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。

• 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。

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

• 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。

扫描下方二维码关注公众号：Datawhale

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。