rag-zero-to-hero-guide

从零到一，手把手带你玩转RAG应用开发

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 353 🐛 待处理 3 👀 关注 17

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1486

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源指南，完全免费，无付费版本。

项目预览

rag-zero-to-hero-guide 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类开源模型

开发团队KalyanKS-NLP

官网地址https://x.com/kalyan_kpl

GitHubhttps://github.com/KalyanKS-NLP/rag-zero-to-hero-guide

定价模式🏷️完全免费

价格说明开源指南，完全免费，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Jupyter Notebook

技术栈/模型ai-engineer,generative-ai,large-language-models,llm-engineer,llm-rag,llms,retrieval-augmented-generation

GitHub 星标★ 1486

上线时间2025-03-15 00:00:00

代码更新2025-03-29

仓库体积3.7 MB

本站数据更新2026-11-08

维护状态低维护

收录时间2026-08-09

浏览次数4

项目介绍

这是一个从零开始学习RAG（检索增强生成）的完整指南，以Jupyter Notebook形式呈现，覆盖从基础知识到高级技术的全链路。项目通过循序渐进的教程和可运行的代码示例，帮助开发者理解RAG的核心概念，包括文档加载、分块、向量化、检索策略、重排序、以及与大语言模型的集成。它解决了RAG学习资源碎片化、缺乏系统性实践的问题，提供了一条清晰的学习路径，让用户能够快速上手并构建自己的RAG应用。项目内容持续更新，社区活跃，是入门和进阶RAG的优质开源资源。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1486

技术标签

generative-ai large-language-models llms retrieval-augmented-generation

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 10 分钟部署方式：本地安装 4 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

可联网的电脑（需从 GitHub 克隆仓库）
已安装 Git
Python 环境（README 标注开发语言为 Jupyter Notebook）
可运行 Jupyter Notebook 的环境（如 JupyterLab / VS Code Notebook）

安装与启动步骤

1克隆仓库

把教程仓库完整下载到本地，后续所有章节文档和 Notebook 都在这个目录里。
```
git clone https://github.com/KalyanKS-NLP/rag-zero-to-hero-guide.git
```
2进入项目目录

切换到克隆下来的仓库根目录，README 中的相对链接都以该目录为基准。
```
cd rag-zero-to-hero-guide
```
3查看学习入口

打开 README，按 Quick links 顺序阅读 RAG Basics、RAG Toolkit、RAG Evaluation Course 等章节。
4打开 Notebook 运行

用 Jupyter 启动本地服务，在浏览器中打开仓库内的 .ipynb 文件逐格执行学习。
```
jupyter notebook
```