All RAG Techniques

检索增强生成（Retrieval-Augmented Generation, RAG）是当前大模型应用中最具实用价值的技术之一。它通过将外部知识库引入生成流程，显著提升了模型回答准确性与上下文相关性。

本项目提供了一套完整的 RAG 技术学习资源库，涵盖从基础实现到高级技巧共 20+ 种方法，每种技术都配有独立的 Jupyter Notebook 文件，包含详细代码示例和讲解，适合从零入门到深入理解 RAG 的原理与应用。

🎯 项目亮点

• 无需依赖复杂框架：不使用 LangChain 或 FAISS 等封装库，全部基于 Python 常用库（如 openai、numpy、matplotlib）构建。
• 注重基础原理：帮助你真正理解嵌入、向量存储、余弦相似度、分块、检索、生成和评估等核心概念。
• 可读性强：所有代码都带有内联注释，便于阅读、修改和扩展。
• 可视化辅助：每个技术点均配有图表展示效果，提升学习效率。
• 持续更新：不断加入新方法和实验思路，保持内容前沿性。

📦 内容概览

✅ 核心模块说明

🔬 更新日志

• 2025年5月12日：新增“使用知识图谱处理大数据”的 Notebook
• 2025年4月27日：新增“最佳 RAG 查找器”——结合重排序与查询改写寻找最优策略
• 2025年3月20日：新增“强化学习 RAG”实现
• 2025年3月7日：新增 20 种 RAG 技术实现

🧪 学习路径建议

如果你是 RAG 新手，推荐按如下顺序学习：

1. 简单 RAG
2. 语义分块
3. 查询转换
4. 重排序器
5. 自监督 RAG
6. 图 RAG / 层次化 RAG

随着理解加深，你可以尝试：

• 结合多个技术形成复合型 RAG 系统
• 探索多模态检索的应用场景
• 实现动态调整的自适应 RAG 流程

📁 项目结构说明

本项目采用模块化设计，每个 .ipynb 文件专注于一种 RAG 技术，结构统一：

• 技术要点解释：简明扼要介绍该方法的核心思想
• 逐步实现：从数据预处理到最终生成答案，全过程代码演示
• 代码注释详尽：每一步都有清晰注释，便于理解与调试
• 结果评估与可视化：对比不同方法的效果差异