向量检索与 RAG 实践：技术、实现与应用

本项目旨在创建一个全面、易于理解的向量检索 + RAG 教程，它将覆盖从基础理论、核心技术到实战应用的各个方面。教程将通过详细的解释、实例和实践案例，帮助初学者、研究人员以及应用人员深入理解并有效地使用向量检索技术。

下图是机器之心联合 Datawhale 和向量检索实验室一起出品的向量数据库知识图谱，让大家初步了解一下向量检索领域。

项目受众

• 初学者，希望从基础了解向量检索以及 RAG。
• 相关领域的研究人员，需要了解最新技术和应用。
• 应用人员，需要实际开发 RAG 应用同时应用向量检索技术。

目录

---

上篇：向量检索基础

---

• 第一章：引言
  • 1.1 什么是向量检索
  • 1.2 向量检索的基本概念
  • 1.3 向量检索为什么重要
  • 1.4 向量检索的应用场景
  • 1.5 关键词检索与向量检索的原理对比
• 第二章：向量技术
  • 2.1 Embedding 的定义
  • 2.2 为什么需要 Embedding
  • 2.3 NLP 中经典的 Embedding 算法
  • 2.4 大模型时代下的 Embedding 算法
• 第三章：向量索引技术
  • 3.1 向量索引的基本概念
  • 3.2 向量索引的评估指标
  • 3.3 常见的向量索引方法
    • 2.2.1 基于量化的向量索引方法
    • 2.2.2 基于哈希的向量索引方法
    • 2.2.3 基于树的向量索引方法
    • 2.2.4 基于图的向量索引方法
    • 2.2.5 基于混合的向量索引方法
• 第四章：向量查询与优化
  • 4.1 向量查询方法概述
  • 4.2 k近邻查询
  • 4.3 范围查询
  • 4.4 混合查询
  • 4.5 多向量查询
  • 4.6 查询优化
• 第五章：向量检索软硬件协同优化
  • 5.1 CPU 优化策略
  • 5.2 FPGA 架构与向量检索
  • 5.3 近数据处理架构
• 第六章：系统实现与应用
  • 6.1 向量数据库系统概述
  • 6.2 如何实现使用文本搜索图片
  • 6.3 向量检索在实际应用中的案例研究

---

下篇：检索增强生成（RAG）实战

---

• 第七章：检索增强生成（RAG）基础
  • 7.1 什么是RAG
  • 7.2 RAG 的关键概念与流程
  • 7.3 RAG 的优势与挑战
• 第八章：RAG 的实现技术
  • 8.1 RAG 系统的技术栈
  • 8.2 基于 Langchain 的 RAG 实现
  • 8.3 基于 Ragas 的 RAG 评价体系构建
• 第九章：RAG 实战与优化
  • 9.1 RAG 系统构建指南
  • 9.2 数据集构建与管理
  • 9.3 从向量检索到 RAG 的综合优化技巧
  • 9.4 RAG 在实际应用中的案例研究
• 第十章节：未来展望和挑战
• 第十一章：结语

参与贡献

• 如果你想参与到项目中来欢迎查看项目的 Issue 查看没有被分配的任务。
• 如果你发现了一些问题，欢迎在 Issue 中进行反馈🐛。

如果你对 Datawhale 很感兴趣并想要发起一个新的项目，欢迎查看 Datawhale 贡献指南。

贡献者名单

姓名	职责	简介
苏鹏	项目负责人	Datawhale成员
李剑楠	项目主要贡献者	华东师范大学硕士
向隆	项目主要贡献者	南方科技大学博士
王泽宇	项目主要贡献者	复旦大学博士
王梦召	项目主要贡献者	浙江大学博士
田冰	项目主要贡献者	华中科技大学博士
韩颐堃	项目主要贡献者	Datawhale成员

关注我们

LICENSE

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。