智能体开发全套资源（1-6周）

先说结论：这套资料适合谁，不适合谁

这不是一门讲「智能体是什么」的科普课，而是一套围绕 RAG（检索增强生成）逐周推进的开发资料。如果你的日常工作涉及给企业文档做问答、把内部知识库接进大模型、或者你已经在用大模型 API 但回答总是「答非所问、编造内容」，这套东西能对上你的问题。反过来，如果你还没写过 Python、没调过任何大模型接口，直接进来会有点吃力——它默认你能看懂代码、能自己配环境。

另外要提前说明：这套资源是按周组织的，跨度六周，节奏偏紧凑。它不是那种「每天十分钟轻松学」的内容，更像是给自己排一个项目周期，边看边动手。

它到底解决什么工作场景

RAG 要解决的核心矛盾很具体：大模型本身不知道你公司的产品手册、合同模板、历史工单，硬问就会胡说。RAG 的思路是先把这些资料切片、向量化、存进向量库，提问时先检索出相关片段再交给模型组织答案。这套资料从最基础的「文档切分—向量化—检索—拼接回答」链路讲起，让你先跑通一条能用的最小流程。

跑通之后，它会往进阶走：普通 RAG 在真实业务里经常翻车——切分粒度不合理导致答案被截断、检索召回不准、多跳问题一次检索答不上来。资料里提到的 Modular RAG（模块化 RAG）就是针对这些问题的思路，把检索、路由、重排、融合拆成可替换的模块，而不是一条写死的流水线。学完这部分，你面对「为什么我的问答系统效果差」时，至少知道该从哪几个环节去查。

学完能独立做什么

• 把一批 PDF、Word 等非结构化文档处理好，建成可检索的向量索引；
• 用 LlamaIndex 搭出一个能跑通问答的智能体原型，而不是停留在 demo 截图；
• 用 Milvus 这类向量数据库管理较大规模的向量数据，理解索引类型和检索参数对结果的影响；
• 定位 RAG 效果问题：是切分问题、召回问题，还是提示词组织的问题；
• 把基础 RAG 改造成带重排、多路召回等模块的进阶结构。

注意这里说的是「原型」和「能定位问题」，不是「上线生产系统」。工程化里的并发、成本、评测体系，这套资料涉及有限，需要你后续自己补。

资料结构和上手建议

内容按天推进，前半段打基础，中段进入 LlamaIndex 等框架的实操，后面收在 RAG 的进阶形态上。每个阶段都配了动手环节，不是纯理论讲解。建议不要按顺序从头看到尾，而是先跳到你最急的那个场景——比如你手上正好有一批产品文档要接问答，就直接从文档处理和检索部分切入，遇到不懂的概念再回头补前面的原理。

环境搭建可能会占掉你第一天的全部时间，这是正常的，别因此怀疑内容质量。向量库和框架版本迭代快，遇到 API 对不上的地方，优先查官方文档而不是死磕资料里的代码。

给你的判断依据

判断这套资料值不值得投入，就问自己三个问题：手上有没有真实的文档问答需求？能不能接受边学边写代码？愿不愿意花六周而不是六个小时？三个都是「是」，它的性价比就很高；有一个是「否」，你可能更适合先补 Python 和大模型接口的基础，再回来啃 RAG。