这门课到底在解决什么问题？
大模型虽然聪明，但往往“胡编乱造”或者用不上你公司的私有数据。RAG（检索增强生成）就是为了解决这个痛点而生的工程化方案：让大模型先去你的文档库、数据库里“查资料”，再基于查到的内容回答问题。这不仅是面试高频考点，更是目前企业落地 AI 应用最主流、最务实的技术路线。
但这门课并非简单的 API 调用教程。它聚焦于构建一个完整、可落地的 RAG 系统，涵盖从数据清洗、向量 Embedding、知识库构建，到检索策略优化、上下文拼接，再到最终调用大模型生成回复的全链路开发流程。对于想从事 AI 应用开发、后端转型或提升工程落地能力的从业者来说，这是从“调包侠”迈向“架构师”的关键一步。
适合什么基础？建议先看哪几块？
本课程适合具备 Python 基础、了解基本机器学习概念（如什么是向量化），并熟悉 LangChain 或 LlamaIndex 其中至少一个框架的开发者。如果你完全零基础，建议先补一下 Python 数据和基本的 NLP 概念，否则中间涉及向量数据库操作和 Prompt 工程的部分可能会吃力。
入门阶段，建议优先关注“数据预处理与切片”模块，这是 RAG 效果的基石，很多项目效果差就因为这一步没做好。接着深入“向量数据库搭建与检索”，理解如何高效存储和召回数据。最后结合“大模型对接与输出优化”，学习如何用 Chain 串联整个流程。不要一上来就追求复杂架构，先把一个最小可行产品（MVP）跑通，再逐步加入重排序、多路召回等进阶优化。
学完能独立做什么？资料怎么配合练习？
完成课程后，你将能够独立设计并实现一个基于私有知识库的智能问答系统，例如企业内部文档助手、客服机器人或代码知识库查询工具。你不仅会写代码，更懂得如何评估 RAG 效果、调试检索准确率以及优化生成质量。
请充分利用课程提供的实战项目资料进行动手练习。建议不要只看视频，而是跟着代码一步步搭建环境。重点复现课程中的核心案例，尝试替换自己的数据源（如将示例文档换成你手头的 PDF 或 Markdown 文件），观察不同切片策略和检索参数对结果的影响。这种“改参数、看效果、调代码”的闭环练习，才是掌握 RAG 工程能力的唯一途径。
