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
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
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。
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。
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。
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。
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
在线阅读
直接打开官方电子书,从第一章开始学习。
- 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
配置环境
按第一章准备工作安装 Python 3.12.7 环境与依赖。
- 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。
