人工精选 飞豹客体系课
RAG全栈技术从基础到精通 ，打造高精准AI应用
很多团队做 AI 问答，第一版 Demo 看着挺唬人，一上线就被业务方挑出毛病：问公司报销标准，它答得像模像样，数字却是编的。这类"幻觉"不是模型不够大，而是它压根没拿到你的资料。RAG 要解决的就是这个场景——先把相关文档检索出来，再让模型基于这些内容作答，把回答锚在事实上。 这门课真正对着哪些工
单课价¥24.00新品 上架
购买本课销量 0 · 永久有效
会员价 · 单课标价 ¥24.00
会员 · 按档位
永久¥12.005折
年¥14.406折
月¥16.807折
游客按标价购买，不享受上表折扣。
支付成功后自动发放网盘链接，链接失效可找客服免费补
正版保障 极速发货 售后无忧
很多团队做 AI 问答，第一版 Demo 看着挺唬人，一上线就被业务方挑出毛病：问公司报销标准，它答得像模像样，数字却是编的。这类"幻觉"不是模型不够大，而是它压根没拿到你的资料。RAG 要解决的就是这个场景——先把相关文档检索出来，再让模型基于这些内容作答，把回答锚在事实上。
这门课真正对着哪些工作场景
它不是讲大模型原理的理论课，落点很具体：你手上有一批内部文档、产品手册、客服记录，想让它们变成能问答的知识库，并且这个系统要能跑在真实业务里，而不只是本地 notebook 里的一次演示。所以内容会从文档切分、向量化、入库检索，一路走到接口封装和前端交互，中间还涉及检索效果不好时怎么调、答案不准时怎么评估。如果你之前只调过 API、拼过 prompt，没搭过完整链路，这门课补的正是中间那段。
适合什么基础，先看哪几块
前提是你能写 Python，读得懂后端接口和基本的前端概念，不需要事先懂向量数据库或 LangChain。零 Python 基础的话，建议先补语言再来，否则框架部分会很吃力。
看的时候不必按顺序平推。建议先抓住三块：一是数据准备与切分，这决定了检索的上限，很多效果差的项目问题就出在这里；二是向量库的选型与检索调优，课程里用到了 Pinecone 和 Milvus 两种，重点理解它们各自的适用场合而不是死记 API；三是评估环节，怎么判断一次改动是真的变好了。至于多种增强技术和双模微调，属于把准确率往上再推一档的内容，建议等基础链路跑通、有了自己的评测数据之后再回头看，否则容易只记住名词。
学完能独立做什么，资料怎么配合练
比较现实的目标是：你能独立搭起一套可用的检索问答服务，后端用 FastAPI 暴露接口，接上向量库，前端能对话，并且当回答不准时，你知道该去查切分、检索还是生成哪一环，而不是盲目换模型。这套能力在内部知识库、文档助手、客服辅助这类需求上直接能用。
练习上给两个建议。第一，别用课程自带的示例数据跑完就算完，换成你自己熟悉的一批文档，比如几十页产品说明或制度文件，从零走一遍，你会立刻遇到示例里没有的脏数据问题。第二，每改一次切分策略或检索参数，就把同一组问题重跑一遍并记下结果，养成用数据说话的习惯，这也是评估那部分内容真正的价值所在。资料里的代码和配置建议边看边改，不要只做收藏。
00 资料 源代码 01 chatdoc.zip 02 RAG_full_stack_course_notebooks.zip 03 RAG_erag.zip 01 第1章 课程学习必知——助你顺利学习以及避坑 01 1-1 全面了解课程，让你少走弯路，必看！！！ 02 第2章 掌握未来AI趋势：RAG引领大语言模型新纪元 01 2-1 本章简介 02 2-2 满足企业精准需求：RAG如何填补大语言模型短板 03 2-3 解锁RAG三大核心 04 2-4 深入思考 long context加持的大模型企业还需要RAG 05 2-5 RAG技术栈：从【合格】到【优秀】的跨越 06 2-6 本课程案例分析与说明 08 2-8 课程环境安装过程演示 03 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 01 3-1 本章简介 02 3-2 大模型入门：核心要点和技术演变（token、transformer、训练） 03 3-3 国内外大模型产品必知必会 04 3-4 没有GPU如何调用大模型-大模型调用的三种方式 05 3-5 火眼金星：如何分辨大模型的好坏 06 3-6 RAG应用：挑选大模型的四大步骤 07 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 12 3-12 实战：使用大语言模型（本地和API、GPU和CPU）-1 13 3-13 实战：使用大语言模型（本地和API、GPU和CPU）-2 04 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 01 4-1 本章介绍 02 4-2 embedding模型的重要性 03 4-3 embedding是怎么炼成的 04 4-4 主流中文embedding模型 05 4-5 embedding模型排行榜靠谱不靠谱，如何选择 07 4-7 实战：embedding模型加载和使用对比 08 4-8 本章总结 05 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 