极客时间付费 RAG与 Agent性能调优50讲

先看问题：这课解决什么实际痛点

很多团队在做 RAG（检索增强生成）或 Agent 应用时，遇到的不是“有没有技术”，而是“效果总是不稳定”。文档解析时 PDF 跨页表格对不齐、OCR 识别出的文本错漏频发、切片要么语义割裂要么召回率低、多路检索融合后排序混乱，甚至大模型生成内容出现幻觉且无法溯源。这门课专门针对这些工程落地中的“脏活累活”和性能瓶颈展开。

它不教基础概念，而是聚焦于如何让检索更准、生成更稳。从多源文档格式统一、领域术语词库构建，到 FAISS、HNSW、BM25 等检索引擎选型，再到 LoRA 微调适配垂直领域、事实验证链抑制幻觉，每一个环节都有具体的调优策略。适合那些已经搭建过 Demo，但在生产环境中面临召回率、响应速度和准确率瓶颈的工程师。

适合谁学：先看这两块再决定

本课程适合具备 Python 基础、理解向量检索基本原理，并正在或计划将 RAG/Agent 投入实际业务的开发者。如果你只是想了解 AI 是什么，或仅做过简单的 Chatbot 演示，建议先补齐基础再来看。

建议先看的前三块：

• 文档解析与预处理：如第 1-8 讲，涵盖 PDF/Word 解析、跨页表格对齐、OCR 纠错、滑动窗口语义切片等。这是数据入库的根基，直接影响后续检索效果。
• 检索架构与引擎选型：如第 9-14 讲，对比 FAISS/HNSW/BM25，讲解混合检索、查询扩展、HyDE 伪文档生成及多路融合策略。这是提升召回精度的核心。
• 生成优化与验证：如第 18-19 讲，涉及 LoRA 微调和事实验证链，解决幻觉和领域适配问题。

学完能做什么：资料如何配合练习

学完后，你应能独立设计并优化一个高可用的 RAG 系统：能处理混杂格式文档，构建准确的领域术语库，根据业务需求选择并调优向量检索引擎，通过混合检索和查询扩展提升召回率，并利用 LoRA 微调使模型更贴合垂直领域。同时，能构建事实验证链，显著降低生成内容的幻觉风险。

资料包中的视频文件即为核心课程内容，按讲解顺序播放即可。建议边看边动手：先用课程中提到的方案（如滑动窗口+关键词、动态重叠切片）处理一份真实的多格式文档集，再对比不同检索引擎（FAISS vs HNSW）在相同数据下的表现，最后尝试加入查询扩展或 HyDE 技术，观察召回率变化。无需复现完整工程，重点在于理解参数调整对结果的影响逻辑。