为什么需要该课程

大型语言模型（LLM）已经取得了显著的成功，尽管它们仍然面临重大的限制，特别是在特定领域或知识密集型任务中，尤其是在处理超出其训练数据或需要当前信息的查询时，常会产生“幻觉”现象。为了克服这些挑战，检索增强生成（RAG）通过从外部知识库检索相关文档chunk并进行语义相似度计算，增强了LLM的功能。通过引用外部知识，RAG有效地减少了生成事实不正确内容的问题。RAG目前是基于LLM系统中最受欢迎的架构，有许多产品基于RAG构建，使RAG成为推动聊天机器人发展和增强LLM在现实世界应用适用性的关键技术。

你可以参加吗

各类软件企业和研发中心的程序员、软件设计师、架构师, 项目经理，业务架构师，公司管理者。

本课程面向零基础LLM应用开发者，不需要了解复杂数学算法，机器学习原理。建议具备基础的Python知识，但即使你对 Python 不太熟悉，也完全没有关系。课程主要阅读讲解部分案例代码。

课程大纲

第一部分: RAG技术概述

1.  RAG技术概述

2.  加载器和分割器

3.  文本嵌入和 向量存储

4.  如何生成和存储Embedding

5.  检索器和多文档联合检索

6.  RAG技术的关键挑战

7.  检索增强生成实践

8.  RAG技术文档预处理过程

9.  RAG技术文档检索过程

第二部分: RAG的工作流程

1.  RAG的工作流程

2.  数据准备

3.  数据召回

4.  答案生成

5.  RAG的优缺点

6.  RAG的优点

7.  RAG的缺点

8.  RAG的使用场景

9.  RAG面临的挑战

第三部分: 文本召回模型

1.  文本召回模型

2.  文本召回模型基础

3.  稠密向量检索模型 （SimCSE SBERT等）

4.  稀疏向量检索模型

5.  朴素词袋模型

6.  重排序模型

7.  召回环节优化

8.  短文本全局信息增强

9.  召回内容上下文扩充

10.  召回文本重排序

11.  效果评估

12.  召回环节评估 

第四部分: RAG核心技术-文本切块

1.  RAG场景下的提示词和文本切片

2.  文本切块

3.  固定大小文本切块

4.  基于NLTK的文本切块

5.  特殊格式文本切块

6.  基于深度学习模型的文本

第五部分: 向量数据库基础　

1.  什么是向量　

2.  万物皆可向量　

3.  向量间的相似度　

4.  相似度应用案例　

5.  为什么需要向量数据库　

6.  向量数据和传统数据的差异　

7.  向量数据库应运而生　

8.  大模型时代的智能存储平台　

9.  向量数据库极简史　

10.  向量数据库的核心能力　

11.  数据库核心原理

12.  搭建图片查询系统　

13.  向量数据库

14.  Faiss

15.  Milvus

16.  Weaviate

第六部分: GraphRAG 详解　

1.  知识图谱

2.  知识的两种表示方法：Vectors & Graphs

3.  Graph RAG 运行模式

4.  GraphRAG Lifecycle

5.  Create Graph

6.  Domain graph-域图

7.  Lexical Graph-词汇图

8.  GraphRAG 的优势　

第七部分: RAG和Prompt技术　

1.  Prompt 提示词工程

2.  RAG与Prompt 提示词优化

3.  使用Prompt模板

4.  更改默认的Prompt模板

5.  更改Prompt模板的变量　

6.  提示词 RAG 大模型交互的效果

第八部分: 基于LangChain构建RAG文档问答系统

1.  构建复杂LangChain RAG 应⽤

2.  LangChain模型(Models)：从不同的 LLM 和嵌入模型中进行选择

3.  LangChain提示(Prompts)：管理 LLM 输入

4.  LangChain链(Chains)：将 LLM 与其他组件相结合

5.  LangChain索引(Indexs)：访问外部数据

6.  LangChain记忆(Memory)：记住以前的对话

7.  LangChain代理(Agents)：访问其他工具

8.  使⽤大模型构建RAG文档问答系统

第九部分: 评估RAG应用

1.  为什么RAG应用需要评估

2.  RAG应用的评估依据与指标

3.  RAG应用的评估流程与方法

4.  评估检索质量

5.  生成检索评估数据集

6.  运行评估检索过程的程序

7.  评估响应质量

8.  生成响应评估数据集

9.  单次响应评估

10.  批量响应评估

11.  基于自定义标准的评估

12. RAG评估案例

第十部分: 基于国内大模型平台构建智能体和RAG技术

1.  基于字节构建RAG和Agent

2.  基于智谱构建RAG和Agent

3.  基于百度构建RAG和Agent

4.  基于千问构建RAG和Agent

第十一部分: RAG其他框架

1.  RAG技术框架概述

2.  Llamalndex

3.  QAnything

4.  RAGFlow

5.  Dify

第十二部分: 企业建设知识库的最佳实践

1.  企业级RAG应用的常见优化策略

2.  选择合适的知识块大小

3.  评估知识块大小

4.  分离检索阶段的知识块与生成阶段的知识块

5.  常见的分离策略及实现

6.  优化对大文档集知识库的检索

7.  元数据过滤 + 向量检索

8.  摘要检索+ 内容检索

9.  多文档Agentic RAG

10.  使用高级检索方法

11.  构建端到端的企业级RAG应用

12.  对生产型RAG应用的主要考量

13.  端到端的企业级RAG应用架构

14.  数据存储层

15.  AI模型层

16.  RAG工作流与API模块

17.  端到端的全栈RAG应用案例

18.  简单的全栈RAG查询应用

19.  基于多文档Agent的端到端对话应用

第十二部分: RAG 的未来演进

20.  多模态RAG的技术进展和发展路线

21.  未来的RAG和Agent如何发展

22.  如何构建企业级的RAG和Agent集群架构