01 5-1 本章介绍 02 5-2 全方位对比：主流向量数据库 03 5-3 企业级向量数据库的要求 04 5-4 向量数据库相似性搜索 05 5-5 性能为王：探索向量数据索引优化技术 07 5-7 实战：部署和使用企业级向量数据库（chroma和milvus）-1 08 5-8 实战：部署和使用企业级向量数据库（chroma和milvus）-2 09 5-9 总结和展望：企业级应用的高可用性 06 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 01 6-1 本章介绍 02 6-2 复杂：企业数据复杂多样 03 6-3 原则：垃圾进垃圾出，注重文档质量 04 6-4 挑战：RAG如何读取多样性文档（文本、表格和布局分析） 05 6-5 文档分块：递归文本分块和语义智能分块 07 6-7 实战：实现制度问答模块数据读取和切割 08 6-8 本章总结 07 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 01 7-1 本章介绍 02 7-2 【企业员工制度问答助手】需求分析 03 7-3 项目技术选型 04 7-4 项目架构设计 06 7-6 实战：实现制度问答模块RAG baseline 07 7-7 总结和展望：转变思想，AI应用开发和传统软件开发的区别 08 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 01 8-1 本章介绍 02 8-2 RAG迭代的关键：评估 03 8-3 RAG评估的三大步骤 04 8-4 RAG评价神器：Ragas框架 06 8-6 实战：用Ragas评估制度问答模块的性能 07 8-7 本章总结 09 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 01 9-1 本章介绍 02 9-2 一图剖析RAG进化之路：探索优化点 03 9-3 检索的两大形态：稀疏 vs 稠密 04 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 05 9-5 多索引增强：从不同维度构建索引，强化相关内容 06 9-6 检索后增强：融合检索，三个臭皮匠顶一个诸葛亮 07 9-7 检索后增强：重排序技术(Re-rank) 08 9-8 系统性增强：迭代检索增强生成，从上一迭代收获信息 09 9-9 RAG新范式：自我评估增强Self-RAG 10 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 12 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-1 13 9-13 实战：用检索增强技术提升制度问答模块性能-查询增强-2 14 9-14 实战：用检索增强技术提升制度问答模块性能-多索引增强 15 9-15 实战：用检索增强技术提升制度问答模块性能-融合检索 17 9-17 实战：用检索增强技术提升制度问答模块性能-rerank重排 18 9-18 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 19 9-19 实战：用检索增强技术提升制度问答模块性能-self-RAG-1 20 9-20 实战：用检索增强技术提升制度问答模块性能-self-RAG-2 10 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 01 10-1 本章介绍 02 10-2 认识金融智库知识图谱数据：特别的知识三元组 03 10-3 如何存储和操作知识图谱：neo4j和nebulagraph 05 10-5 实战：动手构建金融智库知识图谱-1 06 10-6 实战：动手构建金融智库知识图谱-2 07 10-7 RAG和Graph RAG有什么区别：如何构建Graph RAG 08 10-8 实战：利用Graph RAG构建金融智库知识库应用 09 10-9 总结和展望：如何自我学习，跟进前沿技术 11 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 01 11-1 本章介绍 02 11-2 大模型的手脚：AI智能体Agent 03 11-3 推理和行动并行：ReAct框架 04 11-4 基于Agent的多文档RAG Router 06 11-6 实战：利用ReAc Agent实现 RAG Router 07 11-7 本章总结 12 第12章 【RAG扩展】企业员工助手-接口和界面开发 01 12-1 本章介绍 02 12-2 演示界面神器：gradio介绍 04 12-4 实战：gradio整合两大RAG项目（1） 05 12-5 实战：gradio整合两大RAG项目（2） 13 第13章 RAGFlow deepdoc文件解析和优化【免费升级优化】 02 13-2 RAGFlow deepdoc视觉模块结果执行 03 13-3 ollama部署多模态视觉大模型 04 13-4 RAGFlow文档解析效果预览 14 第14章 【RAG进阶】企业员工助手-项目进阶：RAG微调 01 14-1 本章介绍 02 14-2 普通显卡也可以训练大模型：揭开Lora微调的面纱 03 14-3 新手也可以微调：大语言模型微调框架SWIFT 04 14-4 让Embedding更接近你的数据：用llamaindex微调embedding模型 05 14-5 本章总结 15 第15章 企业员工助手-总结和展望 01 15-1 -1 项目总结和展望：课程回顾与总结 02 15-2 -2 项目总结和展望：课程总结与AI岗位面试技巧
