Production Agentic RAG Course：用完整项目学习生产级智能检索系统
一分钟看懂
这是一个为期七周的免费实践课程与配套代码库，围绕论文检索场景逐步搭建生产级 RAG 系统。RAG 指“检索增强生成”，即先从资料中找出相关内容，再让大模型基于这些内容回答；课程后半段进一步加入智能体决策、监控、缓存和 Telegram 交互。
你可以用它做什么
- 跟随每周 Notebook 学习从数据采集到智能体 RAG 的完整过程。
- 运行一个面向 arXiv 论文的搜索和问答系统。
- 实践关键词与向量混合检索、查询改写和文档相关性判断。
- 为 RAG 服务加入缓存、链路追踪、性能监控和流式响应。
- 参考现成架构搭建自己的生产级 AI 检索应用。
主要能力
- 使用 Airflow 采集和处理论文数据，并存入 PostgreSQL。
- 通过 OpenSearch 组合 BM25 关键词检索与向量检索。
- 使用 Ollama 在本地运行大模型，并通过 FastAPI 和 Gradio 提供接口与界面。
- 集成 Redis 缓存和 Langfuse 可观测性。
- 以 LangGraph 编排防护、检索、评分、改写与生成节点，并提供 Telegram Bot 示例。
适合哪些人
适合希望从教程原型进阶到完整 AI 系统的机器学习工程师、软件工程师和数据科学家。学习者最好具备 Python、Docker 和基本数据库使用经验。
怎么开始使用
官方建议先安装 Docker、Python 3.12、UV 和 Make，然后克隆仓库、复制 .env.example 为 .env，运行 make setup 和 make start。课程从第一周 Notebook 开始，后续各周在同一套项目上逐步增加功能。
使用前需要知道
完整环境包含 PostgreSQL、OpenSearch、Airflow、Ollama、Redis 和 Langfuse，对内存与磁盘有一定要求，并可能占用多个本地端口。第四周后的混合检索需要 Jina API 密钥，Telegram 与部分云模型属于可选集成，可能产生外部费用。它是学习项目而非托管服务，生产使用前仍需自行评估安全、扩展性和运维方案。代码采用 MIT 许可证。