慕课RAG全栈技术从基础到精通 ，打造高精准AI应用

课程简介

在 AI 领域，智能问答系统准确率低是常见难题，本课由资深 AI 专家精心打造，专为解决这一痛点。无论你是新老手，都会助你更好地发展。从 RAG 基础到深入剖析原理，全面构建RAG全栈技术体系，涵盖核心组件、14 种检索增强技术、智能评估以及双模型微调方案等前沿技术。带你从0到1构建企业级AI应用（智能问答助手和金融智库），并贯穿AI应用开发软技能，全方位提升解决问题能力，突破准确率瓶颈，助力职业腾飞。

课程 网盘在线观看

📋课程目录

第 1 章 课程学习必知

• 全面了解课程，少走弯路🚶‍♂️

第 2 章 掌握未来 AI 趋势：RAG 引领大语言模型新纪元

• 本章简介
• 满足企业精准需求：RAG 如何填补大语言模型短板
• 解锁 RAG 三大核心
• 深入思考 long context 加持的大模型企业是否还需要 RAG
• RAG 技术栈：从【合格】到【优秀】的跨越
• 本课程案例分析与说明
• 运行和开发环境搭建说明及演示
• 环境搭建相关内容（Python 软件包管理、环境安装、RAGFlow、向量数据库、图数据库、模型下载等）
• 课程机器配置要求说明

第 3 章 【企业级专业选型】RAG 核心一：挑选符合企业的【优秀】大语言基石模型

• 本章简介
• 大模型入门：核心要点和技术演变
• 国内外大模型产品必知必会
• 没有 GPU 如何调用大模型 – 大模型调用的三种方式
• 火眼金星：如何分辨大模型的好坏
• RAG 应用：挑选大模型的四大步骤
• 总结和展望：不同项目角色对 AI 大模型了解程度的差异性分析
• 大语言模型下载相关文档
• 星火大模型 API 使用文档
• 如何通过 ollama 部署本地大模型 – deepseek – r1 文档
• 实战：使用大语言模型（本地和 API、GPU 和 CPU）

第 4 章 【企业级专业选型】RAG 核心二：挑选合适 RAG 的向量 Embedding 模型

• 本章介绍
• embedding 模型的重要性
• embedding 是怎么炼成的？
• 主流中文 embedding 模型
• embedding 模型排行榜靠谱不靠谱，如何选择
• embedding 模型下载文档
• 实战：embedding 模型加载和使用对比
• 本章总结

第 5 章 【企业级专业选型】RAG 核心三：企业级的向量数据库选型和高效使用

• 本章介绍
• 全方位对比：主流向量数据库
• 企业级向量数据库的要求
• 向量数据库相似性搜索
• 性能为王：探索向量数据索引优化技术
• 实战：部署和使用企业级向量数据库（chroma 和 milvus）
• 总结和展望：企业级应用的高可用性

第 6 章 【企业员工智能问答助手 – 实现 V1.0 版】高效处理企业复杂业务数据

• 本章介绍
• 企业数据复杂多样
• 原则：垃圾进垃圾出，注重文档质量
• 挑战：RAG 如何读取多样性文档（文本、表格和布局分析）
• 文档分块：递归文本分块和语义智能分块
• 实战：实现制度问答模块数据读取和切割
• 本章总结

第 7 章 【企业员工智能问答助手 – 实现 V1.0 版】搭建制度问答 baseline RAG

• 本章介绍
• 【企业员工制度问答助手】需求分析
• 项目技术选型
• 项目架构设计
• 实战：实现制度问答模块 RAG baseline
• 总结和展望：转变思想，AI 应用开发和传统软件开发的区别

第 8 章 【企业员工智能问答助手 – 评估 V1.0 版】有效评估 RAG 是提升的关键

• 本章介绍
• RAG 迭代的关键：评估
• RAG 评估的三大步骤
• RAG 评价神器：Ragas 框架
• 实战：用 Ragas 评估制度问答模块的性能
• 本章总结

第 9 章 【企业员工智能问答助手 – 实现 V2.0 版】提升 RAG 的【14 种】检索增强技能

• 本章介绍
• 一图剖析 RAG 进化之路：探索优化点
• 检索的两大形态：稀疏 vs 稠密
• 查询增强：增加相关内容（Query2doc+ HyDE+子问题查询+问题改写+Task Step Back）
• 多索引增强：从不同维度构建索引，强化相关内容
• 检索后增强：融合检索，重排序技术(Re – rank)
• 系统性增强：迭代检索增强生成，从上一迭代收获信息
• RAG 新范式：自我评估增强 Self – RAG
• 总结和展望：关于企业里需要良好的代码规范和代码管理
• 实战：用检索增强技术提升制度问答模块性能（查询增强、多索引增强、融合检索、rerank 重排、迭代检索增强生成、self – RAG）
• 重排 rerank 模型下载文档

第 10 章 基于知识图谱【金融智库】：从 RAG 到 Graph RAG，让企业知识图谱更智能

• 本章介绍
• 认识金融智库知识图谱数据：特别的知识三元组
• 如何存储和操作知识图谱：neo4j 和 nebulagraph
• 实战：动手构建金融智库知识图谱
• RAG 和 Graph RAG 有什么区别：如何构建 Graph RAG
• 实战：利用 Graph RAG 构建金融智库知识库应用
• 总结和展望：如何自我学习，跟进前沿技术

第 11 章 基于知识图谱【金融智库】：从 RAG 到 agenticRAG，实现自动切换不同信息源

• 本章介绍
• 大模型的手脚：AI 智能体 Agent
• 推理和行动并行：ReAct 框架
• 基于 Agent 的多文档 RAG Router
• 实战：利用 ReAc Agent 实现 RAG Router
• 本章总结

第 12 章 【RAG 扩展】企业员工助手 – 接口和界面开发

• 本章介绍
• 演示界面神器：gradio 介绍
• 实战：gradio 整合两大 RAG 项目
• RAG Pipeline API 接口文档（简介&fastapi 介绍、环境准备&API 接口说明、使用示例）

第 13 章 RAGFlow deepdoc 文件解析和优化【免费升级优化】

• RAGFlow 文档解析总览
• RAGFlow deepdoc 视觉模块结果执行
• ollama 部署多模态视觉大模型
• RAGFlow 文档解析效果预览
• RAGFlow 各类文档解析（PDF、Docx、Excel、markdown）
• RAG 文档对话项目：chatdoc

第 14 章 【RAG 进阶】企业员工助手 – 项目进阶：RAG 微调

• 本章介绍
• 普通显卡也可以训练大模型：揭开 Lora 微调的面纱
• 新手也可以微调：大语言模型微调框架 SWIFT
• 让 Embedding 更接近你的数据：用 llamaindex 微调 embedding 模型
• 本章总结

第 15 章 企业员工助手 – 总结和展望

• 项目总结和展望：课程回顾与总结
• 项目总结和展望：课程总结与 AI 岗位面试技巧