课程目录
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 集
- 10-1 本章介绍_ev.mp4
- 10-2 认识金融智库知识图谱数据：特别的知识三元组_ev.mp4
- 10-3 如何存储和操作知识图谱：neo4j和nebulagraph_ev.mp4
- 10-4 实战：动手构建金融智库知识图谱-1_ev.mp4
- 10-5 实战：动手构建金融智库知识图谱-2_ev.mp4
- 10-6 RAG和Graph RAG有什么区别：如何构建Graph RAG_ev.mp4
- 10-7 实战：利用Graph RAG构建金融智库知识库应用_ev.mp4
- 10-8 总结和展望：如何自我学习，跟进前沿技术_ev.mp4
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 集
- 11-1 本章介绍_ev.mp4
- 11-2 大模型的手脚：AI智能体Agent_ev.mp4
- 11-3 推理和行动并行：ReAct框架_ev.mp4
- 11-4 基于Agent的多文档RAG Router_ev.mp4
- 11-5 实战：利用ReAc Agent实现 RAG Router_ev.mp4
- 11-6 本章总结_ev.mp4
第12章 【RAG扩展】企业员工助手-接口和界面开发7 集
- 12-1 本章介绍_ev.mp4
- 12-2 演示界面神器：gradio介绍_ev.mp4
- 12-3 实战：gradio整合两大RAG项目（1）_ev.mp4
- 12-4 实战：gradio整合两大RAG项目（2）_ev.mp4
- 12-5 RAG Pipeline API 接口文档-【简介&fastapi介绍】.pdf
- 12-6 RAG Pipeline API 接口文档-【环境准备&API接口说明】.pdf
- 12-7 RAG Pipeline API 接口文档-【使用示例】.pdf
第13章 【RAG进阶】企业员工助手-项目进阶：RAG微调5 集
- 13-1 本章介绍_ev.mp4
- 13-2 普通显卡也可以训练大模型：揭开Lora微调的面纱_ev.mp4
- 13-3 新手也可以微调：大语言模型微调框架SWIFT_ev.mp4
- 13-4 让Embedding更接近你的数据：用llamaindex微调embedding模型_ev.mp4
- 13-5 本章总结_ev.mp4
第14章 企业员工助手-总结和展望2 集
- 14-1 -1 项目总结和展望：课程回顾与总结_ev.mp4
- 14-2 -2 项目总结和展望：课程总结与AI岗位面试技巧_ev.mp4
第1章 课程学习必知——助你顺利学习以及避坑1 集
- 1-1 全面了解课程，让你少走弯路，必看！！！_ev.mp4
第2章 掌握未来AI趋势：RAG引领大语言模型新纪元8 集
- 2-1 本章简介_ev.mp4
- 2-2 满足企业精准需求：RAG如何填补大语言模型短板_ev.mp4
- 2-3 解锁RAG三大核心_ev.mp4
- 2-4 深入思考 long context加持的大模型企业还需要RAG_ev.mp4
- 2-5 RAG技术栈：从【合格】到【优秀】的跨越_ev.mp4
- 2-6 本课程案例分析与说明_ev.mp4
- 2-7运行和开发环境搭建.pdf
- 2-8课程机器配置要求说明.pdf
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 集
- 3-1 本章简介_ev.mp4
- 3-10 【文档】如何通过ollama部署本地大模型-deepseek-r1.pdf
- 3-11 实战：使用大语言模型（本地和API、GPU和CPU）-1_ev.mp4
- 3-12 实战：使用大语言模型（本地和API、GPU和CPU）-2_ev.mp4
- 3-2 大模型入门：核心要点和技术演变（token、transformer、训练）_ev.mp4
- 3-3 国内外大模型产品必知必会_ev.mp4
- 3-4 没有GPU如何调用大模型-大模型调用的三种方式_ev.mp4
- 3-5 火眼金星：如何分辨大模型的好坏_ev.mp4
- 3-6 RAG应用：挑选大模型的四大步骤_ev.mp4
- 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_ev.mp4
- 3-8 【文档】大语言模型如何下载.pdf
