datawhalechina GitHub avatar

all-in-rag

Python
RAG全栈实战指南datawhalechina最近推送 2026年11月16日
学习资源13.2k6,79032 issues7 天 +171

AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日

一份系统讲解 RAG 技术全栈的中文开源教程,从基础概念讲到项目实战。

这是 Datawhale 出品的中文 RAG 技术教程仓库,定位为大模型应用开发实战系列的第一篇。内容覆盖 RAG 基础、数据准备、向量嵌入与向量数据库、检索优化、生成集成与系统评估,并配有从基础到进阶的项目实战章节,提供在线电子书阅读。

推荐指数

4.0

内容体系完整、中文友好,适合作为 RAG 入门到进阶的系统学习材料,但它是教程而非可直接复用的框架。

近 7 天

+171

新增 Star

总 Star 排名

#536

雷达追踪的 3,958 个 AI 仓库中

创建于

2025

2025年6月5日

核心亮点

  • 1体系化章节

    从 RAG 概念到评估优化按章节递进,形成完整学习路径。

  • 2理论配代码

    每章包含讲解与配套代码实践,便于边学边做。

  • 3多模态内容

    涵盖多模态嵌入与 Milvus 多模态检索实践。

  • 4工程化视角

    涉及索引优化、混合检索、系统评估等落地问题。

  • 5项目实战

    提供完整项目章节,含图 RAG 与查询路由等进阶内容。

适用场景

  • 系统学习 RAG

    例如:按章节从第一章读到评估章节,建立完整技术认知。

  • 动手搭建问答系统

    例如:跟着实战章节完成数据准备、索引构建到生成集成。

  • 团队内部分享

    例如:用在线电子书作为新人培训材料,配合章节代码演示。

  • 技术选型参考

    例如:查阅向量数据库、混合检索、Text2SQL 等章节对比方案。

它是怎么工作的

  1. 第 1 步

    阅读理论章节

    先看 RAG 简介与四步构建 RAG,理解整体流程。

  2. 第 2 步

    准备数据

    学习数据加载与文本分块,完成知识库数据准备。

  3. 第 3 步

    构建索引

    用向量嵌入与向量数据库建立可检索索引。

  4. 第 4 步

    优化检索与生成

    结合混合检索、查询重构与格式化生成提升效果。

  5. 第 5 步

    评估与实战

    用评估方法检验系统,并在实战章节整合成应用。

快速上手

  1. 1

    在线阅读

    直接打开官方电子书,从第一章开始学习。

  2. 2

    克隆仓库

    把教程与配套代码拉到本地。

    git clone https://github.com/datawhalechina/all-in-rag.git
  3. 3

    配置环境

    按第一章准备工作安装 Python 3.12.7 环境与依赖。

  4. 4

    跑通示例

    跟随“四步构建 RAG”章节运行第一个示例。

适合谁

  • 有 Python 基础、想系统学 RAG 的开发者
  • 需要搭建智能问答系统的 AI 工程师
  • 想把 RAG 引入产品的开发者
  • 需要中文学习材料的研究人员

不太适合

  • 想要开箱即用 RAG 框架的人
  • 完全没有编程基础的人

成熟度

  • 活跃度创建于 2025 年 6 月,最近一次推送在 2026 年 11 月,仍在更新。
  • 文档章节大纲完整,有在线电子书和英文版入口。
  • 社区约 1.3 万 star、6700 多 fork,开放 issue 仅 32 个。
  • 上手难度有在线阅读和分章代码,但需自行配置 Python 与 Docker 环境。

同类项目怎么选

  • LangChain是可直接调用的开发框架,本项目是讲解 RAG 的教程。
  • LlamaIndex提供数据索引与检索的代码库,本项目侧重教学与章节讲解。

使用前注意

  • · 仓库未声明开源许可证,商用或二次分发前需确认授权。
  • · 这是教程仓库,不是可直接集成的库,需要按章节自行搭建代码。
  • · 部分章节标注为选修或规划中,内容完整度不一。
  • · 实战涉及 Milvus、Neo4j 等外部服务,需要额外部署和资源。

主题标签

embeddingkimi-k2langchainllama-indexllmmilvusmultimodalragaineo4jpythondeepseek