RAG全栈技术从基础到精通，打造高精准AI应用(14章) 完整版-万类AI

🚀 RAG实战：企业级大语言模型应用开发，打造智能问答助手 🚀

课程目标：

通过本课程，你将掌握RAG（Retrieval-Augmented Generation，检索增强生成）技术，并能将其应用于企业级场景，解决大语言模型在特定领域知识不足的问题。你将学会如何选择合适的模型、搭建高效的向量数据库、优化检索策略，最终构建一个能够处理复杂业务数据的智能问答助手。同时，你还将了解知识图谱和Agent在RAG中的应用，以及如何进行RAG微调，提升模型性能。

▶️ 授课方式：网盘在线学习 (视频课程)

💾 资源获取：

课程目录：

第1章：课程学习必知 💡

1-1 全面了解课程，让你少走弯路，必看！！！：本节课将带你快速了解课程内容、学习方法和注意事项，确保你能够高效地完成学习。

第2章：掌握未来AI趋势：RAG引领大语言模型新纪元 🚀

2-1 本章简介：介绍本章的学习目标和内容概要。
2-2 满足企业精准需求：RAG如何填补大语言模型短板：深入探讨RAG技术如何弥补大语言模型在特定领域知识上的不足，满足企业对精准信息的需求。
2-3 解锁RAG三大核心：详细讲解RAG的核心组成部分，包括检索、增强和生成。
2-4 深入思考 long context加持的大模型企业还需要RAG：探讨长文本大模型与RAG技术的互补性，分析企业在不同场景下的选择。
2-5 RAG技术栈：从【合格】到【优秀】的跨越：介绍RAG技术栈的各个层面，帮助你构建一个高效的RAG系统。
2-6 本课程案例分析与说明：介绍本课程的案例背景和目标，让你对实际应用场景有更清晰的认识。
2-7 运行和开发环境搭建：提供详细的开发环境搭建指南，确保你能够顺利进行后续的学习和实践。
2-8 课程机器配置要求说明：说明课程所需的硬件配置，方便你提前做好准备。

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 💎

3-1 本章简介：介绍本章的学习目标和内容概要。
3-2 大模型入门：核心要点和技术演变（token、transformer、训练）：从零开始，讲解大语言模型的核心概念、技术演变和训练方法。
3-3 国内外大模型产品必知必会：介绍国内外主流的大语言模型产品，帮助你了解市场现状。
3-4 没有GPU如何调用大模型-大模型调用的三种方式：介绍在没有GPU的情况下，如何调用大语言模型，降低使用门槛。
3-5 火眼金星：如何分辨大模型的好坏：教你如何评估大语言模型的性能，选择最适合你的模型。
3-6 RAG应用：挑选大模型的四大步骤：详细讲解在RAG应用中，如何选择合适的大语言模型。
3-7 总结和展望：不同项目角色需要对AI大模型了解程度的差异性分析：分析不同角色对大语言模型知识的需求，帮助你更好地定位自己的学习方向。
3-8 【文档】大语言模型如何下载：提供大语言模型的下载指南。
3-9 【文档】星火大模型API使用：提供星火大模型API的使用说明。
3-10 【文档】如何通过ollama部署本地大模型-deepseek-r1：提供通过ollama部署本地大模型deepseek-r1的指南。
3-11 实战：使用大语言模型（本地和API、GPU和CPU）-1：通过实战演示，教你如何在不同环境下使用大语言模型。
3-12 实战：使用大语言模型（本地和API、GPU和CPU）-2：通过实战演示，教你如何在不同环境下使用大语言模型。

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 🧲

4-1 本章介绍：介绍本章的学习目标和内容概要。
4-2 embedding模型的重要性：讲解embedding模型在RAG中的作用和重要性。
4-3 embedding是怎么炼成的？：深入了解embedding模型的训练原理。
4-4 主流中文embedding模型：介绍主流的中文embedding模型，帮助你了解市场现状。
4-5 embedding模型排行榜靠谱不靠谱，如何选择：分析embedding模型排行榜的参考价值，教你如何选择合适的模型。
4-6 【文档】embedding模型下载：提供embedding模型的下载指南。
4-7 实战：embedding模型加载和使用对比：通过实战演示，对比不同embedding模型的效果。
4-8 本章总结：总结本章的重点内容。

