从零到一，手把手带你玩转RAG应用开发
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。
⚠ 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。
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.git2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-guide3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能成功克隆出仓库目录，并在 Jupyter 中打开、运行仓库里的 .ipynb 文件且不报错，即视为环境就绪。
Q：README 里没有安装命令怎么办？
A：该仓库本质是教程文档与 Notebook 集合，README 只给出各章节链接，未提供依赖安装清单，需自行按所选 Notebook 的 import 补装依赖。
Q：必须用 Jupyter 吗？
A：项目开发语言为 Jupyter Notebook，推荐用 JupyterLab 或 VS Code 的 Notebook 功能打开 .ipynb；纯 Markdown 章节用任意编辑器即可阅读。
Q：跑示例需要调用大模型吗？
A：RAG 流程涉及向量化与生成环节，部分示例可能需自备 LLM 或嵌入模型 API Key，具体以对应 Notebook 内容为准。
Q：从哪里开始学比较好？
A：建议先读 RAG Basics 目录下的 What is RAG、Why RAG、How does RAG work，再看 RAG Roadmap 规划后续路径。
LangChain、LlamaIndex、Haystack
rag-zero-to-hero-guide 是搜索知识领域的开源项目，由 KalyanKS-NLP 开发，2025 年首次发布。
在全站 13,090 个收录项目中，它的 GitHub 星标数（1,433）位列前 30%，在搜索知识分类中处于中上游。
近 42 天，它的 GitHub 星标从 1,398 增加到 1,433，净增 35。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-23。开源指南，完全免费，无付费版本。
它主要面向的使用场景是：初学者系统学习RAG技术栈。同类可对比的替代方案包括 LangChain、LlamaIndex、Haystack。
firecrawl
开源
网页抓取像喝水一样简单，开发者省下整周加班
The web data API to search, scrape, and interact at scale.
contoso-chat
开源
一键跑通 Azure RAG 应用，从代码到评估部署全流程
This sample has the full End2End process of creating RAG application with Prompty an···
graphify
开源
整个代码库画成一张图，找问题一眼定位
Turn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable k···
ragflow
开源
让大模型用上你的私有知识，搭建可靠的企业级RAG应用
RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fu···