实战项目

本教程包含 4 个递进式实战项目，从轻量级单库召回到多库联合 RAG，覆盖向量数据库在不同场景下的典型应用。

建议按照从易到难的顺序学习。

项目列表

难度	项目	技术栈	场景
⭐ 入门	基于 Annoy 的推荐系统召回	Annoy + DSSM + torch-rechub	推荐系统向量召回
⭐⭐ 基础	基于 FAISS 框架 RAG 实战	FAISS + LLM + RAG	检索增强生成
⭐⭐⭐ 进阶	基于 Milvus 框架的 Agent 项目	Milvus + LangGraph + Agent	AI Agent 工具调用
⭐⭐⭐⭐ 综合	基于 Milvus 和 ArangoDB 的 RAG 系统	Milvus + ArangoDB + GraphRAG	多库联合 RAG

项目简介

实战项目 1 · 入门：基于 Annoy 的推荐系统召回

使用 torch-rechub 训练 DSSM 双塔召回模型，结合 Annoy 向量检索实现推荐系统中的召回环节。适合刚学完 Annoy 教程的同学，理解向量数据库在推荐系统中的核心作用。

你将学到：双塔模型训练、Embedding 推理、Annoy 索引构建与 Top-K 召回、召回效果评估

实战项目 2 · 基础：基于 FAISS 框架 RAG 实战

基于 FAISS 构建检索增强生成（RAG）系统，实现"开卷考试"式的智能问答。从文档切分、向量化、索引构建到 LLM 生成，完整走通 RAG 流程。

你将学到：文档处理与切分、FAISS 索引构建与检索、Prompt 工程、RAG 端到端流程

实战项目 3 · 进阶：基于 Milvus 框架的 Agent 项目

通过 LangGraph 和 Milvus 构建 AI Agent，让大模型具备工具调用和向量检索能力。理解 Agent 的规划、记忆、工具使用等核心组件。

你将学到：Agent 架构设计、LangGraph 工作流、Milvus 向量检索集成、工具调用

实战项目 4 · 综合：基于 Milvus 和 ArangoDB 的 RAG 系统

结合 Milvus 向量检索和 ArangoDB 图数据库，构建多模态存储的 GraphRAG 系统。在传统 RAG 基础上引入知识图谱，提升检索的准确性和关联性。

你将学到：多数据库架构设计、ArangoDB 图查询、GraphRAG 设计思想、向量+图谱混合检索

学习路径

Annoy 教程 ──→ 实战项目1（Annoy 召回）
                    │
FAISS 教程 ──→ 实战项目2（FAISS RAG）
                    │
Milvus 教程 ─→ 实战项目3（Milvus Agent）
                    │
               实战项目4（Milvus + ArangoDB）

每个项目都提供了 Jupyter Notebook（.ipynb），可以逐步执行代码并观察输出。建议先跑通 sample 数据，再尝试全量数据。

更多实践项目

除了上述 4 个教程配套项目外，仓库 src/ 目录下还提供了以下独立实践项目，可按兴趣选学：

项目	简介	技术栈	源码
URL 处理实践	基于 RAG 的问答系统，支持视频链接提取和智能回答	ZhipuAI + Milvus + Gradio	源码
Cre_milvus	通用向量化处理器，支持多种文件格式的向量化存储	Milvus + Streamlit + FastAPI	源码
Graph RAG	文搜图应用	Milvus + LangGraph	源码
HDBSCAN 聚类可视化	聚类数据可视化	Milvus + HDBSCAN + UMAP	源码
K8s + Loki 监控	基于 Kubernetes 部署的 Milvus 日志监控系统	Kubernetes + Grafana + Loki	源码
Meta-chunking	Meta-chunking 论文的代码实现 demo	—	源码
Faiss 问答系统	基于 Faiss 的问答系统实战	FAISS	源码
Locust 性能测试	Milvus 性能测试工具和基准测试	Locust + Milvus	源码
ANN 算法实现	近似最近邻搜索算法实现	Python	源码