Advanced RAG：10 个 Notebook 带你从入门到精通 RAG Agent

一封来自老股民的"AI 求助信"——为什么 RAG 突然火了？

老张是个有 20 年股龄的老股民，每天盯着 K 线看到凌晨两点。2024 年初，他听说了 AI 大模型，想让 AI 帮他分析持仓股票的消息舆情。他试着把一篇研报扔给 ChatGPT，得到的回答却让人哭笑不得——AI 把 2022 年的旧闻当成了最新消息，还在分析一个早已退市的公司。

"这东西根本不知道我的持仓是什么！"老张向邻居小王抱怨。

小王笑了："你得给它接上'实时知识库'，这叫 RAG。"

RAG（检索增强生成） 是当前大模型落地最核心的技术路径之一。它的本质很简单：不让 AI 凭空编造答案，而是先从知识库中检索相关内容，再让大模型基于检索结果作答。就像写论文必须先查文献，而不是凭空臆造。

今天要介绍的这个开源项目——Advanced RAG，就是一套由浅入深、纯 Notebook 驱动的 RAG 实战教程。它用 10 个 Jupyter Notebook，覆盖了从最基础的 RAG 流程到最前沿的 Agentic RAG 的完整知识图谱。

图：RAG 系统的基本工作流程——用户提问 → 检索 → 生成回答

项目背景：RAG 的进化史，就是大模型落地的进化史

Advanced RAG 的作者 Gurpreet Kaur Jethra 是一名活跃在 AI 开发者社区的技术作者，项目于 2024 年 4 月创建，目前拥有 110 颗 GitHub Stars 和 28 个 Fork。

项目的定位非常明确：通过可运行的代码 Notebook，把 RAG 的每一种进阶技术讲清楚。不同于很多只放 PPT 截图的"课程"，Advanced RAG 的每一个知识点都配有完整可执行的代码，读者打开 Notebook 就能跑。

项目标签涵盖当前 AI 领域最热门的关键词：genai、langchain、llama3、llm、agent、chatgpt，定位直指 GenAI 应用开发者群体。

图：Advanced RAG 的技术组件全景，涵盖从查询改写到答案生成的完整链路

核心技术：Notebook 拆解，10 步搭建 RAG 能力

项目的核心价值在于它系统性地覆盖了 RAG 技术的演进路径。让我们逐个 Notebook 来看：

Notebook 01：RAG 入门——理解基本原理

第一个 Notebook 从最基础讲起：什么是 RAG，为什么需要 RAG，RAG 和 Fine-tuning 的区别是什么。它构建了一个最简单的 RAG 流程——文档切片、向量化、相似度检索、Prompt 组装、模型生成。这个基础框架是后续所有高级技术的底层依托。

Notebook 02-03：查询改写与智能路由

这是高级 RAG 的第一道门槛。当用户输入口语化或模糊的查询时，直接检索往往找不到最相关的内容。Advanced RAG 通过 Query Transformation（查询改写）技术解决这个问题——将复杂查询拆解为多个简单查询（Multi-Query），或者将模糊查询改写为更精确的形式。

图：Multi Query Retriever 通过多路检索提升召回率

在此基础上，Notebook 03 介绍了 Routing（路由）——根据查询类型自动决定调用哪个数据源。比如"最新财报"走财经数据库，"技术文档"走代码知识库，"闲聊"直接走 LLM 不走 RAG。

Notebook 04：向量数据库与索引优化

这一章是 RAG 的"基础设施"核心。Notebook 04 深入讲解了如何选择向量数据库（ChromaDB、FAISS、Pinecone 等），以及如何做索引优化——包括块大小选择、重叠策略、元数据过滤等。索引质量直接决定了检索的召回率和精确率，是 RAG 系统的性能瓶颈所在。

Notebook 05：高级检索机制

基础检索依赖向量相似度，但相似度不等于相关性。Advanced RAG 介绍了 ColBERT 等 late interaction 检索模型——它们在索引阶段只做轻量级编码，检索时才做精细的词级匹配，兼顾效率和精度。

