[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-huangjia2019--rag-in-action":3,"tool-huangjia2019--rag-in-action":62},[4,18,26,36,46,54],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160784,2,"2026-04-19T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":78,"difficulty_score":10,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":109,"github_topics":110,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":115,"updated_at":116,"faqs":117,"releases":118},9652,"huangjia2019\u002Frag-in-action","rag-in-action","End-to-end RAG system design, evaluation, and optimization. 极客时间RAG训练营，RAG 10大组件全面拆解，4个实操项目吃透 RAG 全流程。RAG的落地，往往是面向业务做RAG，而不是反过来面向RAG做业务。这就是为什么我们需要针对不同场景、不同问题做针对性的调整、优化和定制化。魔鬼全在细节中，我们深入进去探究。","rag-in-action 是一个专注于检索增强生成（RAG）系统全流程研发的实战项目。它不仅仅是一个代码库，更是一套从系统设计、评估到优化的完整解决方案，旨在帮助开发者深入理解并落地 RAG 技术。\n\n在实际业务中，直接套用通用 RAG 方案往往效果不佳。rag-in-action 解决了这一痛点，通过拆解 RAG 的十大核心组件（如数据加载、文本切块、向量嵌入、检索优化及响应生成等），提供了针对不同场景的定制化调整策略。项目包含四个实操案例，覆盖从基础构建到高级应用（如图谱 RAG、多智能体协作）的全链路开发，并配套详细的性能评估模块，帮助用户量化系统表现并持续迭代。\n\n该项目特别适合希望掌握 RAG 底层逻辑的 AI 开发者、算法工程师以及正在探索大模型落地的技术团队。其独特亮点在于模块化架构设计，支持 LangChain 和 LlamaIndex 双框架，并提供适配 GPU 与 CPU 环境的详细部署指南。无论是想在本地快速验证原型，还是构建企业级高可用系统，rag-in-action 都能通过“魔鬼在细节”的深度剖析，助你吃透 RAG 全流程，实现技术与业务的完美融合。","# RAG (Retrieval-Augmented Generation) 系统研发实战\n\n本项目是一个基于 DeepSeek 的 RAG 系统[实战课程](https:\u002F\u002Fu.geekbang.org\u002Fsubject\u002Fairag\u002F1009927)的代码仓库，实现了一个完整的检索增强生成系统。\n\n课程地址：[RAG系统研发实战](https:\u002F\u002Fu.geekbang.org\u002Fsubject\u002Fairag\u002F1009927)\n\n![基于DeepSeek的RAG系统研发实战课程架构图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_rag-in-action_readme_9d91cc1b8315.png)\n\n\n## 技术框架\n\n![RAG技术框架](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_rag-in-action_readme_1a6db737f018.png)\n\n![RAG实战书籍](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_rag-in-action_readme_2e70927ba59f.jpg)\n\n> 配套书籍[《RAG实战课》](https:\u002F\u002Fitem.jd.com\u002F14447967.html)已经重磅出版！（人民邮电出版社）\n\n[点击这里优惠购书](https:\u002F\u002Fitem.jd.com\u002F14447967.html)\n\n## 项目架构\n\n项目采用模块化设计，每个模块负责 RAG 系统的不同方面：\n\n| 模块 | 功能 | 技术栈 | 依赖 |\n|------|------|--------|------|\n| `00-简单RAG-SimpleRAG` | 基础 RAG 系统实现 | LangChain\u002FLlamaIndex | 基础环境 |\n| `01-数据导入-DataLoading` | 数据加载和预处理 | pandas, PyPDF2 | 文档解析库 |\n| `02-文本切块-DocChunking` | 文档分块策略 | LangChain Splitters | NLP 工具 |\n| `03-向量嵌入-Embedding` | 文本向量化 | HuggingFace, BGE | GPU 支持(可选) |\n| `04-向量存储-VectorDB` | 向量数据库操作 | Milvus, Chroma | 向量数据库 |\n| `05-检索前处理-PreRetrieval` | 检索优化 | Query Expansion | NLP 工具 |\n| `06-索引优化-Indexing` | 索引构建和优化 | 层次索引, 关键词索引 | 搜索引擎 |\n| `07-检索后处理-PostRetrieval` | 检索结果优化 | 重排序, 过滤 | ML 模型 |\n| `08-响应生成-Generation` | 答案生成 | LLM 集成 | GPU 推荐 |\n| `09-系统评估-Evaluation` | 系统性能评估 | RAGAS, TruLens | 评估框架 |\n| `10-高级RAG-AdvanceRAG` | 高级 RAG 技术实现 | Graph RAG, Multi-Agent | 高级框架 |\n\n## 环境要求\n\n### 硬件要求\n\n#### GPU 版本\n- NVIDIA GPU (建议 >= 8GB 显存)\n- CUDA 11.8 或更高版本\n- cuDNN 8.0 或更高版本\n\n#### CPU 版本\n- 建议 >= 16GB RAM\n- 多核处理器（建议 >= 4 核）\n\n### 软件要求\n\n#### 操作系统支持\n1. **Ubuntu **\n- 推荐使用 22.04 LTS\n\n1. **MacOS (Intel\u002FApple Silicon)**\n   - Apple Silicon 可以使用 MPS 加速\n\n2. **Windows 10\u002F11**\n   - 推荐使用 WSL2 + Ubuntu\n\n### 框架选择\n\n1. Python：3.10+\n2. LangChain 框架\n   - 基础版：`requirements_langchain_简单RAG(后续模块还要安装其它包).txt`\n   - 完整版（GPU）：`requirements_langchain_20250413(Ubuntu-with-GPU).txt`\n   - 完整版（CPU）：`requirements_langchain_无GPU版(Mac,Win).txt`\n\n3. LlamaIndex 框架\n   - 基础版：`requirements_llamaindex_简单RAG(后续模块还要安装其它包).txt`\n   - 完整版（GPU）：`requirements_llamaindex_20250413(Ubuntu-with-GPU).txt`\n   - 完整版（CPU）：`requirements_llamaindex_无GPU版(Mac,Win).txt`\n\n## 环境配置\n\n### Ubuntu (GPU 版本+LangChain框架)\n\n```bash\n# 创建虚拟环境\npython -m venv venv-rag-langchain\nsource venv-rag-langchain\u002Fbin\u002Factivate\n## 或者使用conda\nconda create -n venv-rag-langchain python=3.10.12\nconda activate venv-rag-langchain\n\n# 安装依赖\npip install -r 91-环境-Environment\u002Frequirements_langchain_20250413_Ubuntu-with-GPU.txt\n```\n\n### Ubuntu (CPU 版本+LangChain框架)\n\n```bash\n# 创建虚拟环境\npython -m venv venv-rag-langchain\nsource venv-rag-langchain\u002Fbin\u002Factivate\n## 或者使用conda\nconda create -n venv-rag-langchain python=3.10.12\nconda activate venv-rag-langchain\n\n# 安装依赖\npip install -r 91-环境-Environment\u002Frequirements_langchain_Ubuntu-with-CPU.txt\n```\n\n### MacOS\u002FWindows(CPU 版本+LangChain框架)\n```bash\n# 创建虚拟环境\npython -m venv venv-rag-langchain\n# Windows\n.