RAG优化

核心洞察

这篇文章最有意思的点是它把“RAG学习资料”做成了带完整章节规划和实战项目的体系，扫一眼目录就能知道该按什么顺序学、学到什么程度算完。我唯一有点怀疑的是第十章还写着“规划中”，希望项目能撑到补完的那天。

---

核心结论

1. Datawhale 开源的 All-in-RAG 是一个系统性 RAG 教程，共 10 个正文章节外加 Extra-chapter，按“基础入门 → 索引构建与优化 → 生成与评估 → 高级应用与实战”递进编排。

2. 项目包含两个完整实战项目：第八章为基础版 RAG 实战，第九章为 Graph RAG 优化版，涉及智能查询路由和 Milvus 索引构建；第十章另一个项目仍标注“规划中”。

3. 内容不只覆盖文本 RAG，还包含多模态嵌入同时对文本和图像等多种模态数据进行向量化，使得不同模态的数据可以在同一向量空间中进行相似度计算，支持图文混合检索。与检索；Extra-chapter 目前提供 Neo4J 简单应用和多模态 Omni Embedding 实践。

4. 项目采用 CC BY-NC-SA 4.0 许可证，允许学习使用，但禁止商用。

5. 社区贡献规则明确：报 Bug 走 Issue，想法走 Discussions；主章节 PR 需先与维护者沟通，目前只有 Extra-chapter 接受直接 PR 提交。

把 RAG 从入门到实战讲透的开源教程，Datawhale 这份 All-in-RAG 值得翻一翻

如果你最近在搞大模型应用，肯定绕不开 RAG。市面上的资料要么讲概念，要么甩代码，想找一份把数据准备、索引构建、检索优化、系统评估串起来讲的教程，说实话不多。

Datawhale 开源的 All-in-RAG 项目就是冲这个来的。它面向的是想系统掌握 RAG 应用开发的开发者，从基础概念讲到生产级系统搭建，一套走完。

项目地址：https://github.com/datawhalechina/all-in-rag

为什么会有这个项目

大模型火了之后，RAG 几乎成了做知识问答和私有知识库的标配技术。但新手想入门，容易卡在两个地方：资料零散，东看一篇西看一篇；教程偏理论，看完不知道怎么动手。

All-in-RAG 的解法是把整套学习路径拆成十章，每章有明确主题，配合代码实践，让学习者能一步步把系统搭起来。

适合谁看

有 Python 基础，想学 RAG 的开发者可以直接上手。如果你已经会用 Docker、懂一点 LLM 概念，那会更顺畅。总之，面向的是想动手做应用的工程师，纯理论研究者可能不太匹配。

项目亮点

几个比较突出的特点：

体系化，从第一章“解锁 RAG”到最后一章项目实战，章节之间是递进的。学完前六章基本能掌握 RAG 的核心流程，后面四章是进阶和实战。

不只有文本，还覆盖了多模态嵌入和检索，这是很多类似教程没做的一层。

工程化导向，索引优化、系统评估这些落地时才用得上的内容都单独成章，不是简单提一嘴。

实战项目有两个，一个基础版一个 Graph RAG 优化版，适合用来检验学习成果。

内容大纲

全书十个章节，外加一个 Extra-chapter 放社区贡献的扩展内容。

第一部分是基础入门。第一章讲 RAG 是什么、环境怎么配、四步搭一个最简单的 RAG。第二章进入数据准备，覆盖文档加载和文本分块。分块策略这块很容易被忽略，但对后续检索质量影响很大。

第二部分聚焦索引构建与优化。第三章从向量嵌入将文本转换为高维向量的过程，用于表示语义信息，便于基于相似性进行检索。讲到多模态嵌入，再到向量数据库A database system designed to store and perform high-dimensional semantic similarity searches on vector embeddings of data.和 Milvus 实战。第四章是检索技术进阶，混合检索结合语义嵌入、关键词搜索和图遍历等多种检索技术的综合查询方法，旨在提高检索精度和效率。、查询构建、Text2SQL将自然语言查询自动转换为SQL查询语句的技术，使用户可以通过日常语言直接查询结构化数据库，简化数据获取过程。、查询重构都在这一块。到这一步，一个 RAG 系统的检索能力基本搭建完整了。

第三部分是生成与评估。第五章讲格式化生成，怎么控制输出结构。第六章讲 RAG 系统评估，包括评估方法论和常用工具，这一章对生产环境很实用。

第四部分是高级应用与实战。第七章是知识图谱结合的 RAG，属于拓展内容。第八章是基础完整的实战项目，从环境配置到系统整合一条龙。第九章在实战基础上做 Graph RAG 优化，智能查询路由和 Milvus 索引构建都有涉及。第十章另一个项目还在规划中。

Extra-chapter 目前有 Neo4J 简单应用和多模态 Omni Embedding 实践，也接受社区投稿。

如何参与

项目欢迎所有形式的贡献，报 Bug 走 Issue，有想法去 Discussions 讨论。唯一需要注意的是，文档内容的 PR 目前只接受 Extra-chapter 部分，主章节的改动需要先跟维护者沟通。

关于 Datawhale

Datawhale 是国内比较活跃的开源学习社区，公众号有更多开源内容，感兴趣可以关注。

许可证

项目采用 CC BY-NC-SA 4.0 许可，可以学习使用，注意别拿来商用。

常见问题（FAQ）

Datawhale的All-in-RAG教程怎么样？值得学吗？

值得。这是体系化开源教程，从基础理论到生产级系统搭建，涵盖数据准备、索引构建、检索优化、评估及实战，支持多模态，适合有Python基础的开发者系统学习。

RAG优化有哪些方法？去哪里学？

RAG优化方法包括混合检索、查询重构、Text2SQL、格式化生成等。Datawhale的All-in-RAG教程第四章和第五章专门讲解检索优化和生成评估，第七章还有知识图谱结合RAG的进阶内容。

All-in-RAG教程适合什么基础的人？需要会什么？

适合有Python基础、对RAG感兴趣的开发者。如果会用Docker、懂一点LLM概念会更顺畅。教程面向动手做应用的工程师，纯理论研究者不太匹配。