RAG Techniques
活跃简介
NirDiamant 的 RAG_Techniques 仓库系统收录并演示了当下主流的检索增强生成（RAG）进阶技术与工程实践。
核心特性
- 系统化分类 — 把 RAG 技术按简单 / 高级 / 模块化等维度组织，便于按需学习
- 可运行 Notebook — 每个技术都附 Jupyter Notebook 与最小可运行代码
- 评测与对比 — 同时提供检索质量、答案质量的评测脚本与可视化
- 多后端支持 — 涵盖 LangChain、LlamaIndex、Haystack 等多框架实现
- 持续更新 — 紧跟学术与工业界最新进展，定期纳入新方法
- 教学友好 — 配套文章、教程与 Amazon 配套书籍，便于系统学习
适用场景
💡 系统性学习 RAG 全流程的进阶技术与工程实践
💡 在团队内做 RAG 技术选型与方案对比评测
💡 把 Notebooks 中的代码片段直接复制到生产项目
💡 用作企业内部 RAG 培训课程的教材
💡 跟踪最新 RAG 研究与开源实现的桥梁
优势与不足
✅ 优势
- • 活跃维护，近期持续更新
- • 社区热度高（29.4k stars）
- • 项目有一定历史沉淀（已维护 2 年）
- • Issue 响应及时，积压少
⚠️ 不足
- • 缺少明确的开源许可证
分类
快速开始
# 克隆仓库
git clone https://github.com/NirDiamant/RAG_Techniques.git
cd RAG_Techniques
# 创建虚拟环境
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
# 启动 Jupyter
jupyter notebook
# 在 all_rag_techniques/ 目录下选择感兴趣的技术 Notebook 即可运行