极客时间《大模型 RAG 进阶实战营》

大模型 RAG 进阶实战营：解决检索增强生成的问题场景

这门课聚焦于解决大模型在知识检索和更新上的局限，通过 RAG（检索增强生成）技术提升输出的准确性和时效性。适合在工作中需要结合外部知识库进行内容创作、问答或分析的场景，例如客服、研发或内容审核岗位。课程重点在于打通检索、索引、生成全链路，避免仅停留在理论层面。对于有 Python 基础和机器学习概念理解的人，能更快掌握实践方法。

核心内容与基础要求

课程从 RAG 的基本原理讲起，通过 01 学习手册和 02 RAG三问 理清概念框架。适合基础阶段先熟悉 02、04、05 章节，了解 RAG 如何通过 Git & Github 进行版本控制（参考 03 Git & Github操作指南）。进阶部分集中在 06 至 16 章节，涉及数据预处理、向量空间构建（09~10）、向量数据库应用（10~11）、检索优化（12~13）及后处理（14）。学完后能独立完成一个简单的 RAG 流程，例如搭建医疗领域名词标准化工具（06）或企业文档合规性检查系统（14）。资料中包含代码示例和实验环境配置指南，建议结合 08、10 章的文本分块和向量嵌入技术进行实操，通过 13 章的评估方法检验效果。

资料配合练习建议

资料包中的组件技术模块（08~14）适合按顺序学习，每个章节的案例（06、14、15）可配合 03 中的版本管理工具进行迭代开发。例如，使用 07 数据导入技术收集医疗术语，通过 09 向量嵌入技术转化为语义表示，再结合 11 向量数据库进行高效检索。重点练习 15 章的 SNOMED 图数据库实战，将前述技术整合为端到端系统。课后可尝试将课程中的检索前处理（12、13）应用于实际文档合规场景，验证技术的泛化能力。建议配置本地环境时优先完成 05 自己动手制作RAG框架的内容，作为后续练习的基础骨架。