Awesome-LLM-RAG：检索增强生成技术的全景导航

Awesome-LLM-RAG是由约翰霍普金斯大学研究者维护的开源资源集合，旨在为RAG领域的研究者和实践者提供系统、全面的参考资料。该项目采用经典的"Awesome List"格式，涵盖论文、工具、教程和应用案例，帮助用户系统掌握检索增强生成技术的前沿进展。

检索增强生成（Retrieval-Augmented Generation，RAG）是大语言模型领域的重要技术突破，通过将外部知识检索与文本生成相结合，解决纯参数化模型在知识时效性、准确性和可溯源性方面的局限。简单来说，RAG让AI在回答问题时能够"查资料"，而非仅依赖训练时记住的知识。

项目核心内容分为四大类：

1. 学术论文与研究成果：涵盖检索增强语言模型（如REALM、RAG）、自适应检索策略（如Self-RAG）、长文本与记忆机制、RAG评估与优化（如RGB基准测试）等子领域；
2. 开源工具与框架：包括DSPy（声明式语言模型编程框架）、ChunkTuner（文本分块优化工具）、Bernstein（多智能体编排器）、Agent Shadow Brain（AI编码智能体）等；
3. 教程与学习资源：推荐《Build a Large Language Model (From Scratch)》《Retrieval Augmented Generation, The Seminal Papers》《Enterprise RAG》《Essential GraphRAG》等书籍；
4. 学术会议与研讨会：跟踪CIKM 2023生成式AI研讨会、SIGIR 2023生成式信息检索研讨会、ACL 2023检索式语言模型研讨会等活动。

RAG技术发展分为三个阶段：

1. 基础架构阶段（2020-2022）：聚焦检索器与生成器结合、稠密/稀疏检索对比、端到端训练与模块化设计权衡，代表作为Facebook RAG模型和Google REALM；
2. 能力提升阶段（2022-2023）：重点在自适应检索、多跳推理、指令微调，代表作为Self-RAG、Chain-of-Note；
3. 系统优化阶段（2023至今）：转向推测解码（如REST技术）、长上下文处理、多模态扩展、企业级应用等方向。

不同用户群体可从中获得价值：

• 研究者：快速了解前沿进展，找到相关论文和基准数据集，避免重复工作；
• 工程师：发现生产环境适用的开源工具，学习业界最佳实践，节省调研时间；
• 学习者：获取从入门到精通的完整学习路径，包括书籍、教程、代码示例和社区资源。

项目采用MIT许可证开源，鼓励社区通过Pull Request提交论文或工具，保持资源的时效性和全面性。未来RAG技术将向与Agent系统融合、多模态扩展、实时知识更新、个性化检索策略等方向演进，Awesome-LLM-RAG将继续作为资源枢纽支持社区发展。