RAG（检索增强生成）是当前 AI 应用里最常用的一项技术：让大模型在回答问题前，先从自己的资料库里检索相关内容，再基于这些资料作答，从而减少凭空编造。如果你想把 RAG 真正部署到生产环境，而不是停留在跑通 Demo，GitHub 上这个 8.9k Star 的开源课程 production-agentic-rag-course 是目前少见的完整路线图。

这个课程是什么

production-agentic-rag-course 是一个完全免费的开源教程仓库（MIT 协议），由两位 AI 工程师 Shirin Khosravi Jam 和 Shantanu Ladhwe 维护。课程用 8 周时间从零搭建一套「arXiv 论文研究助手」：自动抓取学术论文、解析 PDF、建立索引，然后支持你用自然语言提问，系统从论文库里检索并给出带依据的回答。

课程结束时，你得到的是一套可以真实运行的生产级系统，而不是教学玩具。 它属于作者规划的「The Mother of AI Project」母项目第一阶段，后续还有更多阶段内容。

适合谁：想系统学习 RAG 的 AI/ML 工程师、想独立搭建 AI 应用的软件工程师、需要落地检索系统的数据科学家。前提是熟悉 Python 基础、会用 Docker。

8 周路线：从基础设施到智能体

课程每周产出一个可运行的里程碑，每个阶段有对应的代码版本（仓库共 7 个 release，从 week1.0 到 week7.0）：

  • 第 1 周 · 基础设施：用 Docker Compose 一键拉起 FastAPI（Python 的 Web 框架）、PostgreSQL 16（关系型数据库）、OpenSearch 2.19（开源搜索引擎）、Airflow 3.0（工作流调度器）和 Ollama（本地运行大模型的工具，数据不出本机）。
  • 第 2 周 · 数据摄入：对接 arXiv 论文库官方 API（带限速和重试），用 Docling 把 PDF 解析成结构化文本，存入数据库。
  • 第 3 周 · 关键词检索：实现 BM25 算法——搜索引擎常用的相关度打分方法，按词频等特征给文档排序，这是后续一切检索的地基。
  • 第 4 周 · 混合检索：把文档切成小块，用 Jina AI 生成向量嵌入（把文字变成一串数字，让机器按「意思相近」而非「字面相同」来查找），再用 RRF 融合算法把关键词结果和语义结果合并。
  • 第 5 周 · 完整 RAG 管线：接入本地大模型，支持流式回答（SSE 技术，像聊天一样逐字输出），配 Gradio 网页界面；通过优化提示词把大模型调用量削减 80%、响应提速 6 倍。
  • 第 6 周 · 监控与缓存：用 Langfuse 做全链路追踪（观察每一次检索和回答的质量），用 Redis 缓存重复查询，作者宣称最高带来 150-400 倍提速。
  • 第 7 周 · Agentic RAG（智能体式检索）：用 LangGraph（编排 AI 多步流程的框架）让系统具备判断力——先评估问题是否越界，检索结果不够就自动改写查询再试，返回前给答案做相关度评分，并接入 Telegram 机器人，让你在手机上随时提问。

方法论：先打牢搜索地基，再上 AI

与多数只讲向量检索的教程不同，这个课程有明显的方法论立场：先做扎实的关键词搜索，再做语义增强，而不是跳过搜索基础直接上大模型。它按成熟公司搭建检索系统的真实顺序推进——搜索地基加 AI 增强，这也是它自称「生产级」的底气所在。

上手成本

课程完全免费，代码全部在公开仓库（MIT 协议），本地运行成本为 0；若选择外部大模型 API，约 2-5 美元。硬件门槛：8GB 以上内存、20GB 以上磁盘，安装 Docker Desktop 即可。仓库共 39 次提交、2 位贡献者，最新的 week7.0 版本发布于 2025 年 11 月 26 日，仍处于活跃维护状态。

结论

如果想学的是「能上生产的 RAG」而不是「能跑通的 Demo」，这个仓库是目前开源社区里路线最完整、最贴近企业实践的免费课程之一。8 周后你不仅拥有一套论文研究助手，还掌握了从检索、增强到智能体的完整技术栈。