Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
一个基于langchain实现RAG的简单示例
| Date | Stars |
|---|---|
| 2026-07-31 | 662 |
| 2026-08-01 | 663 |
| 2026-08-02 | 664 |
| 2026-08-03 | 664 |
| 2026-08-06 | 664 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
# RAG_langchain 检索增强生成（RAG）系统学习与实现项目，涵盖从基础到高级的 RAG 技术栈。 ## 📋 目录 - [项目简介](#项目简介) - [快速开始](#快速开始) - [项目结构](#项目结构) - [核心模块](#核心模块) - [学习路线](#学习路线) - [进阶主题](#进阶主题) ## 项目简介 本项目系统地介绍了如何使用LangChain构建生产级 RAG 系统，包含： - 📄 **文档处理**：多种格式文档加载与解析 - 🔪 **文本分割**：智能分块策略 - 🎯 **向量检索**：主流向量数据库对比与实现 - 🤖 **LLM 集成**：OpenAI、DeepSeek 等模型支持 - 🔁 **Reranker**：检索结果重排序优化 - 📊 **评估体系**：RAG 系统效果评估 - 🧠 **Agent 系统**：多 Agent 协作框架 ## 快速开始 ### 基础 RAG 系统 运行 [rag_chat.ipynb](rag_chat.ipynb) 快速搭建一个基于 OpenAI 的 RAG 系统： ```python # 加载文档 -> 分割 -> 嵌入 -> 检索 -> 生成 ``` ### DeepSeek RAG 参考 [rag_deepseekR1.ipynb](rag_deepseekR1.ipynb) 了解如何使用 DeepSeek 模型构建 RAG。 ## 项目结构 ``` RAG_langchain/ ├── agent/ # Agent 框架实现 │ ├── multi_agent/ # 多 Agent 协作系统 │ └── tool_call/ # 工具调用实现 ├── vectorDB/ # 向量数据库相关 │ ├── metadatafilter.ipynb │ └── flat_search.ipynb ├── learn/ # 核心学习模块 │ ├── doc_loader/ # 文档加载器 │ ├── text_splitter/ # 文本分割策略 │ ├── embedding_model/ # 嵌入模型 │ ├── reranker/ # 重排序模型 │ ├── evaluation/ # 评估方法 │ ├── advanced_method/ # 高级检索方法 │ └── Long-Context-RAG/ # 长上下文 RAG ├── chunsize/ # 分块大小优化 ├── graph_rag/ # Graph RAG 实现 ├── RLM/ # RLM 相关 ├── data/ # 示例数据 └── *.ipynb # 主要实现 notebook ``` ## 核心模块 ### 📄 文档加载 (Document Loader) - **基础加载**：[learn/doc_loader/PDF_loader.ipynb](learn/doc_loader/PDF_loader.ipynb) - PyPDFLoader、UnstructuredPDFLoader 等基础加载器 - **进阶解析**：[learn/doc_loader/pdf_parse.ipynb](learn/doc_loader/pdf_parse.ipynb) - 处理复杂 PDF 格式（表格、多列布局等） ### 🔪 文本分割 (Text Splitter) - **基础分割**：[learn/text_splitter/textspliter_ex.ipynb](learn/text_splitter/textspliter_ex.ipynb) - CharacterTextSplitter、RecursiveCharacterTextSplitter - **可视化分割**：理解分割效果 ### 🎯 嵌入模型 (Embedding) - **模型选择**：[learn/embedding_model/](learn/embedding_model/) - 如何选择合适的 Embedding 模型？ - OpenAI 可变维度 Embedding - **多模态检索**：[learn/embedding_model/Gemini_Embedding_2_Multimodal_Retrieval.ipynb](learn/embedding_model/Gemini_Embedding_2_Multimodal_Retrieval.ipynb) - 使用 Gemini Embedding 2 实现 Multimodal Retrieval - **测试对比**：[embedding_test/](embedding_test/) - **测试对比**：[embedding_test/](embedding_test/) ### 🗄️ 向量数据库 (Vector Database) - **基础检索**：[vectorDB/](vectorDB/) - **元数据过滤**：[metadatafilter.ipynb](vectorDB/metadatafilter.ipynb) - **向量库对比**：Chroma vs FAISS vs Milvus ### 🔁 检索优化 (Reranker) - **Reranker 模型**：[learn/reranker/](learn/reranker/) - 什么是 Reranker？ - 如何在 RAG 中使用 Reranker？ ### 📊 系统评估 (Evaluation) - **评估指标**：[learn/evaluation/](learn/evaluation/) - 准确率、召回率、响应质量等指标 - RAGAS等评估框架 ## 学习路线 ### 🌟 初学者路线 1. **快速体验**：运行 [rag_chat.ipynb](rag_chat.ipynb) 了解 RAG 基本流程 2. **文档处理**：学习 [doc_loader](learn/doc_loader/) 掌握文档加载 3. **文本分割**：学习 [text_splitter](learn/text_splitter/) 理解分块策略 4. **嵌入模型**：学习 [embedding_model](learn/embedding_model/) 选择合适的模型 ### 🚀 进阶路线 5. **向量检索**：深入研究 [vectorDB/](vectorDB/) 不同向量库的特点 6. **检索优化**：学习 [reranker](learn/reranker/) 提升检索精度 7. **系统评估**：学习 [evaluation](learn/evaluation/) 建立评估体系 8. **高级方法**：探索 [advanced_method](learn/advanced_method/) 9. **RLM**：[RLM/](RLM/) 递归LLM ## 进阶主题 ### 🤖 Agent 系统 - **工具调用**：[agent/tool_call/](agent/tool_call/) - 基于 Qwen 的 Function Calling - **多 Agent 协作**：[agent/multi_agent/](agent/multi_agent/) - AutoGen、LangGraph 等框架 ### 📈 优化策略 - **分块优化**：[chunsize/](chunsize/) 最佳分块大小探索 - **元数据过滤**：[vectorDB/metadatafilter.ipynb](vectorDB/metadatafilter.ipynb) - **混合检索**：稠密检索 + 稀疏检索 # 从零构建一个Mini Claude Code - **初级完整流程**： [mini_claude_code/](mini_claude_code/mini_claude_code.py) - **TODO** ## 🌟 Star History 如果你觉得这个项目对你有帮助，请给个 Star 支持一下！ [](https://star-history.com/#blackinkkkxi/RAG_langchain&Date)
Excerpt of 3,840 characters
Read on GitHub
32
Would you bet a product on this? Bounded 0–100 and slow moving.
matched fp:e1c976cc5c6b9de0, llm:Description: '一个基于langchain实现RAG的简单示例' (a simple RAG example based on LangChain). Language: Jupyter Notebook.
matched fp:e1c976cc5c6b9de0, llm:Description: '一个基于langchain实现RAG的简单示例' (a simple RAG example based on LangChain). Language: Jupyter Notebook.
matched fp:e1c976cc5c6b9de0, llm:Description: '一个基于langchain实现RAG的简单示例' (a simple RAG example based on LangChain). Language: Jupyter Notebook.