RAG_Techniques

一站式学透 RAG 进阶技巧，从入门到实战快速上手

RAG_Techniques 是一个专注于检索增强生成（RAG）技术的开源教程仓库，汇集了从基础到前沿的多种 RAG 实现方法。它通过一系列详细的 Jupyter Notebook 教程，系统展示了如何优化 RAG 系统的检索质量、生成效果和整体性能。项目解决了 RAG 开发中常见的检索不准确、上下文利用不充分、多轮对话能力弱等问题，提供了包括高级检索策略、重排序、查询改写、混合检索、上下文压缩、Self-RAG、CRAG 等在内的多种技术方案。每个技术点都配有可运行的代码示例和解释，帮助开发者快速理解并应用到实际项目中。该仓库已成为 RAG 领域最受欢迎的学习资源之一，适合从入门到进阶的 AI 开发者、研究者和工程师参考借鉴。

开源 free 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 29585

维护状态活跃

是否开源是

定价模式 free

项目数据

分类搜索知识

开发团队NirDiamant

所属国家

官网地址https://diamant-ai.com

GitHubhttps://github.com/NirDiamant/RAG_Techniques

定价模式free

价格说明开源项目，提供RAG技术教程和代码，完全免费。

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,embeddings,generative-ai,gpt,langchain,llama-index,llm,llms,machine-learning,nlp,openai,python,rag,retrieval-augmented-generation,semantic-search,tutorials,vector-database

GitHub 星标★ 29585

30天Star增速

HF 下载量

上线时间2024-07-13 00:00:00

最近更新2026-09-22 00:00:00

维护状态活跃

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1

使用教程

难度：入门约 10 分钟部署方式：本地安装 4 步

环境要求

Git（用于克隆仓库）
Python 与 Jupyter Notebook 运行环境（README 未指定版本，建议 Python 3.9+）
能访问 GitHub 的网络

安装与启动步骤

1克隆仓库

把整个 RAG_Techniques 仓库下载到本地，README 只给出这一条克隆命令，需保证网络能访问 GitHub。
```
git clone https://github.com/NirDiamant/RAG_Techniques.git
```
2进入仓库目录

克隆完成后切换到仓库根目录，方便后续查看各技术点的 Notebook。
```
cd RAG_Techniques
```
3进入目标技术目录

进入 all_rag_techniques 下你感兴趣的子目录，technique-name 需替换为实际目录名，README 未列出全部目录名。
```
cd all_rag_techniques/technique-name
```
4按目录内指南运行

README 要求阅读每个技术目录中的详细实现指南，并按其中的说明执行对应 Notebook。

如何确认成功

README 未提供启动验证方式，能按目录内指南成功运行对应 Notebook 并得到结果即视为成功。

常见问题

Q：README 里有没有写依赖安装命令？

A：没有。节选部分只给出 git clone、cd 和阅读各目录指南三步，未提供 pip install 等安装命令，依赖需自行参考各技术目录内的说明。

Q：technique-name 具体填什么？

A：README 未列出全部目录名，需先进入 all_rag_techniques 目录查看实际子目录后再替换为对应技术名称。

Q：需要什么 Python 版本或额外库？

A：README 节选未说明版本要求和依赖清单，Notebook 中可能使用 OpenAI、LangChain、LlamaIndex 等，请按各目录指南准备。

Q：不会用 Jupyter Notebook 怎么办？

A：需自行安装 Jupyter 环境后打开目录内的 .ipynb 文件逐步运行，README 节选未提供 Notebook 启动命令。

注意事项

本教程只依据 README 节选，未包含 pip、conda、Docker 等安装命令，请勿凭猜测执行。
各技术的依赖和运行细节分散在对应目录的指南中，运行前应逐目录阅读。
部分技术可能调用 OpenAI 等外部模型 API，需自备密钥，具体以目录内说明为准。

核心亮点

覆盖 RAG 全链路技术，从基础检索到高级优化（如重排序、查询改写）
每个技术都配有独立 Notebook，代码可运行，上手门槛低
社区活跃，持续更新前沿方法（如 Self-RAG、CRAG）

不足之处

部分 Notebook 依赖特定数据源或 API，直接复用需自行调整
文档/社区待观察：缺乏系统性的理论讲解，偏向代码演示

适用场景

学习 RAG 技术栈，快速了解各种优化手段
为生产级 RAG 系统选型，对比不同技术效果
作为内部培训材料，提升团队 RAG 开发能力

替代项目

LangChain、LlamaIndex、Haystack

项目介绍

RAG_Techniques 是搜索知识领域的开源项目，由 NirDiamant 开发，2024 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（29,585）位列前 2%，在搜索知识分类的 585 个项目里位列前 4%。

近 41 天，它的 GitHub 星标从 29,040 增加到 29,585，净增 545。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。提供RAG技术教程和代码，完全免费。

它主要面向的使用场景是：学习RAG技术栈，快速了解各种优化手段。同类可对比的替代方案包括 LangChain、LlamaIndex、Haystack。

上一篇：rag-search

下一篇：vanna