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 🗄️

5-1 本章介绍：介绍本章的学习目标和内容概要。
5-2 全方位对比：主流向量数据库：对比主流的向量数据库，帮助你了解它们的特点和适用场景。
5-3 企业级向量数据库的要求：讲解企业级向量数据库需要满足的要求，帮助你做出正确的选择。
5-4 向量数据库相似性搜索：深入了解向量数据库的相似性搜索原理。
5-5 性能为王：探索向量数据索引优化技术：介绍向量数据索引优化技术，提升检索性能。
5-6 实战：部署和使用企业级向量数据库（chroma和milvus）-1：通过实战演示，教你如何部署和使用Chroma和Milvus向量数据库。
5-7 实战：部署和使用企业级向量数据库（chroma和milvus）-2：通过实战演示，教你如何部署和使用Chroma和Milvus向量数据库。
5-8 总结和展望：企业级应用的高可用性：探讨企业级应用的高可用性问题。

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 🏢

6-1 本章介绍：介绍本章的学习目标和内容概要。
6-2 复杂：企业数据复杂多样：分析企业数据的复杂性和多样性。
6-3 原则：垃圾进垃圾出，注重文档质量：强调文档质量的重要性。
6-4 挑战：RAG如何读取多样性文档（文本、表格和布局分析）：讲解RAG如何处理不同类型的文档。
6-5 文档分块：递归文本分块和语义智能分块：介绍文档分块的策略和方法。
6-6 实战：实现制度问答模块数据读取和切割：通过实战演示，教你如何读取和切割制度问答模块的数据。
6-7 本章总结：总结本章的重点内容。

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 ⚙️

7-1 本章介绍：介绍本章的学习目标和内容概要。
7-2 【企业员工制度问答助手】需求分析：进行需求分析，明确项目目标。
7-3 项目技术选型：选择合适的项目技术栈。
7-4 项目架构设计：设计项目架构。
7-5 实战：实现制度问答模块RAG baseline：通过实战演示，搭建制度问答模块的RAG baseline。
7-6 总结和展望：转变思想，AI应用开发和传统软件开发的区别：分析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 📊

8-1 本章介绍：介绍本章的学习目标和内容概要。
8-2 RAG迭代的关键：评估：强调评估在RAG迭代中的重要性。
8-3 RAG评估的三大步骤：讲解RAG评估的步骤。
8-4 RAG评价神器：Ragas框架：介绍Ragas框架，用于RAG评估。
8-5 实战：用Ragas评估制度问答模块的性能：通过实战演示，使用Ragas评估制度问答模块的性能。
8-6 本章总结：总结本章的重点内容。

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 🧠

9-1 本章介绍：介绍本章的学习目标和内容概要。
9-2 一图剖析RAG进化之路：探索优化点：分析RAG的进化之路，探索优化点。
9-3 检索的两大形态：稀疏 vs 稠密：讲解稀疏检索和稠密检索的特点。
9-4 查询增强：增加相关内容-Query2doc+ HyDE+子问题查询+问题改写+Task Step Back：介绍查询增强技术，提升检索效果。
9-5 多索引增强：从不同维度构建索引，强化相关内容：介绍多索引增强技术，从不同维度构建索引。
9-6 检索后增强：融合检索，三个臭皮匠顶一个诸葛亮：介绍检索后增强技术，融合检索结果。
9-7 检索后增强：重排序技术(Re-rank)：介绍重排序技术，优化检索结果。
9-8 系统性增强：迭代检索增强生成，从上一迭代收获信息：介绍迭代检索增强生成技术。
9-9 RAG新范式：自我评估增强Self-RAG：介绍Self-RAG技术。
9-10 总结和展望：关于企业里需要良好的代码规范和代码管理：强调代码规范和代码管理的重要性。
9-11 实战：用检索增强技术提升制度问答模块性能-查询增强-1：通过实战演示，使用查询增强技术提升制度问答模块性能。
9-12 实战：用检索增强技术提升制度问答模块性能-查询增强-2：通过实战演示，使用查询增强技术提升制度问答模块性能。
9-13 实战：用检索增强技术提升制度问答模块性能-多索引增强：通过实战演示，使用多索引增强技术提升制度问答模块性能。
9-14 实战：用检索增强技术提升制度问答模块性能-融合检索：通过实战演示，使用融合检索技术提升制度问答模块性能。
9-15 【文档】重排rerank模型如何下载：提供重排rerank模型的下载指南。
9-16 实战：用检索增强技术提升制度问答模块性能-rerank重排：通过实战演示，使用rerank重排技术提升制度问答模块性能。
9-17 实战：用检索增强技术提升制度问答模块性能-迭代检索增强生成：通过实战演示，使用迭代检索增强生成技术提升制度问答模块性能。
9-18 实战：用检索增强技术提升制度问答模块性能-self-RAG-1：通过实战演示，使用self-RAG技术提升制度问答模块性能。
9-19 实战：用检索增强技术提升制度问答模块性能-self-RAG-2：通过实战演示，使用self-RAG技术提升制度问答模块性能。

