用 Jupyter Notebook 逐个演示 RAG 系统的进阶技巧，从嵌入、检索到重排都有可运行教程，适合动手搭建和优化检索增强生成流程。

基于 TurboQuant 量化算法、用 Rust 实现并带 Python 绑定的向量索引，面向 RAG 和嵌入检索场景，提供高压缩比、低内存的近似最近邻搜索。

基于 PyTorch 的度量学习库，提供对比损失、难例挖掘、采样器和检索指标，用来训练和评估相似度搜索所需的嵌入向量。

开源的推理服务器与生产集群，统一部署 Agent 所需的各类模型，涵盖嵌入、检索与 LLM 推理，省去自建服务与运维的麻烦。

把现有数据基础设施直接变成特征存储的虚拟特征存储，省去迁移数据，统一管理特征定义与向量检索，服务机器学习训练和推理。

一个支持持续学习的自适应文本分类系统，能在数据分布变化时增量更新模型而不遗忘旧知识，适合动态场景下的分类任务。

整理大语言模型检索增强生成（RAG）方向的进阶资源清单，涵盖嵌入、检索与信息获取等关键环节，方便快速找到相关论文、工具和实践方案。