这个仓库更适合用来学RAG还是直接拿去做产品？

[RAG_Techniques](https://github.com/NirDiamant/RAG_Techniques) 更像一套实验协议与对比基线。学习与方案评审非常高效；若要做产品，建议把Notebook结论迁移到服务化代码，并补齐数据治理、缓存与可观测。

我已经在用 LangChain/LlamaIndex，还需要看它吗？

需要。把[LangChain](https://github.com/langchain-ai/langchain)或[LlamaIndex](https://github.com/run-llama/llama_index)当作实现载体，把这里当作“变量清单与对照实验库”，能更快定位真正影响效果的环节。

如何把这些技巧变成可回归的工程流程？

固定语料与指标，给每条链路留出可配置开关；每次改动只动一个变量并记录输出，再用回归集做差分，形成可审计的实验日志。

RAG_Techniques

面向RAG工程的实战教程与Notebook集合：按主题拆解检索增强生成的关键变量与评测方法。

25.5kJupyter NotebookCustom Non-Commercial License

#rag #向量检索 #jupyter-notebook #分块策略 #查询改写 #混合检索