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 🕸️

10-1 本章介绍：介绍本章的学习目标和内容概要。
10-2 认识金融智库知识图谱数据：特别的知识三元组：介绍金融智库知识图谱数据的特点。
10-3 如何存储和操作知识图谱：neo4j和nebulagraph：介绍Neo4j和NebulaGraph知识图谱数据库。
10-4 实战：动手构建金融智库知识图谱-1：通过实战演示，构建金融智库知识图谱。
10-5 实战：动手构建金融智库知识图谱-2：通过实战演示，构建金融智库知识图谱。
10-6 RAG和Graph RAG有什么区别：如何构建Graph RAG：讲解RAG和Graph RAG的区别，以及如何构建Graph RAG。
10-7 实战：利用Graph RAG构建金融智库知识库应用：通过实战演示，利用Graph RAG构建金融智库知识库应用。
10-8 总结和展望：如何自我学习，跟进前沿技术：分享自我学习的方法，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 🤖

11-1 本章介绍：介绍本章的学习目标和内容概要。
11-2 大模型的手脚：AI智能体Agent：介绍AI智能体Agent的概念。
11-3 推理和行动并行：ReAct框架：介绍ReAct框架。
11-4 基于Agent的多文档RAG Router：介绍基于Agent的多文档RAG Router。
11-5 实战：利用ReAc Agent实现 RAG Router：通过实战演示，利用ReAct Agent实现 RAG Router。
11-6 本章总结：总结本章的重点内容。

第12章：【RAG扩展】企业员工助手-接口和界面开发 🖥️

12-1 本章介绍：介绍本章的学习目标和内容概要。
12-2 演示界面神器：gradio介绍：介绍Gradio，用于构建演示界面。
12-3 实战：gradio整合两大RAG项目（1）：通过实战演示，使用Gradio整合两大RAG项目。
12-4 实战：gradio整合两大RAG项目（2）：通过实战演示，使用Gradio整合两大RAG项目。
12-5 RAG Pipeline API 接口文档-【简介&fastapi介绍】：提供RAG Pipeline API接口文档，介绍FastAPI。
12-6 RAG Pipeline API 接口文档-【环境准备&API接口说明】：提供RAG Pipeline API接口文档，介绍环境准备和API接口说明。
12-7 RAG Pipeline API 接口文档-【使用示例】：提供RAG Pipeline API接口文档，提供使用示例。

第13章：【RAG进阶】企业员工助手-项目进阶：RAG微调 ⚙️

13-1 本章介绍：介绍本章的学习目标和内容概要。
13-2 普通显卡也可以训练大模型：揭开Lora微调的面纱：介绍Lora微调技术，降低大模型训练门槛。
13-3 新手也可以微调：大语言模型微调框架SWIFT：介绍SWIFT框架，用于大语言模型微调。
13-4 让Embedding更接近你的数据：用llamaindex微调embedding模型：介绍如何使用LlamaIndex微调embedding模型。
13-5 本章总结：总结本章的重点内容。

第14章：企业员工助手-总结和展望 🎉