RAG学习最全资料RAG入门到进阶
RAG学习最全资料：构建RAG系统所需资料都在这了。（地址在文末）
这是一个围绕RAG的全流程教程合集，从环境搭建开始，一直到高级技术如多查询、路由控制、上下文长文召回、ColBERT索引通通都有，且每部分都有对应notebook代码。
架构图可视化了一整个RAG信息流，有基础也值得一看👇（图2）
具体可以拆成6个模块，每个模块解决的就是在搭建真实RAG应用时会遇到的问题：
1. 查询构造（Query Construction） 自然语言怎么转成机器能理解的查询： - Text-to-SQL：适合结构化数据库场景 - Text-to-Cypher：用于图数据库的查询转换 - Self-query retriever：使用LLM自动生成元数据过滤词，用于增强向量检索
2. 查询翻译（Query Translation） 好的问题不一定好检索，如何“改写问题”对模型更友好： - Multi-query：多个版本问题同时检索 - RAG-Fusion：多路径召回后进行排名融合 - Hypothetical Documents（HyDE）：构造伪文档启发搜索方向
3. 路由（Routing） 查询来了之后怎么选数据源、选最合适的query位置： - 逻辑路由：比如判断代码相关的问题进入编程数据库 - 语义路由：相似度驱动的选择机制，可自适应不同领域
4. 文档检索（Retrieval） 拿到query后，怎么快速、精准地检索： - Re-Rank、RankGPT、CRAG：结果排序与压缩技术 - 主动检索（Active Retrieval）：如果检索不准，用LLM判断是否需要补拉新数据（如网络实时搜索）
5. 索引构建（Indexing） 向量库好不好用，取决于怎么切文档、用什么嵌入方法： - 多表示法（Multi-representation）：比如用摘要+原文双路嵌入 - 层级索引：用RAPTOR实现多层摘要结构 - ColBERT：token级索引方法，保留上下文精度
6. 答案生成（Generation） Content拿到了，怎么组织答案更优？ - Self-RAG：让生成过程反过来控制检索 - RRR：Rewriting + Retrieval + Reasoning，支持在生成过程中再判断要不要改写问题或二次检索
整套代码基于LangChain封装，无需基础也能跑起来。也可以灵活替换API，比如换成自己的embedding模型或者上下文存储向量库（支持ChromaDB/Pinecone等）。
项目地址：github.com/bRAGAI/bRAG-langchain/
