极客时间《大模型RAG进阶实战营》|01 学习手册

这门课解决的是哪类工作问题

如果你已经在用大模型做问答、客服、内部知识检索这类应用，多半会遇到同一个瓶颈：模型本身能说会道，但一旦问到公司内部的文档、规范、产品参数，就开始一本正经地胡说。把资料塞进提示词里能缓解一阵，文档一多就撑不住上下文，检索出来的段落还经常答非所问。这门课针对的正是这个环节——检索增强生成，也就是让模型先查资料再回答的那套工程做法。

它不教你从零训练一个大模型，也不停留在“什么是向量数据库”的概念介绍上。内容重心放在把 RAG 做成一个可维护的系统：检索质量怎么评估、召回不准时往哪个环节调、复杂查询该怎么拆解、结构化数据（比如图数据库里的医学本体）怎么接入检索链路。这些都是实际项目里会卡住人的地方，而不是演示级别的玩具流程。

适合什么基础，先看哪几块

比较合适的起点是：能写 Python，调用过至少一家大模型的 API，知道 embedding 和向量检索大概是怎么回事。如果你只是听说过 RAG 但没动手搭过，前几章会有点吃力，建议先补一个最小可运行的检索问答 demo 再回来。反过来，如果你已经在生产环境跑着 RAG，这门课的价值主要在组件化和复杂范式那几章，能帮你把散落的脚本整理成可复用的结构。

建议的观看顺序不必完全跟着章节走。先看学习手册，把整体结构和术语对齐；然后进入组件相关的内容，理解一套 RAG 系统由哪些可替换的部件组成；最后再挑案例篇里的图数据库实战，看结构化知识怎么和文本检索结合。直播答疑和工具配置那部分属于辅助材料，遇到环境问题时再翻，不必一开始就花时间。

学完之后能独立做什么，资料怎么配合练

学完比较现实的目标是：你能独立设计并跑通一条完整的 RAG 链路，从文档切分、向量化、检索、重排到最终生成，并且知道每个环节出问题时该看哪些指标。再进一步，你能针对复杂提问做查询改写或分解，能判断什么时候该用图数据库这类结构化存储而不是纯向量检索。这些能力足以支撑你接手一个内部知识库问答项目，或者在现有系统上做效果优化。

练习上不要只看不写。每学完一个组件，就用自己手头的一份真实文档（产品手册、会议纪要都行）搭一遍，重点观察检索结果和最终回答的差距在哪。案例篇里的图数据库实战，建议先自己画一遍数据流转图，再对照实现，这样比直接抄代码收获大。手册和训练营文档适合当作查阅索引，遇到具体问题时回去定位，而不是从头到尾通读一遍就算学完。