Danielskry/Awesome-RAG

它解决的问题

大型语言模型有固定的知识截止日期，无法自行访问外部信息，因此容易产生过时或幻觉答案。检索增强生成（RAG）通过在生成过程中动态检索外部知识源中的相关上下文来解决这个问题，让模型能够获取最新、领域特定或专有信息。本仓库收集了学习和构建此类RAG系统的最佳资源，使开发者无需在网络上搜索教程、框架和最佳实践。

工作原理

该仓库本身是一个组织化的目录，而非软件。它分为多个部分，涵盖通用RAG概念、架构模式（从简单的检索-生成管道到基于代理和图的方法）、高级技术、促进RAG的框架、Python生态系统、分块和嵌入方法、指标和评估、数据库、生产考虑因素和最佳实践。每个条目都链接到权威来源、教程、可运行的笔记本、论文或实现。README还通过一个具体示例解释了核心RAG思想：一个查询特定房屋翻新材料的系统可以检索到通用LLM不知道的蓝图、材料规格和当地建筑规范。它还可作为VS Code、GitHub Copilot CLI和Claude Code的代理插件使用，并可通过DeepWiki查询。

适用人群

希望探索或构建RAG应用的开发者、工程师和研究人员。无论是从零开始、计划采用现有框架、选择分块或嵌入策略，还是准备将RAG系统投入生产，该目录都能指向相关工具和材料。它也有助于比较高级RAG变体或寻求评估和指标指导的人。

亮点

• 精选资源地图，覆盖完整RAG生态系统：架构模式、高级方法、框架、技术、指标、数据库和生产指导
• 链接到权威来源，包括可运行的Python笔记本、LangChain、LlamaIndex和Haystack的教程、论文和YouTube讲解
• 涵盖广泛的高级方法，从Corrective RAG、RAG Fusion和Self-Reflective RAG到GraphRAG、多模态RAG、视频RAG和基于推理的框架
• 包括对分块策略、嵌入和提示等实用技术的详细指导，并列出各自的优缺点
• 可作为VS Code、GitHub Copilot CLI和Claude Code的代理插件使用，并可通过DeepWiki查询