RAG全栈技术从基础到精通 ,打造高精准AI应用

14种增强技术+ RAG智能评估优化+双模微调方案,大幅度提升AI回答准确率

已完结
|
难度:中级
|
时长:共 15 小时
新课榜第 2 名
349
原价¥399.00
上新特惠
截止至4月30日
距离活动结束
立即购买
加购物车
已有 267 人在学
  • 从基础系统掌握RAG全栈技术
  • 收获14增强技术实战经验技巧
  • 从0全流程构建企业级AI应用
  • 掌握智能评估|微调,倍增性能
  • 解决多场景RAG方案落地难题
  • 具备提升AI回答精准度的能力
试看本节课 11:02
试看本节课 03:38
试看本节课 06:27
1-1 全面了解课程,让你少走弯路,必看!!!
2-2 满足企业精准需求:RAG如何填补大语言模型短板
2-4 深入思考 long context加持的大模型企业还需要RAG
在 AI 领域,智能问答系统准确率低是常见难题,本课由资深 AI 专家精心打造,专为解决这一痛点。无论你是新老手,都会助你更好地发展。从 RAG 基础到深入剖析原理,全面构建RAG全栈技术体系,涵盖核心组件、14 种检索增强技术、智能评估以及双模型微调方案等前沿技术。带你从0到1构建企业级AI应用(智能问答助手和金融智库),并贯穿AI应用开发软技能,全方位提升解决问题能力,突破准确率瓶颈,助力职业腾飞。

本章介绍:

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。

第1章 课程学习必知——助你顺利学习以及避坑
1 节|12分钟
展开
  • 视频:
    1-1 全面了解课程,让你少走弯路,必看!!!
    试看
    11:02

本章介绍:

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

第2章 掌握未来AI趋势:RAG引领大语言模型新纪元
15 节|38分钟
收起
  • 视频:
    2-1 本章简介
    00:59
  • 视频:
    2-2 满足企业精准需求:RAG如何填补大语言模型短板
    试看
    03:38
  • 视频:
    2-3 解锁RAG三大核心
    01:32
  • 视频:
    2-4 深入思考 long context加持的大模型企业还需要RAG
    试看
    06:27
  • 视频:
    2-5 RAG技术栈:从【合格】到【优秀】的跨越
    02:42
  • 视频:
    2-6 本课程案例分析与说明
    02:38
  • 图文:
    2-7 【文档】运行和开发环境搭建说明
  • 视频:
    2-8 课程环境安装过程演示
    19:30
  • 图文:
    2-9 【环境搭建】python软件包管理:anaconda3/miniforg3
  • 图文:
    2-10 【环境搭建】python环境安装
  • 图文:
    2-11 【环境安装】RAGFlow
  • 图文:
    2-12 【环境搭建】向量数据库
  • 图文:
    2-13 【环境搭建】图数据库
  • 图文:
    2-14 【环境搭建】模型下载&GPU环境安装(可选)&ollama安装(可选)
  • 图文:
    2-15 【文档】课程机器配置要求说明

本章介绍:

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。

第3章 【企业级专业选型】RAG核心一:挑选符合企业的【优秀】大语言基石模型
12 节|90分钟
收起
  • 视频:
    3-1 本章简介
    01:40
  • 视频:
    3-2 大模型入门:核心要点和技术演变(token、transformer、训练)
    20:57
  • 视频:
    3-3 国内外大模型产品必知必会
    03:44
  • 视频:
    3-4 没有GPU如何调用大模型-大模型调用的三种方式
    09:32
  • 视频:
    3-5 火眼金星:如何分辨大模型的好坏
    05:58
  • 视频:
    3-6 RAG应用:挑选大模型的四大步骤
    02:18
  • 视频:
    3-7 总结和展望:不同项目角色需要对AI大模型了解程度的差异性分析
    09:01
  • 图文:
    3-8 【文档】大语言模型如何下载
  • 图文:
    3-9 【文档】星火大模型API使用
  • 图文:
    3-10 【文档】如何通过ollama部署本地大模型-deepseek-r1
  • 视频:
    3-11 实战:使用大语言模型(本地和API、GPU和CPU)-1
    17:39
  • 视频:
    3-12 实战:使用大语言模型(本地和API、GPU和CPU)-2
    18:42

