All-in-RAG：面向开发者的 RAG 技术全栈教程项目

项目定位

All-in-RAG 是 Datawhale 社区维护的开源教程项目，目标读者是大模型应用开发者，内容以“从理论到实践、从基础到进阶”为主线，帮助学习者建立 RAG（检索增强生成）技术体系并动手开发智能问答与知识检索系统。

内容结构

教程按章节组织，已经列出的内容覆盖以下主题：

• 基础入门：RAG 简介、环境准备、用四步构建 RAG、虚拟环境部署补充。
• 数据准备：多格式数据加载与文本分块策略。
• 索引构建：向量嵌入、多模态嵌入、向量数据库、Milvus 多模态检索实践与索引优化。
• 检索优化：混合检索（稠密与稀疏融合）、查询构建、Text2SQL、查询重构与分发，以及进阶检索技术。
• 生成与评估：格式化生成、RAG 系统评估方法与常用评估工具。
• 进阶与实战：基于知识图谱的 RAG、项目实战的环境架构与数据准备及索引检索与生成整合，以及图 RAG 方向的选修章节。

此外还有 Extra Chapter 收录社区投稿，例如 Neo4J 简单应用、多模态 Omni Embedding 实践；其中第十章项目实战二标注为“规划中”。

前置条件与使用方式

项目说明给出的学习前提是：掌握 Python 基础语法与常用库、能简单使用 Docker、具备基础 Linux 命令行能力，了解基本 LLM 概念为推荐但非必需。仓库包含教程文档、代码示例、示例数据与模型等目录，并提供在线阅读入口（链接由后台补充）。

边界说明

项目未在说明中给出各章节的具体课时、性能指标或版本兼容范围；章节完成情况以清单勾选形式呈现，选修与规划中的内容需以实际文档为准。项目采用 CC BY-NC-SA 4.0 许可。