all-in-rag
datawhalechina/all-in-rag
🔍大模型应用开发实战一：RAG 技术全栈指南，在线阅读地址：https://datawhalechina.github.io/all-in-rag/
🔍大模型应用开发实战一：RAG 技术全栈指南，在线阅读地址：https://datawhalechina.github.io/all-in-rag/
Categories
Tags
Similar tools
ollama
ollama/ollama
Local inference runtime and CLI for open-weight large language models
transformers
huggingface/transformers
huggingface/transformers
JavaGuide
Snailclimb/JavaGuide
Java guide for backend interviews & AI application development covering system design, LLMs, Agents, and RAG.
langflow
langflow-ai/langflow
Metadata derived from provided repository information.
langchain
langchain-ai/langchain
The agent engineering platform.
LLMs-from-scratch
rasbt/LLMs-from-scratch
Implement a ChatGPT-like LLM in PyTorch from scratch
Install
pip install all-in-ragREADME
All-in-RAG | 大模型应用开发实战一：RAG技术全栈指南
🔍 检索增强生成 (RAG) 技术全栈指南
从理论到实践，从基础到进阶，构建你的RAG技术体系
| 🎯 系统化学习 完整的RAG技术体系 | 🛠️ 动手实践 丰富的项目案例 | 🚀 生产就绪 工程化最佳实践 | 📊 多模态支持 文本+图像检索 |
项目简介（中文 | English）
本项目是一个面向大模型应用开发者的RAG（检索增强生成）技术全栈教程，旨在通过体系化的学习路径和动手实践项目，帮助开发者掌握基于大语言模型的RAG应用开发技能，构建生产级的智能问答和知识检索系统。
主要内容包括：
- RAG技术基础：深入浅出地介绍RAG的核心概念、技术原理和应用场景
- 数据处理全流程：从数据加载、清洗到文本分块的完整数据准备流程
- 索引构建与优化：向量嵌入、多模态嵌入、向量数据库构建及索引优化技术
- 检索技术进阶：混合检索、查询构建、Text2SQL等高级检索技术
- 生成集成与评估：格式化生成、系统评估与优化方法
- 项目实战：从基础到进阶的完整RAG应用开发实践
项目意义
随着大语言模型的快速发展，RAG技术已成为构建智能问答系统、知识检索应用的核心技术。然而，现有的RAG教程往往零散且缺乏系统性，初学者难以形成完整的技术体系认知。
本项目从实践出发，结合最新的RAG技术发展趋势，构建了一套完整的RAG学习体系，帮助开发者：
- 系统掌握RAG技术的理论基础和实践技能
- 理解RAG系统的完整架构和各组件的作用
- 具备独立开发RAG应用的能力
- 掌握RAG系统的评估和优化方法
项目受众
本项目适合以下人群学习：
- 具备Python编程基础，对RAG技术感兴趣的开发者
- 希望系统学习RAG技术的AI工程师
- 想要构建智能问答系统的产品开发者
- 对检索增强生成技术有学习需求的研究人员
前置要求：
- 掌握Python基础语法和常用库的使用
- 能够简单使用docker
- 了解基本的LLM概念（推荐但非必需）
- 具备基础的Linux命令行操作能力
项目亮点
- 体系化学习路径：从基础概念到高级应用，构建完整的RAG技术学习体系
- 理论与实践并重：每个章节