- 理解RAG核心原理：帮助读者厘清检索增强生成的基本概念、工作流程与关键组件，摆脱对RAG的模糊认知。
- 掌握向量检索技术：解决如何将文本转化为向量、如何构建高效索引以及如何进行相似度匹配等实操难题。
- 搭建完整RAG系统：指导读者从零开始整合文档加载、切分、嵌入、检索与生成模块，完成可运行的原型。
- 优化检索与生成效果：针对检索不准、生成幻觉、上下文超长等常见问题，提供具体的调优策略与评估方法。
- 规避工程落地陷阱：分享数据预处理、模型选型、性能瓶颈等方面的实战经验，减少试错成本。
★★★
中级
入门初级中级进阶高级
- AI应用开发者：希望快速掌握RAG技术并落地到实际产品中的工程师。
- 数据与算法从业者：需要了解检索增强生成原理以扩展技术栈的数据科学家。
- 产品经理与创业者：想评估RAG方案可行性、规划智能问答产品的非技术决策者。
- 计算机相关专业学生：对自然语言处理和大模型应用感兴趣，寻求入门实践路径的学习者。
- 按章节顺序阅读：先通读前六章建立原理认知，再进入实践章节动手编码。
- 重点研读第四、五章：嵌入与向量检索是RAG的核心，建议反复理解并动手实验。
- 边学边练：每章末尾的示例代码务必亲自运行，可基于开源工具搭建最小系统。
- 结合评估章节复盘：完成原型后对照第九章的诊断方法，定位并优化薄弱环节。
- 拓展阅读：关注LangChain、LlamaIndex等框架文档，将书中原理与工程工具结合。
- 原理通透：系统理解RAG的检索、增强、生成三阶段机制及其协同方式。
- 动手能力：能够独立搭建一个可用的RAG问答原型，并完成基本调优。
- 技术选型：了解主流嵌入模型、向量数据库和生成模型的适用场景与取舍。
- 问题排查：掌握检索不准、生成幻觉等典型问题的分析与解决思路。
- 工程视野：具备将RAG从Demo推向生产环境所需的评估与优化意识。
📑 章节目录
- RAG是什么：从大模型局限到检索增强
- RAG系统全景：核心组件与数据流
- 文档处理与文本切分策略
- 文本嵌入：将语言转化为向量
- 向量数据库与相似度检索
- 检索优化：混合检索与重排序
- 生成模块：提示词设计与上下文融合
- 构建第一个RAG应用：从零到一
- RAG效果评估与常见问题诊断
- 进阶技巧：多路召回与查询改写
- 工程化部署与性能优化
- 实战案例：企业知识库问答系统
