Production Agentic RAG Course Vibe 项目

项目简介

Production Agentic RAG Course 是由 jamwithai 开源在 GitHub 上的实战型 AI 工程课程项目，近日登上 GitHub Trending 榜。课程以"从零构建一套完整的 AI 研究助理系统"为主线，带领学员亲手实现 ArXiv Paper Curator——一个能自动抓取学术论文、解析内容并回答研究问题的生产级检索增强生成（RAG）系统。与市面那些直接跳进向量搜索的教程不同，该项目坚持专业路径：先打牢关键词搜索基础，再叠加向量语义形成混合检索，完整复现真实企业中构建 RAG 系统的方式。全部代码按周次以 Release 形式开放，配套逐周深度技术博客，学完即可拥有一个可运行的 AI 研究助手和一套可迁移的生产级 RAG 工程能力。

核心功能

• 7 周渐进式课程结构，每周发布可直接克隆运行的代码版本（week1.0 至 week7.0）
• 完整生产级技术栈：Docker、FastAPI、PostgreSQL、OpenSearch 与 Airflow 数据编排
• BM25 关键词搜索、智能分块与向量语义相结合的混合检索，支持过滤与相关性评分
• 本地 LLM 驱动的完整 RAG 管道：流式响应输出 + Gradio 可视化交互界面
• LangGraph 智能体 RAG：文档评分、查询改写、域外护栏与完整推理链追踪
• 生产级可观测性：Langfuse 全链路追踪 + Redis 缓存优化，并提供 Telegram Bot 移动端接入

技术实现

系统底层是一套容器化的多服务架构：Docker Compose 一键拉起 FastAPI 应用服务、PostgreSQL 元数据库、OpenSearch 检索引擎与 Airflow 调度器，构成数据管道的基础设施。数据层由 Airflow 编排的管道自动从 arXiv API 抓取论文并解析入库；检索层遵循"搜索优先"的工程哲学，先用 OpenSearch 实现生产级 BM25 关键词检索（含过滤与打分），再引入智能分块策略与向量 Embedding，构成关键词加语义的混合召回。RAG 主管道随后打通：本地 LLM 接收检索结果生成回答，以流式方式输出，并通过 Gradio 提供交互界面。生产要件在第六周补齐——Langfuse 全链路追踪记录每一次检索与生成，Redis 缓存热点查询降低响应延迟。第七周升级为 Agentic RAG：LangGraph 工作流让智能体自主评估检索结果质量，必要时改写查询重新检索，对域外问题启用护栏拦截幻觉，并把每一步推理过程透明记录，最后通过 Telegram Bot 把这套系统延伸到移动端，实现随时随地的对话式科研检索。

课程结构

• 第 1 周：基础设施奠基（Docker、FastAPI、PostgreSQL、OpenSearch、Airflow）
• 第 2 周：数据接入管道（arXiv 论文自动抓取与解析）
• 第 3 周：OpenSearch 写入与 BM25 关键词检索
• 第 4 周：智能分块策略与混合检索
• 第 5 周：完整 RAG 系统（本地 LLM、流式输出、Gradio 界面）
• 第 6 周：生产监控与缓存（Langfuse 追踪、Redis 加速）
• 第 7 周：Agentic RAG 与 Telegram Bot 移动接入

快速上手

1. 克隆仓库：执行 git clone https://github.com/jamwithai/production-agentic-rag-course，进入 arxiv-paper-curator 目录
2. 配置环境：执行 cp .env.example .env，填入 Jina Embeddings 免费 API Key 与 Langfuse 密钥（默认配置开箱即用）
3. 安装依赖：执行 uv sync（需预先安装 Python 3.12+、UV 包管理器与 Docker Desktop，建议 8GB 以上内存）
4. 启动服务：执行 docker compose up --build -d，一键拉起全部服务
5. 验证与学习：访问 http://localhost:8000/docs 查看 API 文档，用 curl 检查健康状态后，按周次 Release 逐步展开学习

适用人群

面向 AI 工程师、后端开发者、数据工程师，以及希望系统掌握生产级 RAG 与智能体构建技术的计算机专业学生和自学者。建议具备 Python 基础，拥有一台 8GB 以上内存的开发机；特别适合正在为企业搭建知识检索、智能问答系统的技术团队，作为可直接参考的工程架构范本。