智能体开发全套资源（1-6周）

这套资料按周组织，覆盖六周内容，主线是智能体开发中检索增强生成这条技术路径。它不是一个只讲概念的演示，而是把 RAG 拆成可落地的工程环节：文档解析、切分、向量化、索引、检索、重排、生成，再到模块化组合。对已经写过调用大模型接口、但没系统处理过知识库的开发者来说，这份材料更适合当作对照实践的参考，而不是从头到尾看完就结束的视频课。

技术栈与工具选型

资料里出现的工具集中在 LlamaIndex 和 Milvus 两个方向。LlamaIndex 负责把非结构化数据接进大模型的工作流，Milvus 承担向量存储与相似度检索。这个组合在实际项目里比较常见：前者解决「怎么把文档变成模型能用的上下文」，后者解决「怎么在大量切片里快速找到相关片段」。导读时建议重点关注两者之间的接口约定，比如索引构建时 embedding 维度、collection 的 schema 设计、检索时的 top_k 与相似度阈值如何配合。这些参数在 demo 里看不出差别，但放到真实语料规模上会直接决定召回质量。

另外，资料中包含若干行业报告类 PDF，这类文档结构复杂、表格多、页眉页脚干扰大，正好可以用来测试解析和切分策略的鲁棒性。不要只拿干净的 Markdown 做实验，真实数据往往更接近这些 PDF 的形态。

项目结构与可复用模块

从周次安排看，前几周铺基础，中间进入 RAG 周的集中训练，后面过渡到 Modular RAG。Modular RAG 的价值在于把检索流程拆成可替换的模块：查询改写、路由、多路召回、融合、重排各自独立。这样做的工程意义是，当某一路召回效果差时，可以单独替换，而不必推翻整条链路。

建议在阅读时把每个模块的输入输出边界记下来。比如查询改写模块接收原始 query，输出若干条改写后的 query；路由模块决定走向量检索还是关键词检索。把这些边界画成数据流图，后续自己搭系统时可以直接复用这套结构，而不是每次从零设计。

自学路径与动手建议

• 先跑通一条最小链路：单文件 → 切分 → 向量化 → 检索 → 生成，确认每个环节的输出符合预期。
• 再引入 Milvus，把内存索引换成持久化向量库，观察写入和查询的延迟变化。
• 然后加入重排或混合检索，对比召回结果的前几条是否更相关。
• 最后尝试 Modular RAG 的组织方式，把各模块写成独立函数或类，方便替换和测试。

每一步都保留一份自己的评测集，哪怕只有几十条问答对。没有评测，调参就是凭感觉；有了评测，才能判断某次改动是真正提升还是偶然。

适合谁对照实践

如果你已经在做知识库问答、文档助手或智能体里的检索环节，这套资料可以作为阶段性参照：看看别人怎么组织周次、怎么安排从基础到模块化的节奏，再对照自己项目里缺失的部分补齐。它不适合完全零基础、还没写过任何模型调用代码的读者，因为大量细节需要自己动手验证才能理解。把资料当索引，把代码当练习，比单纯浏览文件更有价值。