datawhalechina/all-in-rag 是什麼？

Datawhale 的 All-in-RAG 是一套以繁體中文為主的 RAG 全棧教學，涵蓋資料處理、向量檢索、混合檢索、Text2SQL 與知識圖譜，但它的定位是學習資源而非可直接部署的框架。

datawhalechina/all-in-rag 可以商用嗎？

datawhalechina/all-in-rag 還在維護嗎？

有在維護。儲存庫最近一次提交在 12 天前。

datawhalechina/all-in-rag 是用什麼程式語言寫的？

主要是 Python（依據 GitHub 的語言統計）。

All-in-RAG 教學評測：RAG 全棧指南的內容與限制

秒懂

它是什麼？: Datawhale 的 All-in-RAG 是一套以繁體中文為主的 RAG 全棧教學，涵蓋資料處理、向量檢索、混合檢索、Text2SQL 與知識圖譜，但它的定位是學習資源而非可直接部署的框架。
適合誰用？: All-in-RAG 適合具備 Python 基礎、想從零建立 RAG 知識體系的開發者，尤其是需要中文資料處理與多模態檢索範例的人。它不適合尋求可直接上線的框架或完整專案程式碼的團隊，因為目前缺少正式的 release，且第十章的內容仍在規劃中。
可以商用嗎？: 未經許可不行。GitHub 在這個儲存庫中沒有找到授權檔案；沒有授權，預設即「保留所有權利」：你可以閱讀程式碼，但不能重複使用。使用前請看看 README，或先取得作者同意。
還在維護嗎？: 有在維護。儲存庫最近一次提交在 12 天前。
用什麼語言寫的？: 主要是 Python（依據 GitHub 的語言統計）。

以上回答依據專案的 GitHub 資料（最近同步於 2026年9月15日）與我們的分析，不構成法律意見。

開源專案深度解析

Hysen Labs 編輯部 · 2026年9月10日 · datawhalechina/all-in-rag

這份教材解決什麼問題

RAG 的教學資源很多，但多數只講單一環節，例如怎麼做 embedding，或是怎麼接向量資料庫。All-in-RAG 想補的缺口是「全流程」的知識體系。從 README 的目錄來看，它把 RAG 拆成資料準備、索引建構、檢索優化、生成整合與系統評估五個階段，每個階段都有對應的章節。這對剛入門的人來說有價值，因為你不需要自己拼湊零散的文章。它的目標讀者寫得很清楚：具備 Python 基礎、會用 Docker、理解基本 LLM 概念的人。不是給完全沒有程式經驗的讀者，也不是給只想看理論的學生。

章節架構的實際輪廓

Repository 的內容分為十個章節，外加一個 Extra-chapter 目錄。第一章用「四步構建 RAG」帶讀者快速上手，第二章處理資料載入與文本分塊，第三章進入向量嵌入、多模態嵌入、Milvus 實作與索引優化。第四章是檢索技術的進階，包含混合檢索、查詢建構、Text2SQL 與查詢重寫。第五章只有格式化生成，第六章談評估方法與工具。第七章以後是進階與實戰：知識圖譜 RAG、兩個專案實作，其中第十章仍標記為「規劃中」。這樣的安排顯示作者把「檢索」當成核心，生成與評估的篇幅相對較少。如果你特別想深入 RAG 的生成端，例如提示詞工程或輸出驗證，這份教材的覆蓋會讓你失望。

多模態與圖譜是它的差異點

多數 RAG 教學只處理純文字，All-in-RAG 卻在第三章安排了多模態嵌入，並且在 Extra-chapter 放了 Jina v5-omni 的實作。這表示它試圖跟上多模態 LLM 的趨勢。另一個亮點是第七章的知識圖譜 RAG，以及第九章的「圖 RAG 架構設計」，後者還搭配了 Neo4j 的簡單應用。知識圖譜 RAG 的價值在於處理多跳問答，例如「某公司的供應商有哪些」這類需要關係推論的問題，純向量檢索往往答不好。這份教材把圖譜資料建模、Milvus 索引與查詢路由放在同一個章節，等於示範了如何把結構化與非結構化檢索結合。但要注意，第九章是選修，而且它的專案展示連結指向一個「今天吃什麼」的應用，規模不大。

