production-agentic-rag-course（jamwithai/production-agentic-rag-course，副标题「The Mother of AI Project · Phase 1 RAG Systems: arXiv Paper Curator」）是一份学习者导向的开源 RAG 实战课程，带你从零搭建一个能自动抓取 arXiv 论文、理解内容并回答研究问题的生产级 RAG 系统。它强调「先掌握 BM25 关键词检索基础再加向量做混合检索」的专业路径，而非常见的 vector-first 教程，分 7 周循序推进：基础设施（Docker/FastAPI/PostgreSQL/OpenSearch/Airflow）→ arXiv 数据管道 → BM25 → 混合检索 → 含本地 LLM 与 Gradio 的完整 RAG → 可观测（Langfuse + Redis 缓存）→ 用 LangGraph 做 agentic RAG 并接 Telegram Bot。MIT 许可，约 6,671 stars，主语言 Python（需 3.12+）。
来源：README.md（标题、About This Course、What You'll Build、Week 7）；GitHub 仓库元数据（stars=6671、language=Python、license=MIT） 查看 GitHub 仓库 →RAG 是 LLM 应用最常落地的能力，但许多教程跳过搜索基础、缺生产视角。本课程以「先搜索后向量」「Docker+FastAPI+OpenSearch+Airflow」等行业实践组织，最后扩展到 agentic RAG（LangGraph 决策、文档评分、自适应检索）与 Telegram Bot 移动入口，覆盖从基础设施到 agentic 的完整链路，对想系统学习生产级 RAG 的工程师吸引力强。需说明：作者 jamwithai 同时运营同名 Substack 博客（课程的代码走查/讲解在博客发布），属常见教学引流；课程仍开源、MIT、可完整运行。截至数据采集约 6,671 stars。
来源：README.md（About This Course、Week 7 引用 Substack）；GitHub 仓库元数据（stars=6671、pushed_at 2026-04）先掌握 BM25 关键词检索基础，再加向量做混合检索，遵循行业生产实践而非 vector-first。
来源：README.md（Professional Difference）Docker Compose 编排 FastAPI/PostgreSQL/OpenSearch/Airflow 等服务，Week 1 即可一键起。
来源：README.md（Week 1）Langfuse 链路追踪 + Redis 缓存，强调生产可观测与性能。
来源：README.md（Week 6）用 LangGraph 做决策/文档评分/自适应检索的 agentic 工作流，并通过 Telegram Bot 移动接入。
来源：README.md（Week 7、Key Innovations）课程以 Docker Compose 编排的多服务为骨架：FastAPI 提供 API，PostgreSQL 存元数据，OpenSearch 2.19 做关键词与向量混合检索，Airflow 编排 arXiv 抓取/解析管道；Week 4 起做分块与混合检索（BM25 + 向量），Week 5 接入本地 LLM + Gradio 形成完整 RAG，并支持流式响应；Week 6 加 Langfuse 链路追踪与 Redis 缓存以做生产可观测与性能；Week 7 用 LangGraph 把检索-评分-生成做成可决策的 agentic 工作流，并通过 Telegram Bot 让用户在手机端发问。整体 Python（3.12+）实现，按周配套代码与文档。
来源：README.md（What You'll Build 各周、System Architecture Evolution、Key Innovations）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
FastAPI 0.115+OpenSearch 2.19PostgreSQLAirflowLangGraph、Langfuse、Redis、Gradio适合想系统学习并动手做生产级 RAG 的工程师/学生：搭一个 arXiv 研究助手作为完整 RAG 参考实现，理解关键词→混合→agentic 的演进路径，并把 Langfuse 可观测、Redis 缓存、Telegram 移动入口等生产要素串起来；也适合作为团队培训材料或自研 RAG 项目的模板。
来源：README.md（About This Course、What You'll Build）本页未列固定版本号；README 标注当前进度为 Week 7（Agentic RAG + Telegram Bot），最新 Week 7 代码走查发布在 jamwithai.substack.com。仓库最后更新约在 2026 年 4 月。
来源：README.md（Status 徽章、Week 7 引用、Substack 链接）；GitHub pushed_atproduction-agentic-rag-course 是一份完整、可动手的生产级 RAG 实战课程：用 7 周从 Docker/FastAPI/PostgreSQL/OpenSearch/Airflow 的基础设施起步，按「先搜索后向量」的专业路径搭建 BM25→混合检索→完整 RAG→Langfuse/Redis 可观测→LangGraph agentic + Telegram Bot 的全链路，对想系统学习生产 RAG 的工程师很对口。要清楚它是课程而非可直接复用的生产框架、组件多有部署门槛、需自备 LLM 等外部资源、效果随模型与数据而变；课程开源 MIT，作者博客是常见教学引流，无强商业付费门槛。
来源：综合 README.md 的课程结构、技术栈与适用场景production-agentic-rag-course（jamwithai/production-agentic-rag-course，副标题「The Mother of AI Project · Phase 1 RAG Systems: arXiv Paper Curator」）是一份学习者导向的开源 RAG 实战课程，带你从零搭建一个能自动抓取 arXiv 论文、理解内容并回答研究问题的生产级 RAG 系统。
production-agentic-rag-course 的核心功能包括：「先搜索后向量」教学路径、完整基础设施、可观测与缓存、Agentic RAG + Telegram Bot。
RAG 是 LLM 应用最常落地的能力，但许多教程跳过搜索基础、缺生产视角。本课程以「先搜索后向量」「Docker+FastAPI+OpenSearch+Airflow」等行业实践组织，最后扩展到 agentic RAG（LangGraph 决策、文档评分、自适应检索）与 Telegram Bot 移动入口，覆盖从基础设施到 agentic 的完整链路，对想系统学习生产级 RAG 的工程师吸引力强。
适合想系统学习并动手做生产级 RAG 的工程师/学生：搭一个 arXiv 研究助手作为完整 RAG 参考实现，理解关键词→混合→agentic 的演进路径，并把 Langfuse 可观测、Redis 缓存、Telegram 移动入口等生产要素串起来；也适合作为团队培训材料或自研 RAG 项目的模板。