从0到1LangChainRAG全链路实战AI知识库

这门课解决的是哪一类工作问题

很多人对 RAG 的印象停留在「把文档丢进向量库，然后提问」这一层，真到动手时会卡在几个具体环节：文本切多长合适、向量检索出来的片段为什么答非所问、模型回答里出现原文没有的内容怎么处理、检索结果怎么拼进提示词、前端界面和后端数据库怎么串起来。这门课针对的正是这条链路，而不是单独讲某个 API 怎么调用。它把 LangChain 作为串联工具，依次处理向量化、检索、工具调用，最后落到一个可运行的 AI 知识库项目上。如果你的日常工作是给团队做内部文档问答、给产品加一个基于自有资料的问答入口，或者想搞清楚 RAG 系统各环节的职责边界，这门课的内容是对得上的。

适合什么基础，建议先看哪几块

前提是能读懂 Python 代码，知道函数、类、虚拟环境这些基本概念，调用过至少一个大模型接口更好。完全没写过代码的人直接进来会比较吃力，因为课程不会花时间补 Python 语法。反过来，已经用 LangChain 搭过简单 demo 的人，可以重点看检索和实战两段，前面向量原理部分快速过一遍即可。

建议的观看顺序是先看向量原理那一章，把文本转向量、相似度计算这件事弄明白，这是后面所有检索效果问题的根源。接着看检索部分，理解从全量匹配到按相似度取 Top-K 的差别，以及为什么检索质量直接决定回答质量。工具调用那一章可以稍后看，它解决的是让模型在检索之外还能查外部接口，属于能力扩展，不是知识库的必需环节。最后再进入实战项目，跟着把技术架构、前端界面、数据库三块走完。

学完能独立做什么，资料怎么配合练习

跟完之后，你应该能独立搭出一个可用的知识库问答原型：自己准备文档、完成切分和向量化、写检索逻辑、把召回内容组织进提示词、用 Streamlit 做出一个能输入问题并显示答案的界面，再把数据落到 PostgreSQL 里做持久化。这个原型距离生产系统还有距离，比如权限控制、并发、检索评估都没覆盖，但链路上每一环你都亲手走过一遍，遇到效果不好时知道该去调哪一层。

练习上不建议只看不写。向量和检索两章最好自己换一份真实文档跑一遍，观察不同切分粒度对召回结果的影响，这是最能积累手感的地方。实战项目部分建议先按课程结构跑通，再尝试替换成自己工作里的资料，把数据库和界面保留、只换数据源，这样能验证你是否真的理解了各模块之间的接口。工具调用那章如果当前用不上，可以先跳过，等有外部数据需求时再回来补。