實際運作的技術棧

從 README 的 topics 與章節標題可以看出，它依賴 LangChain、LlamaIndex、Milvus、Neo4j 這幾個主流工具。Python 版本標示為 3.12.7，環境部署建議使用 Docker。向量資料庫的選型是 Milvus，這與許多教學偏好 Chroma 或 FAISS 不同，Milvus 更偏向生產環境，支援分散式部署，但也更重。Text2SQL 的章節暗示它會教你如何讓 LLM 直接查詢結構化資料庫，這在 RAG 應用中常被忽略。整體技術棧偏向工程實作，而不是純學術探討。需要留意的是，README 沒有列出任何相依套件的版本號，也沒有 requirements.txt 的內容，所以實際執行範例時，套件版本衝突是你能預期的第一個障礙。

如何開始與執行

起點是閱讀線上文件，網址是 https://datawhalechina.github.io/all-in-rag/，README 也提供每個章節的 Markdown 原始檔。第一章的「準備工作」會教你設定環境，附錄則有 Python 虛擬環境的部署方案。實際動手的第一步是建立虛擬環境，然後安裝必要的套件。由於教材涵蓋多種服務，Docker 幾乎是必備工具，特別是跑 Milvus 或 Neo4j 的時候。你需要準備 LLM 的 API 金鑰，因為範例會呼叫 DeepSeek 或 Kimi K2 這類模型。每個章節的程式碼散落在 docs 目錄的對應檔案中，沒有統一的範例專案，這代表你必須自己把各章的片段組合成一個可運作的系統。第九章有一個完整的專案範例，但它放在外部連結，並非 repository 內建。

真實的限制與失敗模式

第一個限制是它不是框架，而是一份教材。你無法 pip install all-in-rag 然後直接呼叫某個函式，所有的程式碼都需要你手動複製與調整。第二個限制是第十章的內容還在規劃中，代表整份教材尚未完成，你學完第九章之後會發現路徑斷掉。第三個限制是章節之間的依賴關係不明確，例如第五章的格式化生成只有一節，但第六章的評估可能依賴前面產生的輸出格式，如果讀者跳過第五章，評估章節的範例可能無法順利執行。另外，多模態 embedding 的實作依賴 Jina 的服務，這類外部 API 的可用性與收費政策隨時可能改變，教材的更新速度不一定跟得上。最後，Text2SQL 與知識圖譜 RAG 都涉及複雜的查詢語法，若你的資料庫結構特殊，照抄範例很可能出錯。

與其他 RAG 資源的差異

最接近的替代品是 LlamaIndex 或 LangChain 的官方文件與範例，但它們的定位是框架文件，不是教學課程。LlamaIndex 的文件會深入教你怎麼用它的各類 retriever，但不會花一章解釋為什麼要文本分塊。另一類替代品是單篇的技術部落格，例如 Medium 上的 RAG 教學，它們通常涵蓋單一主題，例如 hybrid search 或 reranking，但缺乏系統性的章節安排。All-in-RAG 的差異在於它把「中文」與「多模態」放在一起，同時涵蓋了從資料清洗到評估的完整生命週期。對於中文開發者來說，這比閱讀英文文件更直接，因為範例的資料集與查詢都可能是中文，這會減少轉換語言的認知負擔。

維護與升級成本

Repository 的最後一次推送是 2026 年 9 月，但沒有列出任何正式 release，這表示內容的變動是持續且零散的。你需要自行追蹤 git log 才能知道哪些章節被更新過。License 欄位顯示為 unknown，這是採用前必須釐清的風險，因為你無法確定能否合法複製或改寫其中的程式碼。Datawhale 作為開源組織，通常會採用特定授權，但在這個 repository 中並未明確標示，建議你寫信詢問或檢查每個檔案的標頭。升級成本方面，由於它依賴 LangChain 與 LlamaIndex 這種迭代快速的套件，半年前能跑的範例，現在很可能因為 API 改版而失效。你必須具備閱讀官方 changelog 的能力，才能把教材中的程式碼轉換成當前的版本。

編輯結論

All-in-RAG 適合具備 Python 基礎、想從零建立 RAG 知識體系的開發者，尤其是需要中文資料處理與多模態檢索範例的人。它不適合尋求可直接上線的框架或完整專案程式碼的團隊，因為目前缺少正式的 release，且第十章的內容仍在規劃中。開始之前，你應該先確認自己能否接受以 Docker 為主的環境，並逐一檢查各章節範例所依賴的 API 金鑰與服務版本是否仍然有效。若你的目標是快速打造生產級系統，這份教材能提供架構參考，但最終仍需自行整合 LangChain、LlamaIndex 或 Milvus 的官方文件。

官方來源

社群筆記