首页 实战
收藏

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。
展开所有

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！
高效运用AI，快速实现智能化企业应用开发
套餐价格：¥870.00
3门课 总价：¥966.00
立即购买
 课程介绍

RAG全栈技术从基础到精通 ，打造高精准AI应用

中级  · 267人报名 ¥399.00
课程介绍 

DeepSeek+SpringAI实战AI家庭医生应用

初级  · 360人报名 ¥199.00
课程介绍 

AI Agent智能应用从0到1定制开发 全流程解决方案实战

中级  · 1285人报名 ¥368.00
查看更多
数据加载中...
查看更多好课
《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
上新特惠
￥349
截止至4月30日
￥399.00
立即购买
加购物车

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