\\venv-rag-langchain\\Scripts\\activate\n# MacOS\nsource venv-rag-langchain\u002Fbin\u002Factivate\n## 或者使用conda\nconda create -n venv-rag-langchain python=3.10.12\nconda activate venv-rag-langchain\n\n# 安装依赖\npip install -r 91-环境-Environment\u002Frequirements_langchain_无GPU版_Mac-Win.txt\n```\n\n### Ubuntu (GPU 版本+LlamaIndex框架)\n\n```bash\n# 创建虚拟环境\npython -m venv venv-rag-llamaindex\nsource venv-rag-llamaindex\u002Fbin\u002Factivate\n## 或者使用conda\nconda create -n venv-rag-llamaindex python=3.10.12\nconda activate venv-rag-lanllamaindexgchain\n\n# 安装依赖\npip install -r 91-环境-Environment\u002Frequirements_llamaindex_20250413_Ubuntu-with-GPU.txt\n```\n\n### Ubuntu (CPU 版本+LlamaIndex框架)\n\n```bash\n# 创建虚拟环境\npython -m venv venv-rag-llamaindex\nsource venv-rag-llamaindex\u002Fbin\u002Factivate\n## 或者使用conda\nconda create -n venv-rag-llamaindex python=3.10.12\nconda activate venv-rag-llamaindex\n\n# 安装依赖\npip install -r 91-环境-Environment\u002Frequirements_llamaindex_Ubuntu-with-CPU.txt\n```\n\n### MacOS\u002FWindows(CPU 版本+LlamaIndex框架)\n```bash\n# 创建虚拟环境\npython -m venv venv-rag-llamaindex\n# Windows\n.\\venv-rag-llamaindex\\Scripts\\activate\n# MacOS\nsource venv-rag-llamaindex\u002Fbin\u002Factivate\n## 或者使用conda\nconda create -n venv-rag-llamaindex python=3.10.12\nconda activate venv-rag-llamaindex\n\n# 安装依赖\npip install -r 91-环境-Environment\u002Frequirements_llamaindex_无GPU版_Mac-Win.txt\n```\n\n## 特殊依赖说明\n\n1. PDF 处理相关：\n   - 使用 `requirements_camelot_20250413.txt` 安装 PDF 处理相关依赖\n   - 可能需要额外安装系统级依赖：\n     - Ubuntu: `sudo apt-get install ghostscript python3-tk`\n     - MacOS: `brew install ghostscript tcl-tk`\n     - Windows: 需要手动安装 Ghostscript\n\n2. 标注工具相关：\n   - 使用 `requirements_marker_20250413.txt` 安装标注工具相关依赖\n\n## 使用说明\n\n1. 选择合适的环境配置文件并安装依赖\n2. 按照模块顺序逐步学习和实践\n3. 每个模块都包含独立的示例和说明文档\n4. 建议先从 `00-简单RAG-SimpleRAG` 开始，逐步深入\n\n## 注意事项\n\n1. GPU 版本需要确保 CUDA 环境配置正确\n2. 不同操作系统可能需要额外的系统级依赖\n3. 建议使用虚拟环境管理依赖\n4. 部分模块可能需要额外的模型下载或 API 密钥配置\n\n## 常见问题\n\n1. CUDA 相关错误：检查 NVIDIA 驱动和 CUDA 版本是否匹配\n2. 内存不足：调整批处理大小或使用 CPU 版本\n3. 依赖冲突：使用虚拟环境并严格按照 requirements 文件安装\n\n## 贡献指南\n\n欢迎提交 Issue 和 Pull Request 来帮助改进项目。\n\n[![佳哥项目 Star History 趋势](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_rag-in-action_readme_57b5e4b0b728.png)](https:\u002F\u002Fwww.star-history.com\u002F#huangjia2019\u002Flangchain-in-action&huangjia2019\u002Fai-agents&huangjia2019\u002Flet-us-machine-learning&huangjia2019\u002Frag-in-action&huangjia2019\u002Fllm-gpt&Date)\n\n## 许可证\n\n本项目采用 MIT 许可证。","# RAG（检索增强生成）系统研发实战\n\n本项目是一个基于 DeepSeek 的 RAG 系统[实战课程](https:\u002F\u002Fu.geekbang.org\u002Fsubject\u002Fairag\u002F1009927)的代码仓库，实现了一个完整的检索增强生成系统。