Notebook即实验协议
底层范式是把每个RAG技巧当作可运行实验：同一目录内固定输入、步骤与输出指标，用Notebook暴露关键参数，天然适合复现与回归。
RAG_Techniques 把RAG从“概念清单”变成可复现的工程实验台：每个技巧按目录拆分，配套可运行的Notebook与解释，让你能围绕分块、查询变换、混合检索、重排与评估逐项改变量、看结果、做回归。它的关键价值不在于提供某个框架的封装，而是把决定RAG效果的可控参数显式化：你可以在同一份语料与指标下，对比不同检索链路组合，并把结论沉淀为团队规范。与重度依赖框架黑盒不同，这套资料更适合作为“RAG系统设计的实验账本”，用最小的代码组织成本把试错速度拉满。
| ✕传统痛点 | ✓创新方案 |
|---|---|
| RAG落地常停留在“堆工具”：只换向量库或模型，却缺少可回归的变量拆解，导致结论不可复现。 | RAG_Techniques 用目录化Notebook把关键变量（分块、查询变换、检索组合、重排、评估）拆开，天然适合A/B对比与回归测试。 |
| 团队知识以零散笔记与代码片段存在，难以形成可执行的实验模板，迭代全靠个人经验。 | 通过可运行示例把“设计意图→实现→指标”串起来，便于团队沉淀统一的RAG实验流程与复用模板。 |
1git clone https://github.com/NirDiamant/RAG_Techniques.git && cd RAG_Techniques1python -m venv .venv && . .venv/bin/activate && pip install -U pip jupyterlab1jupyter lab1pip install -U langchain llama-index1export OPENAI_API_KEY='your_key_here'| 核心场景 | 目标人群 | 解决方案 | 最终收益 |
|---|---|---|---|
| 企业RAG方案评审与选型 | 产品/架构负责人 | 用同一语料与指标跑多种分块、检索与重排组合 | 把“感觉更好”变成可复现的数据结论，减少选型争议 |
| 研发团队的RAG实验基线库 | 算法/后端团队 | 把关键链路做成可运行Notebook模板并固化回归集 | 迭代不怕漂移，性能变化可追溯 |
| 教育与内部赋能训练营 | AI enablement负责人 | 用技巧目录做课程作业与代码走读 | 快速统一团队对RAG关键变量与评测口径的理解 |
