rag-from-scratch

Хотим, чтобы модель знала нашу “внутреннюю кухню”, но финтюн — дорогой, долгий и часто дает так себе результат. Поэтому сейчас в проде в основном используют RAG (retrieval-augmented generation).

Как раз на GitHub есть годный опенсорс-туториал rag-from-scratch от команды LangChain.

Они начинают с базы: индекс, поиск, генерация, а потом постепенно заходят в продвинутые штуки вроде преобразования запросов, роутинга, multi-query retrieval и так далее. Плюс разбирают практические паттерны вроде adaptive RAG и “корректирующего” RAG.

Каждый блок снабжен подробным Jupyter Notebook с кодом и отдельным видеоразбором, можно параллельно смотреть и сразу запускать, чтобы прочувствовать, как RAG работает изнутри.

Туториал не просто показывает “как прикрутить RAG”, а именно через код объясняет, что под капотом, поэтому отлично заходит тем, кто хочет системно освоить разработку LLM-приложений.

⭐️ Stars: 6.5k

➡️ Cсылка на GitHub

📱 @git_developer