypent une idée de GraphRAG
Tâches
- Interroger une bibliothèque de documents variée
- Produire des réponses citées pour une recherche interne
- Relier la récupération à un flux d'agents
Cas d'usage
- Monter un service privé de questions-réponses sur le matériel de l'entreprise
- Alimenter un bot de support qui cite ses sources
- Explorer les relations dans une grande archive
Fonctionnalités clés
Ingestion multimodale
R2R analyse .txt, .pdf, .json, .png, .mp3 et d'autres formats dans un seul flux. L'audio est transcrit et les liens web sont récupérés, vous n'écrivez donc pas de préprocesseur différent pour chaque type de fichier. Vous déposez les fichiers, et le système se charge de l'analyse, du découpage et de l'indexation.
Recherche hybride
La récupération combine la similarité vectorielle et la correspondance par mots-clés grâce à la fusion de rangs réciproques. La recherche sémantique attrape les paraphrases, celle par mots-clés attrape les termes exacts, et la fusion retient le signal le plus fort pour cette requête. Cela réduit à la fois les résultats manqués par les vecteurs seuls et les angles morts des mots-clés seuls.
Graphes de connaissances
Pendant l'ingestion, R2R extrait les entités et les relations pour construire un graphe à côté de vos vecteurs. Vous pouvez lancer une détection de communautés pour repérer des groupes de sujets et parcourir les relations, par exemple pour retrouver toutes les entités liées à une entreprise donnée. Les graphes restent isolés par collection, ce qui sépare les différents locataires.
RAG agentique et Deep Research API
Le mode agent dépasse le schéma récupérer puis générer et planifie plusieurs étapes. Il décide quand chercher plus de contexte, peut sortir de votre base de connaissances et peut allouer un budget de réflexion supplémentaire à un modèle. Chaque réponse porte des citations, vous pouvez donc suivre comment il est arrivé à une conclusion.
Gestion des utilisateurs et des collections
L'authentification intégrée et un système de collections couvrent l'accès multi-utilisateurs. Les collections isolent les documents et les graphes, chaque équipe ou client ne voit donc que son propre contenu. Le contrôle d'accès s'applique au niveau de l'API.
API REST avec SDK Python et JavaScript
Toutes les capacités sont exposées par une API REST documentée, avec des clients officiels Python et JavaScript. Vous branchez R2R sur une application existante sans adopter un nouveau framework, et la configuration tient dans un seul fichier.
Avantages et inconvénients
Avantages
- Logiciel libre sous licence MIT, vous pouvez donc l'inspecter, le modifier et l'auto-héberger sans dépendance à un éditeur.
- Les fonctions de production sont livrées d'origine, avec l'authentification, les collections et l'observabilité, ce qui économise des mois de travail sur le backend.
- Recherche hybride et graphes de connaissances couvrent ensemble les requêtes par terme exact et celles fondées sur les relations.
- Les SDK officiels Python et JavaScript rendent l'intégration directe sur la plupart des piles applicatives.
Inconvénients
- L'auto-hébergement signifie que vous gérez le déploiement, les mises à jour et la montée en charge, ce qui représente un vrai travail pour des équipes sans expérience d'infrastructure.
- Le mode complet exige Docker, PostgreSQL et une clé d'API OpenAI, l'installation légère reste donc limitée pour des tests rapides.
- Le site de documentation a été instable, ce qui peut ralentir le dépannage jusqu'à ce que vous trouviez des références à jour.
Questions fréquentes
R2R monte une recherche et un service de questions-réponses privés sur vos propres fichiers. Il prend en charge l'ingestion, la récupération et la génération de réponses fondées, ce qui vous permet de livrer un assistant de connaissances sans assembler le flux vous-même.
Contenus associés
Découvrez des outils, des compétences et des articles liés à R2R.
Alternatives à R2R
Forefront
Forefront · ProgrammationForefront est une plateforme web pour construire avec de l'IA open source. Elle vous laisse affiner les principaux modèles de langage open source sur vos propres données, évaluer leurs performances et les exécuter via une API ou les exporter pour les héberger vous-même. Les développeurs qui veulent le confort d'une plateforme fermée mais tiennent à rester propriétaires de leurs modèles et de leurs données sont le public visé ici.
Startkit
StartKit.AI · ProgrammationStartkit est un boilerplate pour créer des produits SaaS d'IA et des wrappers d'IA. Voyez-le comme un boilerplate de startup IA avec les parties ennuyeuses déjà branchées : authentification, paiements Stripe et Lemon Squeezy, limites d'usage, e-mail transactionnel et un kit de démarrage d'API IA qui parle à OpenAI, Anthropic, Groq ou Llama. Vous clonez le dépôt, fixez votre prix et attaquez la partie du produit pour laquelle les gens paient vraiment. Il repose sur Next.js au-dessus de React et Tailwind, donc une bonne partie du code boilerplate vous semble déjà familière.
Testim
Tricentis · ProgrammationTestim est une plateforme d'automatisation des tests dopée à l'IA, qui sert à créer et exécuter des tests de bout en bout sur des applications web, mobiles et Salesforce. Elle s'appuie sur l'apprentissage automatique pour garder les tests stables quand une interface change, alors les équipes passent moins de temps à réparer des sélecteurs cassés. Pas mal pour un outil de tests automatisés que vous pouvez utiliser dès aujourd'hui. Vous créez des tests en enregistrant des actions dans un navigateur, puis vous ajoutez du JavaScript quand vous avez besoin de plus de contrôle. C'est un choix solide pour une équipe QA bien occupée.