- 大模型幻觉与知识过期：帮助读者理解如何通过检索增强生成技术，让模型基于外部实时知识作答，减少胡编乱造。
- RAG原理难以入门：用极简语言拆解检索、召回、重排、生成等核心环节，让零基础读者也能建立完整认知。
- 缺乏可落地的实践路径：提供从文档切分、向量化到问答链路的完整示例，解决“懂概念却不会动手”的痛点。
- 向量数据库选型困惑：对比常见向量库与检索方案，帮助读者根据场景选择合适的技术栈。
- 效果评估与优化无抓手：介绍召回率、准确率等评估方法，并给出提示词与检索策略的优化思路。
★★★
中级
入门初级中级进阶高级
- AI应用开发初学者：希望快速理解RAG并动手搭建问答系统的入门开发者。
- 产品经理与创业者：需要评估RAG方案可行性、规划智能问答产品的业务人员。
- 后端与算法工程师：想把大模型能力接入现有业务系统的技术人员。
- 高校学生与转行者：正在学习大语言模型应用、寻找实践项目的学习者。
- 按章节顺序阅读：先建立原理认知，再进入实践环节，避免跳跃导致概念断层。
- 重点精读第3、9章：这两章是动手搭建与完整链路的核心，建议边读边敲代码。
- 准备实验环境：提前安装Python与相关依赖，跟随示例搭建最小可运行系统。
- 结合自身数据练习：用自己的文档替换示例语料，加深对切分与检索的理解。
- 复盘评估章节：读完后回头用第10章的方法检验自己的系统效果。
- 建立完整认知：系统理解RAG的原理、流程与关键组件，不再停留在模糊概念。
- 掌握动手能力：能够独立搭建一个可运行的检索增强生成问答系统。
- 学会技术选型：了解嵌入模型、向量数据库与检索策略的取舍方法。
- 具备优化思维：掌握召回、重排与提示词优化的实用技巧。
- 获得落地经验：通过实战案例理解企业知识库问答的实现路径。
📑 章节目录
- 为什么需要RAG：大模型的能力边界与知识困境
- RAG核心概念：检索、增强与生成的三角关系
- 从零搭建第一个RAG问答系统
- 文档加载与文本切分：把资料变成可检索的碎片
- 文本向量化与嵌入模型选择
- 向量数据库入门：存储、索引与相似度检索
- 召回与重排：让最相关的知识排在最前面
- 提示词工程在RAG中的应用
- 构建完整的检索增强生成链路
- RAG效果评估与常见问题排查
- 进阶方向：多路召回、混合检索与知识图谱
- 实战案例：企业知识库问答系统落地
