大鹏 AI 玩转 RAG 入门

这门课的名字里有「入门」两个字，但它并不是那种从零开始带你写第一行 Python 的课。如果你已经能看懂 Python 代码、知道函数和类是怎么回事，想弄清楚 RAG（检索增强生成）到底怎么落地成一个能跑起来的小项目，那它值得你花时间。如果连 Python 语法都还没接触过，建议先补基础再来。

它解决的是哪个具体的工作场景

很多人对 RAG 的理解停在概念层面：把文档切块、转向量、存进向量库、检索出相关内容、拼进提示词让模型回答。说起来顺，真动手就会卡住——分块大小怎么定、嵌入模型怎么调、检索回来的内容怎么组织成上下文、环境变量为什么加载不上。这门课解决的正是从「知道流程」到「能自己跑通一遍」之间那一段落差。

课程会从大语言模型的知识边界讲起，先帮你判断什么业务场景适合用 RAG、什么场景其实不需要。这个判断力比会调库更重要，因为 RAG 不是万能补丁，用错地方只会增加维护成本。

学完你能独立做什么

• 把一个实际文档集做文本分块、生成嵌入、写入向量库，并完成相似度检索；
• 把检索到的上下文交给生成模型，得到有依据、可追溯的答案，而不是模型凭空编；
• 在 VS Code 与 Jupyter 里搭起一套可复用的实践环境，而不是每次重头配；
• 遇到 PyPI 依赖装不上、.env 环境变量没生效这类具体问题时，知道往哪里查；
• 借助 Codex 梳理和检查基础 RAG 项目代码，看懂检索器、向量数据库、生成模型三者是怎么协作的。

这些产出都比较具体，属于「学完能拿出来说」的程度，不是停留在听完点头。

资料适合什么基础的人用

适合两类人：一类是有 Python 阅读能力、想转做 AI 应用开发的开发者；另一类是在做产品、需要判断 RAG 方案可行性的学习者。前提是你不排斥看代码，也愿意在自己电脑上配环境、装依赖。

课程不重复讲 Python 语法，所以零基础的人跟起来会累。已经用过 LangChain 之类框架的人，可以把它当成一次流程梳理和查漏补缺，重点看工程细节和排查思路那部分。

怎么用这份资料效率更高

建议按「先环境、再流程、后优化」的顺序推进。先把 VS Code 和 Jupyter 跑通，把依赖和环境变量这两个常见坑踩过一遍；再跟着走完分块、嵌入、入库、检索、生成这条主线，确保每一步都有可观察的结果；最后回头看检索器和生成模型的协作关系，想想自己的业务文档该怎么切、怎么检索才准。

不要只收藏不动手。RAG 的很多问题在纸面上看不出来，只有真跑过一遍数据，才知道分块策略和检索效果之间的关系。逐步走完，它就能从一门「听过的课」变成你手上的一项可复用能力。