QAnything 本地知识库问答系统：基于检索增强生成式应用（RAG）
QAnything (Question and Answer based on Anything) 是致力于支持任意格式文件或数据库的本地知识库问答系统，可断网安装使用。
您的任何格式的本地文件都可以往里扔，即可获得准确、快速、靠谱的问答体验。
目前已支持格式：PDF，Word(doc/docx)，PPT，Markdown，Eml，TXT，图片（jpg，png 等），网页链接，更多格式，敬请期待…
特点
- 数据安全，支持全程拔网线安装使用。
- 支持跨语种问答，中英文问答随意切换，无所谓文件是什么语种。
- 支持海量数据问答，两阶段向量排序，解决了大规模数据检索退化的问题，数据越多，效果越好。
- 高性能生产级系统，可直接部署企业应用。
- 易用性，无需繁琐的配置，一键安装部署，拿来就用。
- 支持选择多知识库问答。
架构
1. 两阶段检索优势
知识库数据量大的场景下两阶段优势非常明显，如果只用一阶段 embedding 检索，随着数据量增大会出现检索退化的问题，如下图中绿线所示，二阶段 rerank 重排后能实现准确率稳定增长，即数据越多，效果越好。
BCEmbedding 是由网易有道开发的中英双语和跨语种语义表征算法模型库，其中包含 EmbeddingModel 和 RerankerModel 两类基础模型。EmbeddingModel 专门用于生成语义向量，在语义搜索和问答中起着关键作用，而 RerankerModel 擅长优化语义搜索结果和语义相关顺序精排。
BCEmbedding 作为有道的检索增强生成式应用（RAG）的基石，特别是在 QAnything 中发挥着重要作用。QAnything 作为一个开源项目，在有道许多产品中有很好的应用实践，比如有道速读和有道翻译。
QAnything 使用的检索组件有非常强悍的双语和跨语种能力，能消除语义检索里面的中英语言之间的差异，从而实现强大的双语和跨语种语义表征能力。
基于 LlamaIndex 的 RAG 评测，表现 SOTA。
双语和跨语种优势
现有的单个语义表征模型在双语和跨语种场景中常常表现不佳，特别是在中文、英文及其跨语种任务中。BCEmbedding 充分利用有道翻译引擎的优势，实现只需一个模型就可以在单语、双语和跨语种场景中表现出卓越的性能。
EmbeddingModel 支持中文和英文（之后会支持更多语种）；RerankerModel 支持中文，英文，日文和韩文。
1.1 一阶段检索（embedding）
| 模型名称 |
|---|
