jamwithai/production-agentic-rag-course

项目概览

jamwithai/production-agentic-rag-course 是一个面向学习者的教程项目，指导用户逐步构建一个具备完整基础设施的生产级 AI 研究助手。项目强调先掌握关键词搜索基础，再引入向量检索实现混合搜索的技术路径。

项目类型

AI Agent · RAG 与知识库 · 基础设施

应用场景

知识问答 · 学习教育

部署方式

查看项目说明

License

MIT

适合谁

• 希望按照行业实践从搜索基础到混合检索逐步构建生产级 RAG 系统的开发者和 AI 工程师。

核心能力

• 使用 Docker Compose 搭建完整的基础设施，包含 FastAPI、PostgreSQL、OpenSearch、Airflow 以及通过 Ollama 提供的本地 LLM。
• 自动化数据管道使用 Docling 从 arXiv 获取并解析学术论文。
• 基于 OpenSearch 的 BM25 关键词搜索，具备过滤和相关性评分功能。
• 将智能分块与结合关键词及语义理解的混合搜索相结合，使用 Jina AI 嵌入。
• 通过 Ollama 运行本地 LLM 的 RAG 管道，支持流式响应，并提供交互式 Gradio Web 界面。
• 使用 Langfuse 进行 RAG 管道监控和追踪，并利用 Redis 缓存以优化性能。
• 使用 LangGraph 构建 Agentic RAG 工作流，包含智能决策、文档评分、查询重写和安全护栏。
• 提供 Telegram 机器人，支持通过移动端访问研究助手并进行对话式交互。

限制与风险

• 需要 8GB 以上内存及 20GB 以上可用磁盘空间。
• 必须预先安装 Docker Desktop、Python 3.12+ 以及 UV Package Manager。

如何开始

• 安装 Docker Desktop、Python 3.12+ 及 UV Package Manager；克隆仓库并进入目录；将 .env.example 复制为 .env；运行 uv sync；执行 docker compose up --build -d 启动。

核验依据

• README: Master the most in-demand AI engineering skills: <strong>RAG (Retrieval-Augmented Generation)</strong>
• README: This is a learner-focused project where you'll build a complete research assistant system
• README: The arXiv Paper Curator will teach you to build a production-grade RAG system using industry best practices. Unlike tutorials that jump straight to vector search, we follow the pr…
• README: Status-Week%207%20Advanced%20Features-brightgreen.svg
• Release: Week 7: Agentic RAG with LangGraph and Telegram Bot

内容核验时间：