bRAG-langchain

跟着教程一步步搭出你自己的 RAG 问答系统

bRAG-langchain 是一个面向 RAG（检索增强生成）应用开发的教学型开源项目，提供从零构建 RAG 应用的完整指南。它基于 LangChain 框架，通过 Jupyter Notebook 形式逐步讲解 RAG 的核心概念、架构设计和实现细节，涵盖文档加载、文本分割、向量存储、检索器构建、提示词工程以及生成链路整合等关键环节。项目旨在帮助开发者理解 RAG 的工作原理，并快速上手构建自己的智能问答或对话系统。其内容组织清晰，代码可运行，适合作为学习 RAG 的入门教程，也适合作为开发时的参考手册。

开源 unknown 对话助手

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 4167

维护状态维护中

是否开源是

定价模式 unknown

项目数据

分类对话助手

开发团队bragai

所属国家

官网地址https://bragai.dev

GitHubhttps://github.com/bragai/bRAG-langchain

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议NOASSERTION

主要语言Jupyter Notebook

技术栈/模型agentic-rag,ai,chatbot,llm,machine-learning,python,rag,retrieval-augmented-generation

GitHub 星标★ 4167

30天Star增速

HF 下载量

上线时间2024-11-16 00:00:00

最近更新2026-09-22 00:00:00

维护状态维护中

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：入门约 15 分钟部署方式：本地安装 6 步

环境要求

Python 环境（用于创建虚拟环境并运行 Jupyter Notebook）
Jupyter Notebook 运行环境
OpenAI API Key（用于 LLM 与 Embedding）
Pinecone 账号与 API Key（向量数据库）
Cohere API Key（重排序等环节使用）

安装与启动步骤

1克隆项目仓库

把 bRAG-langchain 仓库下载到本地，后续所有操作都在该目录内进行。
```
git clone https://github.com/bragai/bRAG-langchain.git
cd bRAG-langchain
```
2创建虚拟环境

README 明确要求在虚拟环境中运行文件，避免依赖冲突。
```
python -m venv .venv
source .venv/bin/activate
```
3安装依赖

使用仓库根目录的 requirements.txt 一次性安装全部依赖包。
```
pip install -r requirements.txt
```
4复制环境变量模板

把根目录的 .env.example 复制为 .env，作为密钥配置文件。
```
cp .env.example .env
```
5填写 API 密钥

编辑 .env，填入 OpenAI、LangSmith、Pinecone、Cohere 的真实密钥，密钥获取地址见 README 注释。
6运行 Notebook

从 [1]_rag_setup_overview.ipynb 开始，按编号顺序依次运行 notebooks 目录下的各文件。

关键配置

配置项	必填	说明	示例
`OPENAI_API_KEY`	是	OpenAI 密钥，用于调用 LLM 与生成嵌入向量	`sk-xxxxxxxxxxxxxxxx`
`PINECONE_API_KEY`	是	Pinecone 向量数据库密钥	`your-api-key`
`PINECONE_INDEX_NAME`	是	Pinecone 索引名称，用于相似度检索	`your-project-index`
`PINECONE_API_HOST`	是	Pinecone 索引的主机地址	`https://your-index.svc.region.pinecone.io`
`COHERE_API_KEY`	是	Cohere 密钥，用于检索结果重排序	`your-api-key`
`LANGCHAIN_API_KEY`	否	LangSmith 密钥，用于链路追踪调试	`your-api-key`

如何确认成功

按顺序运行 [1]_rag_setup_overview.ipynb，各单元格无报错并返回模型生成的回答，即表示环境配置成功。

常见问题

Q：必须申请哪些第三方密钥？

A：README 列出四家：OpenAI、LangSmith、Pinecone、Cohere，均需在对应官网注册获取后填入 .env 文件。

Q：一定要按顺序运行 Notebook 吗？

A：是的。README 要求从 [1]_rag_setup_overview.ipynb 开始，按编号 1 到 5 顺序学习并运行。

Q：向量数据库只能用 Pinecone 吗？

A：不一定。第 1 个 Notebook 说明中同时提到了 ChromaDB 与 Pinecone 两种向量存储方案。

Q：只想快速跑通一个 RAG 聊天机器人怎么办？

A：可直接打开 full_basic_rag.ipynb，README 称其提供了可完全自定义的 RAG 聊天机器人样板代码。

注意事项

README 强调所有文件必须在虚拟环境中运行。
项目内容是教学型 Notebook，需逐个执行单元格而非一条命令启动服务。
.env 中含真实密钥，不要将其提交到 Git 仓库。
官网 bragai.dev 在 README 中标注为即将上线。

核心亮点

Notebook 形式手把手教学，代码可直接运行，学习曲线平缓
覆盖 RAG 全流程，从文档处理到检索生成，知识点系统完整
基于 LangChain 生态，与主流工具链无缝衔接，实用性强

不足之处

内容偏教学演示，生产级性能优化和工程化部署细节不足
文档/社区待观察

适用场景

初学者系统学习 RAG 原理与实现
快速搭建 RAG 原型验证业务可行性
作为企业内部 RAG 技术培训教材

替代项目

langchain、LlamaIndex、Haystack

项目介绍

bRAG-langchain 是搜索知识领域的开源项目，由 bragai 开发，2024 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（4,167）位列前 10%，在搜索知识分类的 581 个项目里位列前 12%。

项目仍在小幅维护中，最近一次代码更新于 2026-09-22。从国内网络环境看，可直接访问。

它主要面向的使用场景是：初学者系统学习RAG原理与实现。同类可对比的替代方案包括 langchain、LlamaIndex、Haystack。

上一篇：rags

下一篇：autoflow