大鹏 AI 玩转 RAG 基础模型

选 RAG 课的人，多半已经踩过一次坑：跟着教程把向量库搭起来、把文档塞进去，demo 跑通了，但一换模型、一改需求，整个链路就开始胡说八道。问题往往不在检索，而在最底下那层基础模型——提示词怎么给、上下文里放什么、答案要不要带来源、本地模型和云端接口怎么选，这些没人系统讲。

这门课就是冲着这层来的。它不教你写 Python，也不带你搭一个漂亮的前端，而是把 RAG 里"模型调用"这一段拆开，让你能独立判断：什么活该交给基础模型，什么活不该。

它解决的是哪几个具体场景

课程围绕四件事展开，都可以对应到你日常真实会遇到的麻烦：

• 调用：用 OpenAI 兼容接口接云端模型，用 Ollama 把开放权重模型拉到本地跑起来，两条路都走通，遇到网络或成本限制时你有备选。
• 职责划分：清楚基础模型在数据准备、检索辅助、答案生成三个阶段各承担什么。很多 RAG 效果差，是因为把该由检索决定的事推给了模型去"猜"。
• 提示词与输出：设计有证据边界的提示词，让模型只基于给定材料回答，并输出带来源的结构化结果。这是 RAG 能不能落地到业务的关键一步。
• 选型与评测：按质量、响应时间、成本三个维度建立一张自己的模型选择矩阵，而不是听谁说哪个模型好就用哪个。

学完之后你能独立做什么

比较实际的预期是：你能自己跑通一条 RAG 链路里的模型部分，换成另一个模型时知道要改哪里、要重新测什么；面对"用云端还是本地"的问题，能拿出带数字的对比而不是感觉；能写出一段让模型带着来源回答、且不越界编造的提示词；能用一套简单评测脚本，比较两个模型在你自己数据上的表现差异。

如果目标是独立做出一个完整的 RAG 产品，这门课只是其中一块。它把模型这一块讲得足够扎实，但没有覆盖检索策略调优、工程化部署、前端交互这些部分。

什么样的基础适合跟

课程明确不从零讲 Python 语法，所以至少要能读懂一段 Python 代码、会装依赖、能跑起来别人的脚本。如果你连虚拟环境和 pip 都没怎么用过，前期会比较吃力。

对 RAG 本身，不要求有完整项目经验，但最好大致知道"检索 + 生成"是什么思路，否则模型调用部分会显得抽象。纯转行、完全没碰过代码的读者，建议先把 Python 基础补上再回来。

资料怎么用效率更高

不要顺着文件从头看到尾。更合理的顺序是：先跟着云端接口把一次调用跑通，确认环境没问题；再换成本地模型跑同样的输入，对比输出和耗时；然后回到提示词和输出结构部分，用你自己的文档试；最后再动手做选型矩阵和评测。评测环节容易被跳过，但它恰恰是这门课和其他 RAG 教程拉开差距的地方——先有对比方法，再谈选哪个模型才有意义。

整个过程中，建议始终拿一份你自己的真实文档当素材，而不是课程里给的样例。模型在你熟悉的数据上表现如何，才是判断这门课有没有帮你解决问题的最好标准。