\n\n课程地址：[RAG系统研发实战](https:\u002F\u002Fu.geekbang.org\u002Fsubject\u002Fairag\u002F1009927)\n\n![基于DeepSeek的RAG系统研发实战课程架构图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_rag-in-action_readme_9d91cc1b8315.png)\n\n\n## 技术框架\n\n![RAG技术框架](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_rag-in-action_readme_1a6db737f018.png)\n\n![RAG实战书籍](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_rag-in-action_readme_2e70927ba59f.jpg)\n\n> 配套书籍[《RAG实战课》](https:\u002F\u002Fitem.jd.com\u002F14447967.html)已经重磅出版！（人民邮电出版社）\n\n[点击这里优惠购书](https:\u002F\u002Fitem.jd.com\u002F14447967.html)\n\n## 项目架构\n\n项目采用模块化设计，每个模块负责 RAG 系统的不同方面：\n\n| 模块 | 功能 | 技术栈 | 依赖 |\n|------|------|--------|------|\n| `00-简单RAG-SimpleRAG` | 基础 RAG 系统实现 | LangChain\u002FLlamaIndex | 基础环境 |\n| `01-数据导入-DataLoading` | 数据加载和预处理 | pandas, PyPDF2 | 文档解析库 |\n| `02-文本切块-DocChunking` | 文档分块策略 | LangChain Splitters | NLP 工具 |\n| `03-向量嵌入-Embedding` | 文本向量化 | HuggingFace, BGE | GPU 支持(可选) |\n| `04-向量存储-VectorDB` | 向量数据库操作 | Milvus, Chroma | 向量数据库 |\n| `05-检索前处理-PreRetrieval` | 检索优化 | Query Expansion | NLP 工具 |\n| `06-索引优化-Indexing` | 索引构建和优化 | 层次索引, 关键词索引 | 搜索引擎 |\n| `07-检索后处理-PostRetrieval` | 检索结果优化 | 重排序, 过滤 | ML 模型 |\n| `08-响应生成-Generation` | 答案生成 | LLM 集成 | GPU 推荐 |\n| `09-系统评估-Evaluation` | 系统性能评估 | RAGAS, TruLens | 评估框架 |\n| `10-高级RAG-AdvanceRAG` | 高级 RAG 技术实现 | Graph RAG, Multi-Agent | 高级框架 |\n\n## 环境要求\n\n### 硬件要求\n\n#### GPU 版本\n- NVIDIA GPU (建议 >= 8GB 显存)\n- CUDA 11.8 或更高版本\n- cuDNN 8.0 或更高版本\n\n#### CPU 版本\n- 建议 >= 16GB RAM\n- 多核处理器（建议 >= 4 核）\n\n### 软件要求\n\n#### 操作系统支持\n1. **Ubuntu **\n- 推荐使用 22.04 LTS\n\n1. **MacOS (Intel\u002FApple Silicon)**\n   - Apple Silicon 可以使用 MPS 加速\n\n2. **Windows 10\u002F11**\n   - 推荐使用 WSL2 + Ubuntu\n\n### 框架选择\n\n1. Python：3.10+\n2. LangChain 框架\n   - 基础版：`requirements_langchain_简单RAG(后续模块还要安装其它包).txt`\n   - 完整版（GPU）：`requirements_langchain_20250413(Ubuntu-with-GPU).txt`\n   - 完整版（CPU）：`requirements_langchain_无GPU版(Mac,Win).txt`\n\n3. LlamaIndex 框架\n   - 基础版：`requirements_llamaindex_简单RAG(后续模块还要安装其它包).txt`\n   - 完整版（GPU）：`requirements_llamaindex_20250413(Ubuntu-with-GPU).txt`\n   - 完整版（CPU）：`requirements_llamaindex_无GPU版(Mac,Win).txt`\n\n## 环境配置\n\n### Ubuntu (GPU 版本+LangChain框架)\n\n```bash\n# 创建虚拟环境\npython -m venv venv-rag-langchain\nsource venv-rag-langchain\u002Fbin\u002Factivate\n## 或者使用conda\nconda