12.3K ·GitHub
这是什么？
这是一套面向大模型应用开发者的检索增强生成（RAG）全栈教程，从基础概念到可投入生产的 RAG 系统，既讲理论也有动手实践。
这是一套面向大模型应用开发者的检索增强生成（RAG）全栈教程，从基础概念到可投入生产的 RAG 系统，既讲理论也有动手实践。这是课程还是代码库？这是一门结构化的课程或教程，由多个章节组成，包含讲解、可直接运行的代码示例以及两个完整项目的演练，而不是可安装的代码库。
这是一门结构化的课程或教程，由多个章节组成，包含讲解、可直接运行的代码示例以及两个完整项目的演练，而不是可安装的代码库。课程是怎么组织的，我从哪里开始？课程共 5 个部分、10 章，依次为：RAG 基础、数据准备、索引构建、检索优化、生成与评估，最后是两个完整项目的实现。请从第一章开始（“RAG简介”，即 RAG 入门与环境配置）。
课程共 5 个部分、10 章，依次为：RAG 基础、数据准备、索引构建、检索优化、生成与评估，最后是两个完整项目的实现。请从第一章开始（“RAG简介”，即 RAG 入门与环境配置）。开始之前需要准备什么？需要具备基本的 Python 语法和库的使用能力、基本的 Docker 使用经验、基本的 Linux 命令行技能；最好对大语言模型的概念有一定了解（非必需）。
需要具备基本的 Python 语法和库的使用能力、基本的 Docker 使用经验、基本的 Linux 命令行技能；最好对大语言模型的概念有一定了解（非必需）。整个课程都已经完成了吗？大部分章节已标注为完成，但第十章（第二个实战项目）仍在规划中，Omni Embedding 等几个额外章节也还在持续完善。
大部分章节已标注为完成，但第十章（第二个实战项目）仍在规划中，Omni Embedding 等几个额外章节也还在持续完善。这门课程适合哪些人？面向对 RAG 感兴趣的 Python 开发者、希望系统学习路径的 AI 工程师、正在开发问答系统的产品构建者，以及研究检索增强生成的研究人员。
面向对 RAG 感兴趣的 Python 开发者、希望系统学习路径的 AI 工程师、正在开发问答系统的产品构建者，以及研究检索增强生成的研究人员。课程实际动手教授哪些 RAG 技术？内容涵盖数据加载与切分、文本及多模态向量嵌入、向量数据库（包括 Milvus）、稠密与稀疏混合检索、Text2SQL、查询重构、结构化生成以及 RAG 评估工具。
内容涵盖数据加载与切分、文本及多模态向量嵌入、向量数据库（包括 Milvus）、稠密与稀疏混合检索、Text2SQL、查询重构、结构化生成以及 RAG 评估工具。课程是否涵盖基于知识图谱的 RAG？有的，第七章是专门扩展的基于知识图谱的 RAG 内容，另外还有一章额外展示一个简单的 Neo4j 应用。
有的，第七章是专门扩展的基于知识图谱的 RAG 内容，另外还有一章额外展示一个简单的 Neo4j 应用。综合实战项目是什么样的？第八章完整演示从头到尾构建一个 RAG 应用（环境配置、数据准备、索引与检索、生成模块集成）；第九章则将其优化为 Graph RAG 架构，包含 Milvus 索引和智能查询路由。
第八章完整演示从头到尾构建一个 RAG 应用（环境配置、数据准备、索引与检索、生成模块集成）；第九章则将其优化为 Graph RAG 架构，包含 Milvus 索引和智能查询路由。有英文内容吗？README 中注明项目简介提供中英文两个版本（'中文 | English'），不过教程的主体内容主要是中文。
README 中注明项目简介提供中英文两个版本（'中文 | English'），不过教程的主体内容主要是中文。What are similar projects?Langchain-Chatchat, RAG_Techniques, awesome-ai-apps, m_flow, LEANN, turbovec, ai-guide, semantica
Langchain-Chatchat, RAG_Techniques, awesome-ai-apps, m_flow, LEANN, turbovec, ai-guide, semanticaWhich topics is it in?llama-index, milvus, embedding, neo4j, retrieval-augmented-generation, knowledge-graph, langchain, vector-database, multimodal, rag, deepseek, learning-resources
llama-index, milvus, embedding, neo4j, retrieval-augmented-generation, knowledge-graph, langchain, vector-database, multimodal, rag, deepseek, learning-resources