本章介绍:

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。

第4章 【企业级专业选型】RAG核心二:挑选合适RAG的向量Embedding模型
8 节|43分钟
展开
  • 视频:
    4-1 本章介绍
    00:47
  • 视频:
    4-2 embedding模型的重要性
    02:35
  • 视频:
    4-3 embedding是怎么炼成的?
    05:08
  • 视频:
    4-4 主流中文embedding模型
    06:21
  • 视频:
    4-5 embedding模型排行榜靠谱不靠谱,如何选择
    04:11
  • 图文:
    4-6 【文档】embedding模型下载
  • 视频:
    4-7 实战:embedding模型加载和使用对比
    22:25
  • 视频:
    4-8 本章总结
    01:20

本章介绍:

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。

第5章 【企业级专业选型】RAG核心三:企业级的向量数据库选型和高效使用
8 节|66分钟
展开
  • 视频:
    5-1 本章介绍
    01:03
  • 视频:
    5-2 全方位对比:主流向量数据库
    11:48
  • 视频:
    5-3 企业级向量数据库的要求
    01:51
  • 视频:
    5-4 向量数据库相似性搜索
    02:34
  • 视频:
    5-5 性能为王:探索向量数据索引优化技术
    16:00
  • 视频:
    5-6 实战:部署和使用企业级向量数据库(chroma和milvus)-1
    14:55
  • 视频:
    5-7 实战:部署和使用企业级向量数据库(chroma和milvus)-2
    14:45
  • 视频:
    5-8 总结和展望:企业级应用的高可用性
    02:49

本章介绍:

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。

第6章 【企业员工智能问答助手-实现V1.0版】高效处理企业复杂业务数据
7 节|68分钟
展开
  • 视频:
    6-1 本章介绍
    00:56
  • 视频:
    6-2 复杂:企业数据复杂多样
    04:35
  • 视频:
    6-3 原则:垃圾进垃圾出,注重文档质量
    04:03
  • 视频:
    6-4 挑战:RAG如何读取多样性文档(文本、表格和布局分析)
    09:11
  • 视频:
    6-5 文档分块:递归文本分块和语义智能分块
    12:24
  • 视频:
    6-6 实战:实现制度问答模块数据读取和切割
    35:38
  • 视频:
    6-7 本章总结
    01:13

本章介绍:

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。

第7章 【企业员工智能问答助手-实现V1.0版】搭建制度问答baseline RAG
6 节|28分钟
展开
  • 视频:
    7-1 本章介绍
    01:23
  • 视频:
    7-2 【企业员工制度问答助手】需求分析
    02:25
  • 视频:
    7-3 项目技术选型
    01:41
  • 视频:
    7-4 项目架构设计
    01:39
  • 视频:
    7-5 实战:实现制度问答模块RAG baseline
    16:21
  • 视频:
    7-6 总结和展望:转变思想,AI应用开发和传统软件开发的区别
    04:27

本章介绍:

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。

第8章 【企业员工智能问答助手-评估V1.0版】有效评估RAG是提升的关键
6 节|37分钟
展开
  • 视频:
    8-1 本章介绍
    00:54
  • 视频:
    8-2 RAG迭代的关键:评估
    03:52
  • 视频:
    8-3 RAG评估的三大步骤
    01:06
  • 视频:
    8-4 RAG评价神器:Ragas框架
    20:34
  • 视频:
    8-5 实战:用Ragas评估制度问答模块的性能
    07:35
  • 视频:
    8-6 本章总结
    02:14

