学习资料：https://github.com/datawhalechina/all-in-rag
RAG简介
一、什么是RAG？
1.1 核心定义
- 定义：RAG（检索增强生成）是融合信息检索与文本生成的技术范式。
- 核心逻辑：在大型语言模型（LLM）生成文本前，先从外部知识库检索相关信息，再将检索结果融入生成过程，以提升输出的准确性与时效性。
- 本质 ：在LLM生成文本之前，先从外部知识库中检索相关信息，作为上下文辅助生成更准确的回答
1.2 技术原理
- 双阶段架构：
1.3 技术演进分类
二、为什么要使用RAG？
2.1 解决LLM的核心局限
2.2 关键优势
2.3 适用场景风险分级
三、如何上手RAG？
3.1 基础工具链选择
3.2 四步构建最小可行系统（MVP）
3.3 新手友好方案
3.4 进阶调优方向
准备工作
一、整体说明
- 环境类型：主推 2 种浏览器端集成开发环境（适配手机 / 平板 / 电脑，移动设备体验有限但可用），另附 Windows 本地配置及项目代码拉取步骤（用前两种云端环境可跳过）。
- 前置要求：需先申请 Deepseek API Key，再进行对应环境配置。
二、关键前置：Deepseek API 配置
- 申请步骤：访问 Deepseek 开放平台 → 登录 / 注册账号 → 进入 "API Keys" 创建密钥（命名需唯一）→ 立即复制保存密钥（仅显示 1 次，关闭后无法查看）。
三、浏览器端环境配置（核心步骤）
1. GitHub Codespaces（推荐，需流畅访问 GitHub）
| 配置阶段 | 关键操作 |
|---|---|
| 2.1 创建环境 | 访问all-in-rag项目 → 点击 "Fork" 创建分支 → 点击 "Code"→"Codespaces"→"New codespace"；后续从个人仓库重新进入 |
| 2.2 Python 环境 | 终端执行sudo apt update/upgrade→ 下载安装 Miniconda（默认路径，同意初始化）→ 验证conda --version |
| 2.3 API 配置 | vim ~/.bashrc→ 编辑模式添加export DEEPSEEK_API_KEY=[密钥]→ 保存退出→source ~/.bashrc生效 |
| 2.4 虚拟环境 | conda create -n all-in-rag python=3.12.7→ 激活conda activate all-in-rag→ 进入code目录执行pip install -r requirements.txt（grpcio 版本错可忽略） |
2. Cloud Studio（国内推荐，50 小时免费 / 月）
| 配置阶段 | 关键操作 |
|---|---|
| 3.1 创建应用 | 访问 Cloud Studio→ 登录→"创建应用"→"从 Git 仓库导入"（输入项目地址）；后续从 "应用管理" 进入 |
| 3.2 Python 环境 | 终端执行sudo apt update/upgrade→ 切换su ubuntu→ 同上述 Miniconda 安装步骤 |
| 3.3 API 配置 | 同 GitHub Codespaces 的 API 配置步骤 |
| 3.4 虚拟环境 | 同上述虚拟环境步骤，额外执行sudo chown -R ubuntu:ubuntu code models配置文件权限 |
四、Windows 本地配置（可选，云端环境可跳过）
- API 配置 ：右键 "此电脑"→"属性"→"高级系统设置"→"环境变量"→ 新建用户变量（名：
DEEPSEEK_API_KEY，值：个人密钥）。 - Miniconda 安装 ：从清华镜像站下载 Windows 版→ 按向导安装（选 "Just Me"，不勾选添加 PATH）→ 手动配置系统变量 "Path"，新增 Miniconda 安装目录及
Scripts、Library\bin路径。 - Conda 镜像源 ：终端执行命令添加清华镜像（
conda config --add channels ...），加快安装速度。
五、项目代码拉取（云端环境可跳过）
- 安装 Git ：Windows 从官网下载，macOS 用
brew install git，Linux 用sudo apt-get install git，验证git --version。 - 克隆代码 ：终端进入目标目录→ 执行
git clone https://github.com/datawhalechina/all-in-rag.git→ 进入项目目录cd all-in-rag。 - 虚拟环境：同上述 "创建并激活虚拟环境 + 依赖安装" 步骤。