- 3-9 【文档】星火大模型API使用.pdf
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 集
- 4-1 本章介绍_ev.mp4
- 4-2 embedding模型的重要性_ev.mp4
- 4-3 embedding是怎么炼成的？_ev.mp4
- 4-4 主流中文embedding模型_ev.mp4
- 4-5 embedding模型排行榜靠谱不靠谱，如何选择_ev.mp4
- 4-6 【文档】embedding模型下载.pdf
- 4-7 实战：embedding模型加载和使用对比_ev.mp4
- 4-8 本章总结_ev.mp4
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 集
- 5-1 本章介绍_ev.mp4
- 5-2 全方位对比：主流向量数据库_ev.mp4
- 5-3 企业级向量数据库的要求_ev.mp4
- 5-4 向量数据库相似性搜索_ev.mp4
- 5-5 性能为王：探索向量数据索引优化技术_ev.mp4
- 5-6 实战：部署和使用企业级向量数据库（chroma和milvus）-1_ev.mp4
- 5-7 实战：部署和使用企业级向量数据库（chroma和milvus）-2_ev.mp4
- 5-8 总结和展望：企业级应用的高可用性_ev.mp4
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 集
- 6-1 本章介绍_ev.mp4
- 6-2 复杂：企业数据复杂多样_ev.mp4
- 6-3 原则：垃圾进垃圾出，注重文档质量_ev.mp4
- 6-4 挑战：RAG如何读取多样性文档（文本、表格和布局分析）_ev.mp4
- 6-5 文档分块：递归文本分块和语义智能分块_ev.mp4
- 6-6 实战：实现制度问答模块数据读取和切割_ev.mp4
- 6-7 本章总结_ev.mp4
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 RAG6 集
- 7-1 本章介绍_ev.mp4
- 7-2 【企业员工制度问答助手】需求分析_ev.mp4
- 7-3 项目技术选型_ev.mp4
- 7-4 项目架构设计_ev.mp4
- 7-5 实战：实现制度问答模块RAG baseline_ev.mp4
- 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_ev.mp4
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 集
- 8-1 本章介绍_ev.mp4
- 8-2 RAG迭代的关键：评估_ev.mp4
- 8-3 RAG评估的三大步骤_ev.mp4
- 8-4 RAG评价神器：Ragas框架_ev.mp4
- 8-5 实战：用Ragas评估制度问答模块的性能_ev.mp4
- 8-6 本章总结_ev.mp4
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 集
- 9-1 本章介绍_ev.mp4
- 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_ev.mp4
- 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_ev.mp4
- 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_ev.mp4
- 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_ev.mp4
- 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_ev.mp4
- 9-15 【文档】重排rerank模型如何下载.pdf
- 9-16 实战：用检索增强技术提升制度问答模块性能-rerank重排_ev.mp4
- 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_ev.mp4
- 9-18 实战：用检索增强技术提升制度问答模块性能-self-RAG-1_ev.mp4
- 9-19 实战：用检索增强技术提升制度问答模块性能-self-RAG-2_ev.mp4
- 9-2 一图剖析RAG进化之路：探索优化点_ev.mp4
- 9-3 检索的两大形态：稀疏 vs 稠密_ev.mp4
- 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_ev.mp4
- 9-5 多索引增强：从不同维度构建索引，强化相关内容_ev.mp4
- 9-6 检索后增强：融合检索，三个臭皮匠顶一个诸葛亮_ev.mp4
- 9-7 检索后增强：重排序技术(Re-rank)_ev.mp4
- 9-8 系统性增强：迭代检索增强生成，从上一迭代收获信息_ev.mp4
- 9-9 RAG新范式：自我评估增强Self-RAG_ev.mp4