create -n venv-rag-langchain python=3.10.12\nconda activate venv-rag-langchain\n\n# 安装依赖\npip install -r 91-环境-Environment\u002Frequirements_langchain_20250413_Ubuntu-with-GPU.txt\n```\n\n### Ubuntu (CPU 版本+LangChain框架)\n\n```bash\n# 创建虚拟环境\npython -m venv venv-rag-langchain\nsource venv-rag-langchain\u002Fbin\u002Factivate\n## 或者使用conda\nconda create -n venv-rag-langchain python=3.10.12\nconda activate venv-rag-langchain\n\n# 安装依赖\npip install -r 91-环境-Environment\u002Frequirements_langchain_Ubuntu-with-CPU.txt\n```\n\n### MacOS\u002FWindows(CPU 版本+LangChain框架)\n```bash\n# 创建虚拟环境\npython -m venv venv-rag-langchain\n# Windows\n.\\venv-rag-langchain\\Scripts\\activate\n# MacOS\nsource venv-rag-langchain\u002Fbin\u002Factivate\n## 或者使用conda\nconda create -n venv-rag-langchain python=3.10.12\nconda activate venv-rag-langchain\n\n# 安装依赖\npip install -r 91-环境-Environment\u002Frequirements_langchain_无GPU版_Mac-Win.txt\n```\n\n### Ubuntu (GPU 版本+LlamaIndex框架)\n\n```bash\n# 创建虚拟环境\npython -m venv venv-rag-llamaindex\nsource venv-rag-llamaindex\u002Fbin\u002Factivate\n## 或者使用conda\nconda create -n venv-rag-llamaindex python=3.10.12\nconda activate venv-rag-llamaindex\n\n# 安装依赖\npip install -r 91-环境-Environment\u002Frequirements_llamaindex_20250413_Ubuntu-with-GPU.txt\n```\n\n### Ubuntu (CPU 版本+LlamaIndex框架)\n\n```bash\n# 创建虚拟环境\npython -m venv venv-rag-llamaindex\nsource venv-rag-llamaindex\u002Fbin\u002Factivate\n## 或者使用conda\nconda create -n venv-rag-llamaindex python=3.10.12\nconda activate venv-rag-llamaindex\n\n# 安装依赖\npip install -r 91-环境-Environment\u002Frequirements_llamaindex_Ubuntu-with-CPU.txt\n```\n\n### MacOS\u002FWindows(CPU 版本+LlamaIndex框架)\n```bash\n# 创建虚拟环境\npython -m venv venv-rag-llamaindex\n# Windows\n.\\venv-rag-llamaindex\\Scripts\\activate\n# MacOS\nsource venv-rag-llamaindex\u002Fbin\u002Factivate\n## 或者使用conda\nconda create -n venv-rag-llamaindex python=3.10.12\nconda activate venv-rag-llamaindex\n\n# 安装依赖\npip install -r 91-环境-Environment\u002Frequirements_llamaindex_无GPU版_Mac-Win.txt\n```\n\n## 特殊依赖说明\n\n1. PDF 处理相关：\n   - 使用 `requirements_camelot_20250413.txt` 安装 PDF 处理相关依赖\n   - 可能需要额外安装系统级依赖：\n     - Ubuntu: `sudo apt-get install ghostscript python3-tk`\n     - MacOS: `brew install ghostscript tcl-tk`\n     - Windows: 需要手动安装 Ghostscript\n\n2. 