本章介绍:

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。

第9章 【企业员工智能问答助手-实现V2.0版】提升RAG的【14种】检索增强技能
19 节|226分钟
展开
  • 视频:
    9-1 本章介绍
    01:23
  • 视频:
    9-2 一图剖析RAG进化之路:探索优化点
    03:27
  • 视频:
    9-3 检索的两大形态:稀疏 vs 稠密
    09:45
  • 视频:
    9-4 查询增强:增加相关内容-Query2doc+ HyDE+子问题查询+问题改写+Task Step Back
    20:36
  • 视频:
    9-5 多索引增强:从不同维度构建索引,强化相关内容
    09:17
  • 视频:
    9-6 检索后增强:融合检索,三个臭皮匠顶一个诸葛亮
    09:20
  • 视频:
    9-7 检索后增强:重排序技术(Re-rank)
    05:37
  • 视频:
    9-8 系统性增强:迭代检索增强生成,从上一迭代收获信息
    07:00
  • 视频:
    9-9 RAG新范式:自我评估增强Self-RAG
    10:49
  • 视频:
    9-10 总结和展望:关于企业里需要良好的代码规范和代码管理
    19:41
  • 视频:
    9-11 实战:用检索增强技术提升制度问答模块性能-查询增强-1
    21:31
  • 视频:
    9-12 实战:用检索增强技术提升制度问答模块性能-查询增强-2
    27:22
  • 视频:
    9-13 实战:用检索增强技术提升制度问答模块性能-多索引增强
    24:19
  • 视频:
    9-14 实战:用检索增强技术提升制度问答模块性能-融合检索
    07:10
  • 图文:
    9-15 【文档】重排rerank模型如何下载
  • 视频:
    9-16 实战:用检索增强技术提升制度问答模块性能-rerank重排
    06:30
  • 视频:
    9-17 实战:用检索增强技术提升制度问答模块性能-迭代检索增强生成
    06:02
  • 视频:
    9-18 实战:用检索增强技术提升制度问答模块性能-self-RAG-1
    17:35
  • 视频:
    9-19 实战:用检索增强技术提升制度问答模块性能-self-RAG-2
    17:49

本章介绍:

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。

第10章 基于知识图谱【金融智库】:从RAG到Graph RAG,让企业知识图谱更智能
8 节|125分钟
展开
  • 视频:
    10-1 本章介绍
    03:09
  • 视频:
    10-2 认识金融智库知识图谱数据:特别的知识三元组
    12:01
  • 视频:
    10-3 如何存储和操作知识图谱:neo4j和nebulagraph
    16:51
  • 视频:
    10-4 实战:动手构建金融智库知识图谱-1
    17:31
  • 视频:
    10-5 实战:动手构建金融智库知识图谱-2
    20:23
  • 视频:
    10-6 RAG和Graph RAG有什么区别:如何构建Graph RAG
    18:03
  • 视频:
    10-7 实战:利用Graph RAG构建金融智库知识库应用
    26:18
  • 视频:
    10-8 总结和展望:如何自我学习,跟进前沿技术
    09:50

本章介绍:

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。

第11章 基于知识图谱【金融智库】:从RAG到agenticRAG,实现自动切换不同信息源
6 节|39分钟
展开
  • 视频:
    11-1 本章介绍
    01:29
  • 视频:
    11-2 大模型的手脚:AI智能体Agent
    14:26
  • 视频:
    11-3 推理和行动并行:ReAct框架
    04:46
  • 视频:
    11-4 基于Agent的多文档RAG Router
    02:36
  • 视频:
    11-5 实战:利用ReAc Agent实现 RAG Router
    13:31
  • 视频:
    11-6 本章总结
    01:24

本章介绍:

