production-agentic-rag-course：零基础到生产级 RAG 系统的实战课程
你是否也厌倦了网上那些“截个架构图、调个向量数据库”就宣称教会你 RAG 的教程？真正生产级的检索增强生成系统，远不止向量相似度搜索这么简单。production-agentic-rag-course 正是为打破这种“纸上谈兵”而生的开源实战课程。它也是一门基于 Python 的沉浸式项目课，带你用 7 周时间从零搭建一套完整的“arXiv 论文智能策展助手”系统——从基础设施、数据管道、BM25 关键词搜索、混合检索，一路演进到具备决策能力的 Agentic RAG，并最终通过 Telegram 机器人提供移动端访问。
截至收录：
production-agentic-rag-course stars数：8343
production-agentic-rag-course forks数：1857
production-agentic-rag-course项目目录截图
production-agentic-rag-course核心亮点
🌟 亮点一：渐进式学习路径，每周一个里程碑
课程按周拆分为 7 个阶段，从 Week 1 的 Docker、FastAPI、PostgreSQL、OpenSearch、Airflow 基础设施，到 Week 7 的 LangGraph Agentic RAG + Telegram 机器人。每阶段都附带可运行的代码、对应博客和 Notebook，真正做到了“周周有产出，步步可落地”。
🌟 亮点二：搜索优先的专业理念
课程反其道而行，不直接跳到向量检索，而是先扎实地实现 BM25 关键词搜索、OpenSearch 索引管理、Query DSL 过滤与排序；在此基础上再引入 Jina AI 嵌入、智能分块与 RRF 融合混合检索。这种“搜索基础优先，AI 增强在后”的思路，正是大型生产系统普遍采用的可靠路径。
🌟 亮点三：会“思考”的 Agentic RAG
通过 LangGraph 构建具有守卫机制、文档相关性评分、查询改写和自适应重试的智能检索流程。系统能自动判断用户问题是否超出领域范围，避免幻觉；当首轮检索结果不足时，还会自己改写查询并再次尝试，让 RAG 从“机械拼接”进化为“主动推理”。
🌟 亮点四：生产级技术栈全覆盖
项目完整集成了 FastAPI、PostgreSQL、OpenSearch、Apache Airflow、Redis、Langfuse、Ollama 和 Telegram Bot。从数据自动抓取、混合检索、本地 LLM 推理、流式响应，到端到端链路追踪、缓存加速与移动端访问，几乎覆盖了企业级 AI 应用的每个关键环节。
🌟 亮点五：零成本本地运行，上手门槛低
整套系统都可通过 Docker Compose 在本地启动，并使用 Ollama 加载本地大模型，默认无需任何云服务费用。你只需要一台 8GB+ 内存的电脑，即可开始完整的学习与实验旅程。
production-agentic-rag-course快速开始
只需三步，你就能在本地启动整个课程项目：
- 安装与配置：
“`bash
# 克隆仓库
git clone https://github.com/jamwithai/production-agentic-rag-course.git
cd production-agentic-rag-course
# 复制环境变量模板
cp .env.example .env
# 安装 Python 依赖（使用 UV）
uv sync
“`
- 运行你的第一个命令：
“`bash
# 启动所有服务（FastAPI、OpenSearch、PostgreSQL、Airflow 等）
docker compose up –build -d
# 检查系统健康状态
curl http://localhost:8000/api/v1/health
“`
- 查看示例 — 打开 Week 1 学习笔记：
bash
uv run jupyter notebook notebooks/week1/week1_setup.ipynb
运行后，你会看到一个完整的架构验证清单，跟着 Notebook 走完即可确认所有基础设施正常工作。
production-agentic-rag-course应用场景
场景一：学术研究助手
研究者可以使用该系统自动抓取并解析 arXiv 论文，存入本地数据库；随后通过自然语言询问“最近关于注意力机制有哪些重要改进？”系统会从已经索引的论文中检索相关内容，并结合本地 LLM 生成带有上下文依据的回答。Week 7 加入的 Telegram 机器人，更让你在手机上就能随时追问研究问题。
场景二：企业私域知识库问答系统
课程中处理论文的完整管道完全可以迁移到企业内部文档、合同、工作报告等领域。只需替换数据源和索引映射，就能获得一套支持混合检索、可观测性追踪、缓存加速的私有化 RAG 问答系统，适合构建客服助手、内部知识检索、合规审查工具等。
场景三：AI 团队内部培训与实战练兵
对于想要建立 AI 工程能力的团队，这个项目可以作为结构化的内部培训教材。每周一个主题，从 Docker、Airflow、OpenSearch 等基础设施到 LangGraph Agentic RAG，循序渐进地打造团队的全栈 AI 工程能力。
用户案例：目前，该项目已获得超过 8300 个 Star 和 1800 个 Fork，是 RAG 学习社区中备受关注的实战型开源课程之一。许多开发者正通过它从理论走向工程实践，并将其中混合检索、缓存、监控等模式复用到自己的业务系统中。
production-agentic-rag-course连接
仓库地址：https://github.com/jamwithai/production-agentic-rag-course
jamwithai / production-agentic-rag-course项目地址：https://github.com/jamwithai/production-agentic-rag-course
本文地址：https://www.tgoos.com/45785