标注工具相关：\n   - 使用 `requirements_marker_20250413.txt` 安装标注工具相关依赖\n\n## 使用说明\n\n1. 选择合适的环境配置文件并安装依赖\n2. 按照模块顺序逐步学习和实践\n3. 每个模块都包含独立的示例和说明文档\n4. 建议先从 `00-简单RAG-SimpleRAG` 开始，逐步深入\n\n## 注意事项\n\n1. GPU 版本需要确保 CUDA 环境配置正确\n2. 不同操作系统可能需要额外的系统级依赖\n3. 建议使用虚拟环境管理依赖\n4. 部分模块可能需要额外的模型下载或 API 密钥配置\n\n## 常见问题\n\n1. CUDA 相关错误：检查 NVIDIA 驱动和 CUDA 版本是否匹配\n2. 内存不足：调整批处理大小或使用 CPU 版本\n3. 依赖冲突：使用虚拟环境并严格按照 requirements 文件安装\n\n## 贡献指南\n\n欢迎提交 Issue 和 Pull Request 来帮助改进项目。\n\n[![佳哥项目 Star History 趋势](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_rag-in-action_readme_57b5e4b0b728.png)](https:\u002F\u002Fwww.star-history.com\u002F#huangjia2019\u002Flangchain-in-action&huangjia2019\u002Fai-agents&huangjia2019\u002Flet-us-machine-learning&huangjia2019\u002Frag-in-action&huangjia2019\u002Fllm-gpt&Date)\n\n## 许可证\n\n本项目采用 MIT 许可证。","# rag-in-action 快速上手指南\n\n本项目是一个基于 DeepSeek 的 RAG（检索增强生成）系统实战代码库，涵盖从基础实现到高级优化的完整流程。本指南将帮助你快速搭建环境并运行第一个示例。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：\n  - Ubuntu 22.04 LTS（推荐，尤其是 GPU 版本）\n  - MacOS (Intel\u002FApple Silicon)\n  - Windows 10\u002F11（推荐使用 WSL2 + Ubuntu）\n- **Python 版本**：3.10 或更高\n- **硬件配置**：\n  - **GPU 版本**：NVIDIA GPU（显存 >= 8GB），CUDA 11.8+，cuDNN 8.0+\n  - **CPU 版本**：内存 >= 16GB，多核处理器（>= 4 核）\n\n### 前置依赖\n部分模块（如 PDF 处理）需要安装系统级依赖：\n- **Ubuntu**: `sudo apt-get install ghostscript python3-tk`\n- **MacOS**: `brew install ghostscript tcl-tk`\n- **Windows**: 需手动安装 Ghostscript\n\n## 安装步骤\n\n建议为项目创建独立的虚拟环境。以下以 **Ubuntu + LangChain 框架**为例，其他组合请参考项目根目录的 `requirements` 文件选择对应配置。\n\n### 1. 创建并激活虚拟环境\n\n**使用 venv:**\n```bash\npython -m venv venv-rag-langchain\nsource venv-rag-langchain\u002Fbin\u002Factivate\n```\n\n**或使用 Conda:**\n```bash\nconda create -n venv-rag-langchain python=3.10.12\nconda activate venv-rag-langchain\n```\n\n### 2. 安装项目依赖\n\n根据你的硬件环境选择对应的 requirements 文件进行安装。\n\n**方案 A：Ubuntu + GPU 加速**\n```bash\npip install -r 91-环境-Environment\u002Frequirements_langchain_20250413_Ubuntu-with-GPU.txt\n```\n\n**方案 B：Ubuntu\u002FCPU 或 MacOS\u002FWindows (无 GPU)**\n```bash\n# Ubuntu CPU 版\npip install -r 91-环境-Environment\u002Frequirements_langchain_Ubuntu-with-CPU.txt\n\n# MacOS\u002FWindows 版\npip install -r 91-环境-Environment\u002Frequirements_langchain_无GPU版_Mac-Win.txt\n```\n\n> **提示**：若需使用 LlamaIndex 框架，请将上述命令中的文件名替换为对应的 `requirements_llamaindex_*.txt` 文件。\n\n## 基本使用\n\n项目采用模块化设计，建议按照编号顺序由浅入深进行学习。\n\n### 1. 