一个完整的检索增强生成(RAG)系统实战项目，包含从基础到高级的全流程实现，覆盖RAG系统设计、评估和优化。
一分钟了解#
RAG系统研发实战项目是一个基于Python的综合性RAG系统开发课程代码库，通过11个模块逐步拆解RAG系统的各个环节。该项目适用于希望深入学习RAG技术的开发者，特别是需要将RAG技术应用到具体业务场景的工程师。本项目最大的价值在于它提供了从理论到实践的完整路径，以及针对不同业务场景的定制化解决方案。
核心价值：提供全流程RAG系统实现指南，覆盖10大核心组件，帮助开发者掌握针对业务场景的RAG定制能力。
快速上手#
安装难度：中 - 需要根据不同操作系统和硬件配置选择合适的依赖包，且需要Python 3.10+环境
# 创建虚拟环境并激活
python -m venv venv-rag
source venv-rag/bin/activate # Linux/Mac
# Windows: .\venv-rag\Scripts\activate
# 安装基础依赖（以LangChain为例）
pip install -r 91-环境-Environment/requirements_langchain_简单RAG.txt
适合我的场景吗？
- ✅ 学习RAG全流程：项目按模块递进，从基础到高级全面覆盖RAG系统开发
- ✅ 企业级RAG应用：包含面向业务的RAG系统优化和定制化方案
- ❌ 简单RAG原型：项目设计较为完整，不适合快速构建简单原型
- ❌ 无编程基础：需要Python和AI基础知识，不适合纯入门者
核心能力#
1. 全流程RAG实现 - 从数据加载到响应生成#
项目通过11个模块完整实现了RAG系统全流程，包括数据导入、文本切块、向量嵌入、向量存储、检索前处理、索引优化、检索后处理、响应生成和系统评估。 实际价值：开发者可以一站式获取构建完整RAG系统的所有组件和最佳实践
2. 多框架支持 - LangChain与LlamaIndex双重方案#
提供基于LangChain和LlamaIndex两种主流RAG框架的实现方案，满足不同技术栈团队的需求。 实际价值：技术团队可以根据现有技术选择最合适的框架，降低迁移和学习成本
3. 硬件适配 - GPU/CPU多环境支持#
针对GPU和CPU环境提供不同的配置方案，支持Ubuntu、MacOS和Windows操作系统。 实际价值：开发者可以根据自身硬件条件选择合适的配置方案，提高系统兼容性
4. 实战导向 - 模块化设计便于学习#
项目采用模块化设计，每个模块负责RAG系统的不同方面，既可作为独立学习单元，也可组合成完整系统。 实际价值：初学者可以分阶段学习，有经验的开发者可以直接关注特定模块的优化
5. 业务场景适配 - 针对不同问题的定制化#
强调"面向业务做RAG，而不是面向RAG做业务"的理念，针对不同场景和问题提供针对性的调整、优化和定制化方案。 实际价值：帮助企业将RAG技术有效应用到实际业务中，避免技术与应用脱节