Local GenAI RAG with LlamaIndex & Ollama 2025-10 2026

Local GenAI RAG with LlamaIndex & Ollama 2025-10 is a comprehensive, hands-on course designed to take you from the fundamentals to advanced, real-world mastery of rag. Whether you are just starting out or looking to level up, this course gives you the structured path and practical projects you need to succeed.

Throughout the lessons you will build genuine confidence with rag and elasticsearch, learning through clear explanations and step-by-step examples you can apply immediately. Below you will find everything the course covers, who it is for, and a full breakdown of the curriculum before you download.

Course Description

GenAI RAG with LlamaIndex, Ollama and Elasticsearch، دوره آموزش GenAI RAG با LlamaIndex، Ollama و Elasticsearch توسط آکادمی Learn Data Engineering منتشر شده است.تولید افزوده با بازیابی (RAG) گام عملی بعدی پس از ایندکس‌گذاری معنایی و جستجو است. در این دوره، یک خط لوله کامل RAG با رویکرد لوکال می‌سازید که فایل‌های PDF را دریافت می‌کند، بردارهای تقسیم‌شده را در Elasticsearch ذخیره می‌کند، زمینه مناسب را بازیابی می‌کند و پاسخ‌های مبتنی بر داده را با مدل Mistral که به صورت محلی از طریق Ollama اجرا می‌شود، تولید می‌کند. در یک سناریوی واقعی، رزومه‌های دانشجویان را جستجو می‌کنید تا به سوالاتی مانند «چه کسی در ایرلند کار کرده؟» یا «چه کسی تجربه Spark دارد؟» پاسخ دهید. یک پشته داکرایز شده (FastAPI، Elasticsearch، Kibana، Streamlit، Ollama) راه‌اندازی می‌کنید و همه اجزا را با LlamaIndex به هم متصل می‌کنید تا تمرکز شما روی منطق باشد نه کدنویسی تکراری. در طول مسیر، نقاط قوت و ضعف RAG (مانند دقت، بازیابی و خطاهای مدل) و نحوه طراحی برای محیط تولید را یاد می‌گیرید. در پایان، یک اپلیکیشن عملی خواهید داشت: بارگذاری PDF → استخراج متن → تولید JSON تمیز → تقسیم و جاسازی → ایندکس در Elasticsearch → جستجو با Streamlit → تولید پاسخ با Mistral، که کاملاً روی سیستم شما قابل بازتولید است.

What You Will Learn

مرور جستجوی معنایی و گسترش آن به RAG: ابتدا بخش‌های مرتبط را بازیابی کنید و سپس پاسخ‌های مبتنی بر داده تولید کنید. ببینید LlamaIndex چگونه داده‌های شما را به مدل زبانی متصل می‌کند و چرا اندازه و همپوشانی بخش‌ها برای دقت و بازیابی اهمیت دارد.
استفاده از FastAPI برای دریافت فایل‌های PDF و راه‌اندازی جریان ورود داده: استخراج متن، ساختاردهی JSON، تقسیم‌بندی، جاسازی و ایندکس در Elasticsearch، همه با هماهنگی LlamaIndex برای کاهش کدنویسی تکراری.
ایجاد ایندکس برای بخش‌های رزومه با بردارها و متادیتا. تفاوت جستجوی شباهت و جستجوی کلیدواژه‌ای، نحوه ذخیره‌سازی فیلدهای برداری و بررسی اسناد و امتیازها با Kibana را بیاموزید.
ساخت یک رابط کاربری ساده با Streamlit برای پرسش به زبان طبیعی. فعال‌سازی حالت دیباگ برای مشاهده بخش‌هایی که پاسخ را پشتیبانی کرده‌اند و استفاده از فیلترهای متادیتا (مثلاً بر اساس فرد) برای افزایش دقت جستجوهای هدفمند.