主流开源RAG项目全流程实践：GraphRAG + RAGFlow + LlamaIndex

这门课解决什么问题，值不值得学

很多做业务开发或正转向大模型应用的人，会卡在“怎么让大模型读懂企业内部文档”这一步。直接把长文档塞给通用接口，经常遇到上下文超限、幻觉严重、检索不准的问题。检索增强生成（RAG）就是针对这个场景的工程化解法。这门课聚焦三个主流开源工具：RAGFlow 偏重开箱即用的文档解析与知识库管理，LlamaIndex 提供灵活的检索编排代码接口，GraphRAG 则用图结构补充实体关系的关联召回。如果你手头有大量非结构化数据需要接入大模型，且不想被黑盒 SaaS 绑定，这套资料值得用来建立工程判断力。

适合什么基础，建议先看哪几块

它不适合完全零基础的人。你需要有 Python 基本读写能力，了解向量化、提示词等基础概念，最好碰过一次本地大模型调用。资料按照“原理—部署—代码”的顺序组织，建议先集中看 RAGFlow 的架构与知识库构建部分，弄清文档切片、向量和混合检索的标准流程。接着看 LlamaIndex 的代码实践，理解怎么用代码控制检索器、重排器和响应合成。GraphRAG 部分放在最后，重点看它和传统向量检索在逻辑上的差异，理解图结构怎么解决跨文档的实体关联问题。这种顺序能帮你避开一上来就啃底层代码的挫败感。

资料怎么配合练习，学完能独立做什么

看视频时务必同步开一台配好 Docker 的机器。RAGFlow 部分先跟着把环境跑通，手动传几份不同格式的真实业务文档（比如 PDF 手册、表格），观察解析和切片效果，再配置聊天助手测试问答准确率。LlamaIndex 部分不要只看，要把检索组件拆开替换，对比召回差异。GraphRAG 部分重点跑通索引构建，观察实体抽取成本。学完后，你应当能独立搭起一套本地文档问答系统，能根据文档类型选择合适的检索策略，遇到检索不准时知道去调切片参数还是换检索引擎，而不是只会复制现成代码。