9.4K+ Star！ production-agentic-rag-course：从零构建生产级RAG系统的实战教程

production-agentic-rag-course简介

AI/ML

这是一个面向开发者的实战课程项目，通过7周渐进式学习，引导开发者从零搭建一个基于arXiv学术论文的AI研究助手。主要解决许多RAG教程直接跳到向量搜索而忽略了工程基础，导致系统难以投入生产。

它采用“先打地基再建高楼”的专业路径，从基础设施搭建、数据管道、BM25关键词检索起步，逐步演进到混合检索、完整RAG流水线、生产监控缓存，最终实现基于LangGraph的智能体RAG与Telegram机器人集成，帮助开发者掌握企业级AI应用的完整工程能力。

亮点特性

使用场景

使用环境

快速上手

环境要求

• Docker Desktop（含 Docker Compose）
• Python 3.12+
• UV 包管理器
• 8GB+ 内存，20GB+ 磁盘空间

安装与启动

# 1. 克隆仓库
git clone https://github.com/jamwithai/production-agentic-rag-course.git
cd arxiv-paper-curator

# 2. 配置环境变量
cp .env.example .env
# 按需填入 Jina API Key（第4周起需要）、Telegram Bot Token（第7周需要）等

# 3. 安装依赖
uv sync

# 4. 启动所有服务
docker compose up --build -d

# 5. 验证运行状态
curl http://localhost:8000/api/v1/health

按周学习特定阶段代码

# 例如只获取第4周（混合检索）的代码
git clone --branch week4.0 https://github.com/jamwithai/arxiv-paper-curator
cd arxiv-paper-curator
uv sync
docker compose down -v
docker compose up --build -d

核心服务访问地址

• API 文档
  ：http://localhost:8000/docs
• Gradio 对话界面
  ：http://localhost:7861（第5周起）
• Langfuse 监控面板
  ：http://localhost:3000（第6周起）
• Airflow 工作流管理
  ：http://localhost:8080
• OpenSearch 控制台
  ：http://localhost:5601

日常开发命令

make start # 启动所有服务
make health # 检查服务健康状态
make test     # 运行测试
make stop # 停止服务

替代方案

相关资源