JK-大模型 RAG 进阶实战营【VIP】

这门课解决什么问题

开发者常卡在从“调一句 prompt”到“搭一套可落地的 RAG 系统”的跨越上。本课聚焦大模型 RAG 的工程化落地，解决检索召回不准、生成幻觉、链路不稳定等核心痛点，带你从架构设计到代码实现完成闭环。

适合什么基础

需要具备基础的 Python 编程能力，以及对大语言模型（LLM）的基本认知。无需深厚的向量数据库经验，但最好有后端开发视角，能看懂接口与数据流转。建议先完成一个简单的 Python 项目，确认自己熟悉面向对象编程与标准库用法。

建议先看哪几块

• RAG 核心链路：先吃透“检索-增强-生成”的底层逻辑，重点看 LlamaIndex 与 LangChain 的核心用法，理解文档加载、分块、向量化、检索与提示词工程的数据流，这是后续工程化的基石。
• Cursor 开发环境：快速搭建基于 Cursor 的开发工作流，掌握智能代码辅助与 RAG 项目的协同开发模式，提升编码效率。
• 版本控制与协作：补齐 Git 与 GitHub 的实操技能，确保 RAG 项目代码的可追溯性与团队协作效率。

建议的学习顺序

建议按“环境搭建 → 核心链路 → 工程优化 → 版本协作”的顺序推进。先通开营导语与大模型应用开发概述，建立全局认知；再按视频顺序实操 Cursor 安装配置与 RAG 核心代码；最后对照 Git 操作指南完成本地仓库同步到远程 GitHub 的全流程。

学完能独立做什么

掌握从文档解析、分块、向量化到检索、提示词工程、结果生成的全链路开发能力。能够独立搭建并部署一个具备高召回率、低幻觉的私有知识库问答系统，并完成代码的持续迭代与版本管理。也能将 RAG 能力复用到内部文档问答、代码辅助等场景。

资料怎么配合练习

课程配套学习手册与 PDF 速查文档，建议先看开营导语与大模型应用开发概述，建立全局认知；再按视频顺序实操 Cursor 安装配置与 RAG 核心代码；最后对照 Git 操作指南完成本地仓库同步到远程 GitHub 的全流程。视频与文档需结合动手编码同步推进，避免只看不动手。