datawhalechina/all-in-rag

项目概览

教程内容涵盖从数据切分到 Graph RAG 架构的完整实践路径，并涉及多模态检索等前沿主题。

项目类型

RAG 与知识库 · AI 搜索 · 数据处理

应用场景

知识问答 · 数据分析

部署方式

查看项目说明

License

License 待确认

适合谁

• 需要系统化掌握 RAG 全栈技术的开发者和 AI 工程师
• 希望通过实战项目学习智能问答与知识检索系统构建的学习者

核心能力

• 提供结构化的课程大纲，引导学习者从基础概念逐步进阶到高级应用。
• 教授如何从多种格式加载文档以及不同的文本切分策略。
• 包含多模态嵌入与图文检索的实践内容。

限制与风险

• 多模态嵌入实践及第 10 等部分章节仍处于优化或规划阶段。

如何开始

• 准备 Python 3.12.7 环境与 Docker，并按照实战章节教程逐步操作。需要具备使用 Linux 命令行的能力。

替代方案与同类比较

• 提供处理身份验证、摄取、同步、索引和检索的共享检索基础设施，适合需要现成检索管道而非教程的开发者。
• 一个使用 LLM 和图逻辑为网站和本地文档创建抓取管道的 Python 库，适合需要直接处理文档抓取而非构建完整问答系统的场景。

同类比较

• datawhalechina/all-in-rag vs airweave
• datawhalechina/all-in-rag vs scrapegraph-ai

核验依据

• README: 本项目是一个面向大模型应用开发者的RAG（检索增强生成）技术全栈教程
• README: 帮助开发者掌握基于大语言模型的RAG应用开发技能，构建生产级的智能问答和知识检索系统。
• README: 现有的RAG教程往往零散且缺乏系统性，初学者难以形成完整的技术体系认知。
• README: - [x] [数据加载](./docs/chapter2/04_data_load.md) - 多格式文档处理与加载
• README: **第七章 高级RAG架构（拓展部分）** [📖 查看章节](./docs/chapter7) - [x] [基于知识图谱的RAG](./docs/chapter7/20_kg_rag.md) **第八章 项目实战一** [📖 查看章节](./docs/chapter8) - [x] [环境配置与项目架构](./docs/chapter8/01_env_a…

来源更新时间：2026-07-17T18:04:06Z

打开原始 GitHub 项目