极客时间-RAG快速开发实战

这门课围绕一个很具体的问题展开：当大模型自身知识不够用、又不想每次都去微调时，怎么用检索增强生成（RAG）把外部资料接进来，让回答有依据、可追溯。资料包以 PDF 讲义为主，按主题拆成多个模块，从开篇讲清楚 RAG 的定位，到索引、检索、生成，再到 Advanced RAG、Modular RAG 和微软 GraphRAG 这类进阶方向，结构上是按工程实现的顺序推进的，适合边看边对照自己的代码。

技术栈与整体结构

课程的主线是 RAG 的完整链路，而不是单点技巧。它先把「为什么需要 RAG」讲透，再拆到索引阶段的分块策略与 Embedding 选型，随后进入检索与生成环节，最后落到进阶架构。这条线的好处是每一层都能单独拿出来复用：分块策略可以搬到你现有的文档入库流程，Embedding 方案可以替换成你手上的向量库，检索排序部分也能直接嵌进已有的问答服务。讲义里对每个环节的取舍讲得比较细，比如分块大小怎么影响召回、Embedding 模型在中文和长文本上的差异，这些是实际调参时绕不开的点。

可复用的工程模块

• 文档处理与分块：决定后续召回质量的上限，讲义给了多种切分思路和适用场景。
• Embedding 与向量索引：涉及模型选择、维度、相似度计算，是替换成本最低也最容易被忽视的一环。
• 检索与重排：从基础向量检索到引入重排逻辑，直接影响最终喂给模型的内容质量。
• 进阶架构：Advanced RAG 和 Modular RAG 讲的是当基础链路效果不够时，怎么加查询改写、多路召回、模块解耦。
• GraphRAG：把知识组织成图结构来增强检索，适合实体关系密集的场景。

这些模块不是孤立的知识点，而是可以对应到你项目里的具体文件和函数。看的时候建议一边读一边在自己的代码库里找对应的位置，缺什么补什么。

适合的读者与前置基础

如果你已经能调用大模型 API、写过简单的问答 demo，但回答质量不稳定、幻觉多、资料更新后又要重新折腾，这门课的索引和检索部分会对得上你的问题。它不假设你有很深的向量检索背景，但对 Python 和基本的服务端开发有要求，否则看 Embedding 和向量库那几节会卡住。纯零基础、还没跑通过一次模型调用的读者，建议先把调用链路跑通再回来。

自学路径建议

按讲义顺序走一遍是稳妥的，但更高效的做法是带着问题看。先明确你手上的场景：是文档问答、客服知识库还是代码检索，不同场景对分块和召回的要求不一样。第一遍快速过原理和索引，把分块与 Embedding 落地到自己的数据上；第二遍重点看检索与重排，用真实 query 测召回；第三遍再看 Advanced RAG 和 GraphRAG，判断当前效果瓶颈是否值得上更复杂的架构。讲义里的案例可以当参照，但真正要动手的是把你自己的数据接进去跑通一遍。

整体来看，这份资料的价值在于把 RAG 从概念拆到了可执行的步骤，并且给了进阶方向的路标。它不是看一遍就结束的视频课，而是适合放在手边、对着项目反复翻的工程参考。GetFromCode 上这份导读只是入口，真正的收获取决于你愿不愿意把自己的数据接进去试。