29.9K ·GitHub
Что это такое?
Созданное сообществом хранилище продвинутых техник Retrieval-Augmented Generation (RAG) — когда ответы языковой модели опираются на найденные документы. Всё собрано в виде обучающих ноутбуков, которые можно сразу запускать.
Созданное сообществом хранилище продвинутых техник Retrieval-Augmented Generation (RAG) — когда ответы языковой модели опираются на найденные документы. Всё собрано в виде обучающих ноутбуков, которые можно сразу запускать.Это библиотека, которую нужно устанавливать, или набор обучающих материалов?Набор туториалов, а не пакет: больше 42 самостоятельных Jupyter-ноутбуков, каждый из которых объясняет одну технику RAG — с интуицией, кодом и ссылками.
Набор туториалов, а не пакет: больше 42 самостоятельных Jupyter-ноутбуков, каждый из которых объясняет одну технику RAG — с интуицией, кодом и ссылками.Как работать с техникой из репозитория?Склонируйте репозиторий, откройте нужный ноутбук в Jupyter и запустите его сверху вниз — каждый ноутбук самостоятельный урок, который легко адаптировать под свой стек.
Склонируйте репозиторий, откройте нужный ноутбук в Jupyter и запустите его сверху вниз — каждый ноутбук самостоятельный урок, который легко адаптировать под свой стек.Что нужно установить и настроить, чтобы запустить ноутбуки?Python с Jupyter. Судя по темам репозитория, ноутбуки построены на LangChain и LlamaIndex и используют модели GPT от OpenAI, так что для большинства из них понадобится API-ключ OpenAI.
Python с Jupyter. Судя по темам репозитория, ноутбуки построены на LangChain и LlamaIndex и используют модели GPT от OpenAI, так что для большинства из них понадобится API-ключ OpenAI.Есть ли подводные камни, о которых стоит знать заранее?Здесь обучают техникам, а не дают готовую библиотеку для продакшена — код нужно переносить в свою систему. Кроме того, ноутбуки обращаются к облачным API языковых моделей, поэтому их полный прогон расходует кредиты API.
Здесь обучают техникам, а не дают готовую библиотеку для продакшена — код нужно переносить в свою систему. Кроме того, ноутбуки обращаются к облачным API языковых моделей, поэтому их полный прогон расходует кредиты API.Подойдёт ли новичку в RAG, или это для тех, кто уже строит системы?И тем, и другим: материал идёт от базовых основ до переднего края, и он написан для исследователей и практиков, которые расширяют возможности RAG.
И тем, и другим: материал идёт от базовых основ до переднего края, и он написан для исследователей и практиков, которые расширяют возможности RAG.Можно ли запускать это на обычном ноутбуке, или нужно специальное железо?Подойдёт любой компьютер с Python и Jupyter — Windows, macOS или Linux; работа с языковыми моделями идёт через облачные API, а не за счёт вашего железа.
Подойдёт любой компьютер с Python и Jupyter — Windows, macOS или Linux; работа с языковыми моделями идёт через облачные API, а не за счёт вашего железа.Какие техники входят в коллекцию?Всё — от Basic RAG, подбора размера чанков и proposition chunking до преобразований запросов, HyDE (гипотетические эмбеддинги документов) и агентного RAG, плюс свежие дополнения вроде MemoRAG и сквозной оценки качества RAG.
Всё — от Basic RAG, подбора размера чанков и proposition chunking до преобразований запросов, HyDE (гипотетические эмбеддинги документов) и агентного RAG, плюс свежие дополнения вроде MemoRAG и сквозной оценки качества RAG.С чего начать новичку?С раздела Foundational: сначала Basic RAG, затем RAG with CSV Files, Reliable RAG, Optimizing Chunk Sizes и Proposition Chunking, и уже после этого — техники улучшения запросов вроде HyDE.
С раздела Foundational: сначала Basic RAG, затем RAG with CSV Files, Reliable RAG, Optimizing Chunk Sizes и Proposition Chunking, и уже после этого — техники улучшения запросов вроде HyDE.Коллекция ещё развивается или уже заброшена?Жива и растёт: в README перечислены недавние дополнения (MemoRAG, End-to-End RAG Evaluation, Open-RAG-Eval, JSON RAG), заявлено 42 ноутбука и обещаны регулярные обновления. Репозиторий не архивирован и набрал около 29.8k звёзд.
Жива и растёт: в README перечислены недавние дополнения (MemoRAG, End-to-End RAG Evaluation, Open-RAG-Eval, JSON RAG), заявлено 42 ноутбука и обещаны регулярные обновления. Репозиторий не архивирован и набрал около 29.8k звёзд.Здесь всё бесплатно?Ноутбуки бесплатны. Автор монетизирует сопутствующие материалы — курс Prompt to Production из 20 модулей и 400-страничную книгу RAG Made Simple; ссылки на них есть в README.
Ноутбуки бесплатны. Автор монетизирует сопутствующие материалы — курс Prompt to Production из 20 модулей и 400-страничную книгу RAG Made Simple; ссылки на них есть в README.What are similar projects?agentic-rag-for-dummies, generative-ai-for-beginners, llm-universe, llm-cookbook, LEANN, GenAI_Agents, Hands-On-Large-Language-Models, all-in-rag
agentic-rag-for-dummies, generative-ai-for-beginners, llm-universe, llm-cookbook, LEANN, GenAI_Agents, Hands-On-Large-Language-Models, all-in-ragWhich topics is it in?llama-index, agentic-rag, tutorials, retrieval-augmented-generation, llms, langchain, vector-database, semantic-search, embeddings, gpt, course, evaluation
llama-index, agentic-rag, tutorials, retrieval-augmented-generation, llms, langchain, vector-database, semantic-search, embeddings, gpt, course, evaluation