站点标志Map the AI
  • 每日短课
  • AI 新闻
  • 学习轨道
  • 主题
  • 我的路径
  • 路线图

学习轨道

RAG 工程师

端到端掌握检索增强：从最基础的管线，到图 RAG 与 agentic RAG。

适合构建检索增强系统的工程师 · 15 篇 · 约 22 小时 · 4 个阶段

这条轨道假设你已经了解

  • 什么是 AI 中的 token？
  • LLM 是什么？
  • 什么是 embedding？
  • Prompt 基础
  • AI 模型为什么会产生幻觉？
  • 什么是上下文窗口？
  • 精确率、召回率、F1 与准确率
  • 预训练究竟发生了什么？
  • Agent 循环
  • 视觉语言模型
  • 你怎么知道它管用？
  1. 1

    为什么用、怎么用

    • 为什么需要 RAG模型不可能知道你的文档，却会一本正经地编造答案。RAG 就是解法，而这个问题值得先弄懂，再看解法。RAG
    • RAG 是怎么一步步工作的两个阶段：先把文档索引一次，之后每个问题都现场检索并作答。每个环节都有各自的失效模式，动手之前值得先摸清楚。RAG
    • 什么是向量数据库？围绕一个问题建起来的存储：哪些向量离这一个最近？以及为什么它需要和普通数据库不同的一套机制。RAG
    • 相似度检索到底是怎么运作的余弦相似度、点积，以及为什么「最近」在高维空间里远没有听起来那么强的指示性。RAG
  2. 2

    检索质量

    • 如何为 RAG 做文档分块文本块的边界决定了内容究竟能不能被检索到。块太小会丢上下文，太大又稀释相关性，而按结构拆分胜过按字符数拆分。RAG
    • 为什么你需要重排序模型向量检索能快速把几百万条缩到几十条，却把最后这几个排得很糟。加一道把查询和文档放在一起读的工序就能修好。RAG
    • 混合检索向量检索漏掉精确词，关键词检索漏掉语义。把两者合起来，是基础检索管线性价比最高的一次升级。进阶 RAG
    • 上下文检索一个文本块从文档里被撕下来，就丢掉了让它有意义的上下文。在索引阶段把这份上下文补回去，效果好得不同寻常。进阶 RAG
    • 查询改写与扩展用户问得很糟。在检索之前改写查询，能修好的失败比调优检索器更多。进阶 RAG
  3. 3

    进阶模式

    • RAG 还是微调？检索提供知识，微调塑造行为。问这个问题的人里，大多数其实该用检索，还有不少两个都不需要。RAG
    • Agentic RAG让模型自己决定搜什么，读完结果再搜一次。不用建图也能做多跳检索。进阶 RAG
    • GraphRAG从你的文档里构建一张知识图谱，然后遍历它。它能回答跨多个来源的问题，而向量检索做不到。进阶 RAG
    • 面向图像与表格的 RAG图表、示意图和表格里装着文本抽取扔掉的那些答案。在它们之上做检索的三种策略。进阶 RAG
  4. 4

    量化它

    • 评测 RAG把检索和生成分开测。大多数 RAG 失败是检索失败，而一个笼统的质量分掩盖了坏的是哪一半。进阶 RAG
    • 检索与排序指标搜索和 RAG 返回的是一个排序列表，不是一个答案。召回率@k、精确率@k、MRR 和 nDCG 各自给这个列表的不同侧面打分。评测
站点标志Map the AI

AI 不断向前，学习有路可循。

地图
  • 学习轨道
  • 主题
  • 我的路径
  • 路线图
公司
  • 关于我们
  • 联系我们
法律
  • Cookie 政策
  • 隐私政策
  • 服务条款
© 2026 Map the AI。由 NeatSeed LLC 运营。保留所有权利。