运行基础示例\n进入基础 RAG 模块目录，查看并运行示例代码：\n\n```bash\ncd 00-简单 RAG-SimpleRAG\n# 查看该目录下的示例脚本（具体文件名请以实际目录内容为准）\nls\npython simple_rag_demo.py \n```\n\n### 2. 进阶实践\n完成基础示例后，可依次探索以下核心模块：\n- **数据处理**：`01-数据导入-DataLoading` 和 `02-文本切块-DocChunking`\n- **核心组件**：`03-向量嵌入-Embedding` 和 `04-向量存储-VectorDB`\n- **优化策略**：`05-检索前处理` 至 `07-检索后处理`\n- **高级应用**：`10-高级 RAG-AdvanceRAG` (Graph RAG, Multi-Agent)\n\n每个模块均包含独立的示例代码和说明文档，请直接参考各文件夹内的具体实现。","某大型金融机构的知识库团队正试图构建一个内部智能问答系统，旨在帮助客户经理快速从数千页的合规文档和产品手册中检索准确信息。\n\n### 没有 rag-in-action 时\n- **检索精度低**：简单的关键词匹配无法理解复杂业务术语，导致用户查询“理财风险”时返回大量无关的通用定义，而非具体产品条款。\n- **回答幻觉严重**：由于缺乏系统的评估模块（如 RAGAS），生成的答案常编造不存在的政策细节，迫使人工复核成本极高。\n- **调优无从下手**：面对分块策略、嵌入模型选择等十大组件，团队只能凭感觉盲目尝试，无法定位是检索环节还是生成环节出了问题。\n- **落地周期漫长**：从零搭建端到端流程耗时数月，且难以针对不同业务场景（如信贷 vs 保险）进行定制化优化。\n\n### 使用 rag-in-action 后\n- **全链路精准掌控**：利用其模块化设计，团队针对性地优化了 `02-文本切块` 和 `05-检索前处理`，引入查询扩展技术，使相关文档召回率提升 40%。\n- **量化评估驱动迭代**：通过 `09-系统评估` 模块内置的 RAGAS 框架，实时监控答案忠实度与相关性，将幻觉率降低至 5% 以下。\n- **场景化定制高效**：基于 `10-高级 RAG` 中的多 Agent 架构，快速为信贷和保险部门分别构建了专属索引策略，实现了“面向业务做 RAG\"。\n- **研发效率倍增**：依托成熟的 DeepSeek 集成与实操项目模板，系统将原本数月的开发周期缩短至两周，并直接产出可落地的生产级代码。\n\nrag-in-action 通过将 RAG 全流程拆解为可度量的标准化组件，让企业能从“盲目试错”转向“数据驱动的精细化运营”，真正解决业务落地中的细节难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_rag-in-action_ba3e3419.png","huangjia2019","Jia Huang (黄佳)","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhuangjia2019_e31a3e7c.jpg","AI Engineer & Technical Author ——\r\nTurning LLM demos into real-world RAG and Agent systems.","A*STAR",null,"https:\u002F\u002Fgithub.com\u002Fhuangjia2019",[81,85],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",72.7,{"name":86,"color":87,"percentage":88},"Python","#3572A5",27.3,696,287,"2026-04-19T03:05:55","Linux, macOS, Windows","可选。如需 GPU 加速，需要 NVIDIA GPU（建议显存 >= 8GB），CUDA 11.8+，cuDNN 8.0+。Apple Silicon 可使用 MPS 加速。","建议 >= 16GB",{"notes":96,"python":97,"dependencies":98},"支持 Ubuntu (推荐 22.04 LTS)、MacOS (Intel\u002FApple Silicon) 和 Windows (推荐 WSL2 + Ubuntu)。PDF 处理需额外安装系统级依赖（如 Ghostscript）。建议使用虚拟环境 (venv 或 conda) 管理依赖，并根据硬件选择对应的 requirements 文件（GPU 版或 CPU 版）。部分模块可能需要下载模型或配置 API 密钥。","3.10+",[99,100,101,102,103,104,105,106,107,108],"LangChain","LlamaIndex","pandas","PyPDF2","HuggingFace","BGE","Milvus","Chroma","RAGAS","TruLens",[14,15,13,35],[111,112,113,114],"agent","ai","llm","rag","2026-03-27T02:49:30.150509","2026-04-20T04:08:05.847991",[],[]]