极客时间付费-大模型 RAG 进阶实战营

课程定位：解决生产环境的复杂检索难题

这门课面向的不是初学者，而是已经掌握基础 RAG 架构、但在实际工程落地中遇到瓶颈的开发者。市面上的基础教程往往止步于简单的 Embedding 检索，而本课程直面企业级场景中的核心痛点：当知识库规模达到百万级、查询逻辑涉及多跳推理、或输入数据包含图表等模态时，基础方案为何失效以及如何优化。

它解决的正是这些“进阶”问题。课程覆盖了从索引优化、检索后处理到复杂范式（如 GraphRAG、Agentic RAG）的全链路技术，并辅以医疗合规、文档审查等真实案例。如果你正在处理高准确率要求的垂直领域应用，或需要设计支持复杂推理的检索系统，这门课提供的是可落地的工程思路，而非理论概念。

学习路径与内容侧重

建议按以下顺序攻克核心章节，以建立完整的优化思维框架：

• 底层优化基石（第九、八章）：优先学习“索引优化技术”与“检索前处理”。这是提升召回率的基础，重点理解如何构建多表示索引和层次化索引，以及如何处理查询意图，为后续检索打下高质量数据基础。
• 精度提升关键（第十章）：深入研读“检索后处理技术”，特别是重排算法与上下文压缩校正。这是解决“召回了但没答对”的关键环节，掌握如何从大量候选集中筛选出最精准的信息片段。
• 架构范式升级（第十五章）：挑战 GraphRAG、Modular RAG 和 Agentic RAG。这部分难度较高，适合在掌握前述组件后，针对需要多跳推理或动态规划检索策略的复杂场景进行专项学习。
• 实战案例验证（第十四章等）：通过 SNOMED 医疗图数据库和企业合规检查两个完整项目，将前述技术串联。特别是利用 Neo4j 构建知识图谱提升检索质量的案例，直观展示了图结构如何弥补向量检索的不足。

资料用法与产出预期

配套资料是学习的核心辅助。PDF 讲义提供了凝练的技术要点，建议在观看视频前先快速浏览，建立框架后再结合视频细节深化理解。课程提供的数据集（如 NVIDIA GRI 合规数据集）和代码示例，是理解企业级数据预处理和系统集成的重要参考。

学完本课程后，你应具备独立设计和优化复杂 RAG 系统的能力。具体表现为：能够根据业务场景选择合适的索引策略（如混合索引或图索引）；懂得运用重排和压缩技术提升回答的精准度与上下文完整性；并能针对多模态或需要深度推理的任务，设计基于 Agent 或图谱的检索增强方案。对于转行者而言，这标志着从“调用 API 实现简单问答”向“构建企业级知识引擎”的能力跃迁，是进入大模型应用开发深水区的重要里程碑。