在学习任何新知识时，掌握正确的方法和避开常见的陷阱至关重要。本章为你精心准备了学习本课程的必备指南，帮助你快速上手，少走弯路。
本章带你分析大语言模型的现状和问题，引出RAG（检索增强生成）技术这一“新星”。我们会剖析RAG在企业大模型应用中的核心地位，通过对比分析，让你明白RAG的必要性。接着，详细讲解RAG的三大组件（大语言模型、知识库、检索）及其工作流程，带你领略其技术魅力。还会探讨RAG技术的发展阶段，强调技术栈的重要性，并分析企业对RAG人才的需求，以及本课程案例的需求分析、环境与技术架构。掌握这些，你就能紧跟AI的未来趋势
本章全面剖析大语言模型，助力学员从理论迈向实战。首先，讲解大模型的本质、技术演变及基本概念，涵盖架构和涌现能力。接着，盘点国内外主流大模型（开源与闭源），分析其技术栈，拓宽视野。针对不同设备，总结本地部署（GPU/CPU）和API调用方式及注意事项，提升应用灵活性。同时，从多维度讲解模型评价方法，指导挑选适合RAG应用的基础模型。最后，通过代码实现，演示本地调用和API调用操作，助力掌握企业级大模型开发技巧。本章为后续企业级案例开发筑牢基础，还分析了不同项目角色对AI大模型的了解差异，助力精准定位需求。
Embedding模型是RAG系统的关键组成部分，挑选合适的embedding模型对开发RAG应用至关重要。本章详细讲解embedding的概念及其在RAG系统中的关键作用，带你了解当前embedding模型背后的主流架构和训练方法。重点介绍主流中文embedding模型bge和gte，帮助你掌握它们的特性。在实际应用中，我们会提供可参考的评估基准，教你如何根据应用场景选择最佳embedding模型，并给出迭代方式。实战部分，还会实现多种embedding模型的加载与使用，为你的实际应用提供清晰指导。
企业文档经过embedding模型语义向量化后，如何存储和高效检索这些知识向量，是RAG系统的核心技术。本章介绍主流的向量数据库，分析企业对向量数据库的要求，重点对比chroma和milvus的特性及适用业务场景。更重要的是，讲解向量数据的基本操作，并探索向量数据库的索引优化技术，分析不同索引技术及适用场景。实战部分，详细介绍chroma和milvus的部署及实际操作，同时强调企业级应用对高可用性的要求。学完本章，你将掌握企业级向量数据库的选型与高效使用技巧。
知识库为RAG流程提供关键上下文信息，而高效准确地处理企业数据是构建知识库的核心。本章先介绍企业数据的复杂多样性，引出GIGO（垃圾输入，垃圾输出）原则，这是影响RAG系统性能的重要因素。接着，给出多种文档的解析方法，包括视觉解析方法。在解析文档后，详细讲解数据分块的重要性及递归文本分块、语义智能分块等具体方法。实战部分，实现制度问答模块的数据读取和切割。通过本章，你将学会如何高效处理企业复杂业务数据，为构建高质量的知识库奠定基础。
在前面章节的铺垫下，本章将构建一个完整的制度问答模块RAG baseline，涵盖知识库构建、查询、检索和生成。详细分析项目需求、各组件技术选型和总体架构设计，最后通过实战实现制度问答模块RAG。此外，还会分析AI应用开发与传统软件开发的区别，强调AI应用开发的特殊性，引导你转变思想，采用迭代思维开展AI应用开发。学完本章，你将掌握搭建制度问答RAG的基本流程和要点。
RAG系统构建完成后，如何判断其是否达到预期效果？评估至关重要！本章详细介绍RAG评估的标准和三大步骤，讲解具体的RAG评估框架ragas。实战部分，利用ragas评估制度问答模块RAG baseline。通过本章，你将学会如何科学评估RAG系统，找出问题并明确提升方向，让RAG系统更上一层楼。
检索是RAG系统的关键组成部分，关系到能否获取与用户问题相关的上下文信息。本章首先介绍不同RAG架构的演化及检索的两种形态。重点讲解14种提高RAG检索性能的增强技术，包括6种查询增强、3种多索引增强、2种检索后增强（rerank重排和fuse混合检索）、2种模块增强（迭代增强生成和self-RAG自适应增强）。实战中，针对制度问答模块RAG实现这些方法，并结合AI应用开发，讲解企业中良好的代码规范和代码管理。学完本章，你将大幅提升RAG系统的检索能力，使其性能更出色。
本章将知识图谱这种先进的知识组织方式引入RAG，构建基于知识图谱的GraphRAG。首先介绍知识图谱的三元组结构，并通过金融数据进行分析拆解。接着，讲解如何用图数据库存储和使用知识图谱数据，重点介绍neo4j图数据库及cypher图查询语言，并在实战中构建金融智库的图数据。通过对比传统RAG和GraphRAG，强调GraphRAG的特点，并实战构建基于金融智库的GraphRAG。最后，分享如何在AI应用开发快速发展的当下，进行自我学习，紧跟前沿技术。
本章引入Agent技术，让RAG系统更智能。首先介绍Agent的概念、技术和主流产品，重点讲解ReAct的Agent实现方式。基于此，实现一个针对多文档的RAG路由，使RAG系统能自动选择不同RAG文档，提升性能。通过本章，你将学会如何利用Agent技术增强RAG系统，实现自动切换不同信息源，让RAG应用更高效、更智能。
本章聚焦于实现前面开发的两个RAG模块——制度文档助手和金融智库的前端访问界面。介绍前端chatbot开发框架gradio，教你如何设计前端界面，并在实战中实现一个企业员工助手的RAG chatbot：erag。通过本章，你将掌握如何为RAG应用开发友好的前端界面，提升用户体验。
Embedding模型和大语言模型在向量检索和答案生成中起着关键作用，提升它们的性能是RAG优化的重要任务。本章讲解微调的概念及适用场景，重点介绍参数高效的微调方法LoRA，通过模型微调框架swift，详细讲解LoRA微调大语言模型的过程。同时，结合流行的Llamaindex，讲解微调embedding模型的具体方法。学完本章，你将掌握如何通过微调提升RAG系统的性能，让模型更贴合企业实际需求。
在本章，我们将通过思维导图的方式，详细梳理整个课程的知识点细节，帮你巩固所学内容。同时，针对RAG给出课程扩展，为你未来的学习和实践提供方向。最后，还会分享一些AI岗位面试的建议
选课、学习遇到问题？
扫码添加指导老师 1V1 帮助你！
添加后老师会第一时间解决你的问题
