实践 Advanced RAG

欢迎来到 Advanced RAG 实践部分！本目录包含实际的实现案例和动手教程，帮助你将 RAG 理论转化为实际应用。

学习路径

建议按照以下顺序学习：

1. 基础实践：Milvus BM25 混合检索 - 掌握混合搜索的实现
2. 模型实践：Qwen3 模型实践 - 了解嵌入和重排序模型的应用
3. 高级实践：Elysia 智能体 RAG - 构建端到端的智能体系统

1. 混合检索实现

1.1 [Milvus]通过 Milvus 的 BM25 算法进行全文检索并将混合检索应用于 RAG 系统

milvus-bm25-hybrid-retrieval

技术栈：Milvus 2.5 + BM25 + DashScope | 难度：中级 | 预计时间：45-60分钟

这是一篇非常实用的教程，展示了如何利用 Milvus 2.5 的最新功能实现混合检索。

本文亮点：

• 内置 Sparse-BM25 算法，无需额外预处理
• 内置分词器（Analyzer），支持多语言
• RRF (Reciprocal Rank Fusion) 算法融合结果
• 完整的代码示例，可直接运行

你将学到：

1. 如何配置 Milvus 2.5 的 BM25 功能
2. 如何设置分词器参数
3. 如何创建同时支持密集向量和稀疏向量的 Schema
4. 如何使用 RRF 算法融合混合检索结果
5. 如何在 RAG 系统中应用混合检索

适用场景：

• 需要精确关键词匹配的场景
• 中英文混合检索
• 需要平衡语义搜索和关键词搜索的应用

前置知识：

• Python 基础
• 向量数据库基本概念
• BM25 算法基础（可阅读深入 Advanced RAG目录中的相关文章）

2. Qwen3 模型实践

2.1 [Qwen3]使用 Milvus 的 Qwen3 嵌入和重排序模型进行 RAG 实践

hands-on-rag-with-qwen3-embedding-and-reranking-models-using-milvus

技术栈：Qwen3-Embedding-0.6B + Qwen3-Reranker-0.6B + Milvus + OpenAI GPT-4 | 难度：中高级 | 预计时间：60-90分钟

这是一篇非常全面的教程，展示了如何使用阿里巴巴最新的 Qwen3 模型构建完整的 RAG 系统。

本文亮点：

• 使用开源的 Qwen3 模型，性能媒美商业 API
• 完整的两阶段检索管道：密集检索 + 重排序
• 详细的代码实现和解释
• 支持多语言（100+ 语言）
• 支持 32K 上下文长度

你将学到：

1. 如何设置 Qwen3 嵌入模型
2. 如何配置 Qwen3 重排序模型
3. 如何实现两阶段检索管道：
   • 阶段1：使用嵌入模型进行快速候选选择
   • 阶段2：使用重排序模型精确排序
4. 如何将检索结果与 LLM 集成
5. 如何优化检索参数（top_k、rerank_top_k）

Qwen3 模型的优势：

• 多语言支持：统一的语义空间，跨语言检索
• 指令提示：可自定义指令来调整嵌入行为
• 可变维度：支持 Matryoshka Representation Learning
• 长上下文：32K token 支持

适用场景：

• 多语言 RAG 系统
• 需要高精度检索的场景
• 中文为主的应用
• 需要开源方案的项目

前置知识：

• Python 和 Transformers 库
• 向量检索基础
• 重排序模型原理（建议阅读深入 Advanced RAG）

3. 智能体 RAG 实现

3.1 [Weaviate][Elysia]使用 Elysia 构建端到端的智能体 RAG 应用

elysia-agentic-rag-bilingual

技术栈：Elysia + Weaviate + DSPy + FastAPI | 难度：高级 | 预计时间：90-120分钟

这是一篇前沿的教程，介绍了 Weaviate 的开源智能体 RAG 框架 Elysia。这不仅仅是一个 RAG 系统，而是一个具有自主决策能力的智能体系统。

本文亮点：

• 基于决策树的智能体架构
• 动态数据显示类型（图表、图像、表格等）
• AI 数据分析和意识
• 完整的 Web 界面
• 开源且高度可定制

Elysia 的三大支柱：

1. 可定制的决策树架构

• 动态决定使用什么工具
• 完全透明的决策过程
• 可实时查看决策树

2. 动态数据显示类型

不仅仅返回文本，还可以：

• 显示交互式图表
• 展示图像画廊
• 显示结构化表格
• 显示地图和时间线

3. AI 数据分析和意识

Elysia 不仅检索数据，还会主动分析：

• 自动生成属性描述
• 生成数据集摘要
• 推荐示例查询
• 推荐显示类型

实际案例：Glowe 护肤应用

文章中还介绍了如何使用 Elysia 构建 Glowe 护肤电商应用，包括：

• 查询代理工具
• 产品集合生成工具
• 相似产品推荐工具

你将学到：

1. 如何安装和配置 Elysia
2. 如何连接 Weaviate 集群
3. 如何分析和理解你的数据
4. 如何使用决策树进行智能检索
5. 如何自定义工具和决策节点
6. 如何将 Elysia 集成到你的应用中

快速开始：

pip install elysia-ai
elysia start

适用场景：

• 需要复杂决策逻辑的 RAG 系统
• 多模态数据显示
• 需要透明性和可解释性的场景
• 客户服务聊天机器人
• 研究助手
• 数据分析工具

前置知识：

• Python 和 FastAPI
• Weaviate 基础
• DSPy 框架（可选）
• 智能体系统概念（建议阅读初识 Advanced RAG）

学习建议

对于初学者：

1. 先学理论：

   • 阅读初识 Advanced RAG目录
   • 阅读深入 Advanced RAG中的基础文章

2. 从简单开始：

   • 先实践 Milvus BM25 混合检索
   • 掌握基本的混合搜索实现

3. 进阶实践：

   • 尝试 Qwen3 模型实践
   • 了解两阶段检索管道

4. 高级应用：

   • 最后学习 Elysia 智能体 RAG
   • 尝试自定义工具和决策逻辑

对于有经验的开发者：

1. 直接实践：根据需求选择相应教程
2. 技术选型：
   • 如果需要开源方案 → Qwen3
   • 如果需要混合检索 → Milvus BM25
   • 如果需要智能体系统 → Elysia
3. 集成应用：将这些技术集成到你的项目中

对于企业级应用：

技术选型指南：

进一步学习

完成这些实践后，建议：

1. 回顾理论：重新阅读深入 Advanced RAG中的优化策略
2. 比较分析：尝试不同技术的性能对比
3. 自定义开发：基于这些案例开发自己的 RAG 系统
4. 关注最新发展：持续关注 RAG 技术的最新进展

社区资源

• Milvus：Milvus 官方文档
• Qwen3：Qwen3 GitHub
• Elysia：Elysia GitHub
• Weaviate：Weaviate 官方文档