Notebook 06-07：自我反思与 Agentic RAG

从第 6 个 Notebook 开始，项目进入了 RAG 演进的下一个阶段。

Self-Reflection RAG 让模型在生成答案后，主动检查答案是否充分、是否有遗漏，并驱动二次检索来补全信息。这解决了 RAG 最大的痛点——"答非所问"。

图：Self-Reflection RAG 通过反思机制驱动迭代检索

Agentic RAG 则更进一步——引入 LangChain Agent，让 RAG 流程本身变成一个可以自主决策的智能体。Agent 可以决定是否需要检索、检索哪个数据源、是否需要多次检索、答案是否需要补充。

图：Agentic RAG 中 Agent 自主调度各工具模块

Notebook 08-09：自适应与纠错型 RAG

Adaptive RAG 根据查询的复杂度动态调整检索策略——简单问题直接回答，复杂问题走多步推理和迭代检索。Corrective RAG 则引入了结果验证机制：生成答案后，用另一个模型验证答案是否与检索内容一致，不一致则重新检索。

图：Corrective RAG 通过纠错机制保证答案质量

Notebook 10：本地 Llama3 Agentic RAG

这是整个系列最"硬核"的一章——不再依赖 OpenAI API Key，而是使用本地部署的 Llama 3 来驱动整个 RAG 流程。项目演示了如何在消费级 GPU（或者通过 Ollama）上运行开源大模型，并用它构建完整的 Agentic RAG 系统。

图：Llama3 Agentic RAG 本地化部署架构

上手体验：门槛低，但需要一些基础

Advanced RAG 的受众定位相对清晰：具备 Python 基础的 AI 开发者。你不需要懂大模型训练，但需要熟悉 Pandas、API 调用等基础知识。

所有 Notebook 都在 Google Colab 或本地 Jupyter 中可直接运行，依赖库以 LangChain 和 OpenAI SDK 为主。对于中国开发者来说，主要门槛在于 OpenAI API Key 的获取——项目在 Notebook 10 中已提供 Llama3 本地化替代方案，降低了对 OpenAI 的依赖。

优点：

• 知识体系完整，从基础到 Agentic 形成闭环
• 每个知识点都有可运行代码，不是空谈
• 架构图丰富，图文并茂便于理解
• 技术栈主流，LangChain + Llama3 + OpenAI

局限：

• 缺少视频/互动教程，纯文字代码学习曲线较陡
• 无 Web UI，需要一定的 Python 环境配置能力
• 部分 Notebook 依赖商业 API（OpenAI），有一定使用成本
• 无容器化支持，部署需要手动配置环境

行业意义：RAG 知识体系的"百科全书"

从行业角度看，Advanced RAG 的价值在于它填补了一个重要的学习空白——RAG 进阶技术的系统性中文/英文教程。

当前 RAG 相关的开源项目要么过于基础（只讲向量检索），要么过于垂直（只做某个特定场景的 RAG），鲜少有项目像 Advanced RAG 这样，从 Query Transformation 到 Agentic RAG 到 Corrective RAG，形成一条完整的技术演进路径。

110 颗 Stars 虽不算高，但考虑到项目的受众相对垂直（主要是 AI 应用开发者），且几乎所有 Star 都是真实开发者（项目以代码为核心，无刷星动机），这个数字含金量不低。项目在 GitHub Trending 上也有多次露面，被多个 AI 开发者社区转载。

图：Adaptive RAG Agent 根据查询复杂度动态选择检索策略

结语

回到老张的故事。小王用 Advanced RAG 的 Notebook 07 给他搭了一个"股票舆情 Agentic RAG"——自动从财经新闻、研报、社交媒体多路检索，结合持仓信息生成投资参考。老张试用了一周，虽然 AI 不能预测股价，但至少不会再把退市公司的新闻当成最新消息了。

RAG 不会让 AI 变得全知全能，但它让 AI 的回答变得更可靠、更有依据。Advanced RAG 这套 Notebook，就是你搭建可靠 RAG 系统最好的起点。