极客时间RAG与Agent性能调优50讲

如果你已经在用大模型做知识库问答，或者正准备给自己的产品加一套检索增强和 Agent 能力，那多半会碰到同一个尴尬：Demo 跑起来很惊艳，一旦放进真实业务，回答就开始飘——该召回的政策条款没召回，切片把一句完整的话切断了，OCR 出来的文本错字连篇直接被喂进了模型，多阶段召回叠了一堆却还是不准。这门课解决的就是这类"跑得通但跑不好"的问题。

它盯的是工程落地，不是概念科普

市面上讲 RAG 的内容大多停在"向量库 + 大模型"的流程图层面，而这份资料的重心明显偏后端工程：索引怎么建、切片长度和滑动窗口怎么调、倒排索引和向量索引在什么场景下各自更划算、混合检索架构怎么设计才能同时兼顾覆盖率和精度。这些恰好是决定一套检索系统能不能上生产的关键点，也是网上零散博客最难讲清楚的部分。Agent 方向同样落在性能调优上，而不是再讲一遍 Agent 是什么。

学完之后，你能独立做的事

• 面对一份政策、合同或内部文档，判断该用固定长度切片还是按语义切，并给出滑动窗口的具体参数；
• 针对"总是漏关键点"的垂直领域检索，自己动手调整召回策略，而不是只会换一个更大的向量模型；
• 设计多阶段召回加粗排的混合检索链路，说清楚每一层负责解决哪类误差；
• 处理扫描件、图片类文档时，用 LLM 对 OCR 结果做纠错，让脏文本也能进入检索流程；
• 给 Agent 做性能排查，定位是调用链太长、工具选择不准，还是上下文塞得太满。

换句话说，学完不是"懂了原理"，而是能拿着这些问题清单回到自己的项目里逐条改。

资料形态与适合的基础

内容是视频讲解为主，共 50 讲，单讲围绕一个具体问题展开，配套有示例和案例演示，不是那种一讲两小时的系统性大课。节奏偏紧凑，适合按需挑着看，也适合当检索优化过程中的参考手册。

基础方面，需要你已经会用 Python 调用大模型接口，了解向量数据库的基本用法，知道什么是 embedding 和相似度检索。如果你完全没接触过 RAG，建议先跑通一个最小可用的问答 Demo 再来，否则前几讲会略显吃力。反过来，如果你已经在做相关项目，只是想找几个具体问题的解法，这门课的信息密度是够的，可以跳过已掌握的部分。

值不值得花时间

它的价值集中在"调优"两个字上：RAG 和 Agent 的入门门槛已经很低，真正拉开差距的是检索质量、召回精度和调用效率这些细节。这类内容通常散落在论文、开源项目 issue 和个人踩坑记录里，整理成 50 讲的成本不低。如果你的工作正好落在这块，或者正准备转向后端 + 大模型应用的方向，这门课值得投入；如果只是想了解 RAG 大概是什么，找一篇综述就够了，不必占用这份资料。

建议的用法是先挑自己当前最卡的那一讲看，改完项目里的对应环节，再回头补相邻主题。带着具体问题看，比从头顺一遍的收益大得多。