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。

第12章 【RAG扩展】企业员工助手-接口和界面开发
7 节|47分钟
展开
  • 视频:
    12-1 本章介绍
    01:14
  • 视频:
    12-2 演示界面神器:gradio介绍
    12:19
  • 视频:
    12-3 实战:gradio整合两大RAG项目(1)
    13:23
  • 视频:
    12-4 实战:gradio整合两大RAG项目(2)
    19:07
  • 图文:
    12-5 RAG Pipeline API 接口文档-【简介&fastapi介绍】
  • 图文:
    12-6 RAG Pipeline API 接口文档-【环境准备&API接口说明】
  • 图文:
    12-7 RAG Pipeline API 接口文档-【使用示例】

本章介绍:

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。

第13章 【RAG进阶】企业员工助手-项目进阶:RAG微调
5 节|43分钟
展开
  • 视频:
    13-1 本章介绍
    01:31
  • 视频:
    13-2 普通显卡也可以训练大模型:揭开Lora微调的面纱
    12:57
  • 视频:
    13-3 新手也可以微调:大语言模型微调框架SWIFT
    20:16
  • 视频:
    13-4 让Embedding更接近你的数据:用llamaindex微调embedding模型
    05:09
  • 视频:
    13-5 本章总结
    02:22

本章介绍:

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

第14章 企业员工助手-总结和展望
2 节|32分钟
展开
  • 视频:
    14-1 -1 项目总结和展望:课程回顾与总结
    15:05
  • 视频:
    14-2 -2 项目总结和展望:课程总结与AI岗位面试技巧
    15:57
本课程已完结
适合人群
IT开发者、想从事或对AI感兴趣的人群
技术储备
有开发经验,需要有python 基础
阿基米口
资深AI算法工程师, 已有267个学生
主攻AI算法与应用,拥有超过10年一线互联网企业的AI研发经验。精通传统机器学习、计算机视觉和大语言模型,尤其在AI模型训练、应用开发及工程化落地方面积累了丰富的实战经验。多次带领AI项目团队,具备卓越的项目管理能力。此外,热衷于知识分享,常在技术博客和公众号上发布AI实战经验,助力社区共同成长。
不为别的,只为提升面试通过率
尽管课程时间很长,
但没关系,我们有老师的陪伴,
还有同学之间互相鼓励,彼此帮助,
完成学习后,还能获得慕课网官方认证的证书。
立即购买
FRISHRIGHT给了 好评
非常好,值得购买!希望老师后续能继续出人工智能相关的课程!
IT大宝给了 好评
AI落地应用开发实战,课程内容系统全面,案例透彻,感谢老师开发出这样的好课
xiaozhanxiaozhan给了 好评
深入浅出,通俗易懂。可以看出来老师的水平很高,在RAG有很深的知识和技术理解。
cloverwang给了 好评
深入浅出,通俗易懂。是一门好课程!
慕慕2853146给了 好评
深入浅出,通俗易懂。是一门好课程!
数据加载中...
《RAG全栈技术从基础到精通 ,打造高精准AI应用》的真实评价
内容实用:
10.00分
通俗易懂:
10.00分
逻辑清晰:
10.00分
综合评分:10.00分,共 5 人参与
FRISHRIGHT
给了 好评
非常好,值得购买!希望老师后续能继续出人工智能相关的课程!
IT大宝
给了 好评
AI落地应用开发实战,课程内容系统全面,案例透彻,感谢老师开发出这样的好课
xiaozhanxiaozhan
给了 好评
深入浅出,通俗易懂。可以看出来老师的水平很高,在RAG有很深的知识和技术理解。
cloverwang
给了 好评
深入浅出,通俗易懂。是一门好课程!
慕慕2853146
给了 好评
深入浅出,通俗易懂。是一门好课程!
篇幅原因,只展示最近100条评价

学习咨询

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

微信客服

购课补贴
联系客服咨询优惠详情

帮助反馈 APP下载

慕课网APP
您的移动学习伙伴

公众号

扫描二维码
关注慕课网微信公众号