课程简介
Let me count the Chinese characters in the previous draft more carefully. The previous draft had 1051 characters which is over 800. I need to trim it down to 500-800 Chinese chara…
Let me count the Chinese characters in the previous draft more carefully. The previous draft had 1051 characters which is over 800. I need to trim it down to 500-800 Chinese characters.
Let me write a more concise version and count carefully.
这门课解决的核心问题是：让开发者从调API走向自己搭检索增强生成系统。RAG不是调一次prompt就完事，检索质量、文档切分、混合策略、重排序每一步都会影响最终输出。课程按从原理到工程的顺序展开，覆盖向量存储选型、文档分割粒度、混合检索、RRF融合、PDF表格处理、GraphRAG及工作流编排，全部配有可落地源码与实战案例。
适合什么基础：有Python、了解大模型API调用、对LangChain或LlamaIndex等框架有接触即可。不需要预先学RAG理论，概念和代码一起讲。
建议先看哪几块：第一块是RAG原理与向量存储，理解全链路基础；第二块是检索后排序与混合检索，提升召回质量；第三块是实战工作流与GraphRAG，把前面知识串成可部署系统。
学完能独立做什么：能独立搭建面向企业文档的RAG管线，涵盖文档解析、向量化、检索、重排序、结果输出全流程，也能针对PDF表格、混合查询等场景做调优。
资料怎么配合练习：每个模块配有代码片段和可运行脚本，建议边看边改参数，特别是向量库选型、分割粒度、检索策略，改成自己的数据跑一遍，效果差异最明显。
Let me count Chinese characters more carefully. I'll go paragraph by paragraph.
Paragraph 1: 这门课解决的核心问题是让开发者从调API走向自己搭检索增强生成系统RAG不是调一次prompt就完事检索质量文档切分混合策略重排序每一步都会影响最终输出课程按从原理到工程的顺序展开覆盖向量存储选型文档分割粒度混合检索RRF融合PDF表格处理GraphRAG及工作流编排全部配有可落地源码与实战案例
Let me count: 这门课解决的核心问题是让开发者从调走向自己搭检索增强生成系统RAG不是调一次就完事检索质量文档切分混合策略重排序每一步都会影响最终输出课程按从原理到工程的顺序展开覆盖向量存储选型文档分割粒度混合检索RRF融合PDF表格处理GraphRAG及工作流编排全部配有可落地源码与实战案例
Chinese characters only:
这门课解决的核心问题是让开发者从调走向自己搭检索增强生成系统 - let me count: 这(1)门(2)课(3)解(4)决(5)的(6)核(7)心(8)问(9)题(10)是(11)让(12)开(13)发(14)者(15)从(16)调(17)走(18)向(19)自(20)己(21)搭(22)检(23)索(24)增(25)强(26)生(27)成(28)系(29)统(30) = 30
RAG不是调一次就完事 = RAG(3 letters)不是调一次就完事 = 7 Chinese chars: 不(1)是(2)调(3)一(4)次(5)就(6)完(7)事(8) = 8
检索质量文档切分混合策略重排序每一步都会影响最终输出 =
检(1)索(2)质(3)量(4)文(5)档(6)切(7)分(8)混(9)合(10)策(11)略(12)重(13)排(14)序(15)每(16)一(17)步(18)都(19)会(20)影(21)响(22)最(23)终(24)输(25)出(26) = 26
课程按从原理到工程的顺序展开 = 课(1)程(2)按(3)从(4)原(5)理(6)到(7)工(8)程(9)的(10)顺(11)序(12)展(13)开(14) = 14
覆盖向量存储选型 = 覆(1)盖(2)向(3)量(4)存(5)储(6)选(7)型(8) = 8
文档分割粒度 = 文(1)档(2)分(3)割(4)粒(5)度(6) = 6
混合检索 = 混(1)合(2)检(3)索(4) = 4
RRF融合 = RRF(3)融(1)合(2) = 5
PDF表格处理 = PDF(3)表(1)格(2)处(3)理(4) = 7
GraphRAG及工作流编排 = GraphRAG(7)及(1)工(2)作(3)流(4)编(5)排(6) = 13
【资源目录】:
├──10_10VectorStore向量存储与检索.mp4 38.13M
├──11_11Chrom向量数据库使用.mp4 41.88M
├──12_12向量数据库选型.mp4 36.82M
├──13_13RAG高级进阶实战.mp4 25.11M
├──14_14文本分割粒度.mp4 37.78M
├──15_15检索后排序.mp4 40.32M
├──16_16ReRanker模型.mp4 34.75M
├──17_17混合检索HybridSearch.mp4 46.07M
├──18_18RRF.mp4 22.65M
├──19_19PDF文档表格处理.mp4 65.95M
├──1、RAG工作原理.mp4 8.30M
├──20_20GraphRAG基本介绍.mp4 79.00M
├──21_21实战一RAGWorkflowI作流详解.mp4 26.08M
├──22_22RAGVSFineTuning模型微调.mp4 12.05M
├──23_23大模型企业级业务场景落地方案实践.mp4 11.39M
├──24_24使用conda配置知识库项目Python环境.mp4 13.93M
├──25_25SentenceTransformer大模型详解.mp4 18.54M
├──26_26Embedding文本向量化处理实战.mp4 22.85M
├──27_27InternLM218BQwen25I05B模型实战.mp4 30.47M
├──28_28知识库模型问答测试与实际效果评估.mp4 31.99M
├──29_29使用Llamalndex创建知识库实战.mp4 41.91M
├──2_2大模型目前固有的局限性.mp4 44.05M
├──30_30使用Streamlit创建Web应用实战.mp4 39.95M
├──31_31程序员大模型学习最佳实践.mp4 77.38M
├──32_32实战二什么叫预训练好的大模型.mp4 38.29M
├──33_33大模型的局限性及解决方案.mp4 21.71M
├──34_34rag外挂私有知识库.mp4 21.00M
├──35_35Indexing.mp4 22.07M
├──36_36检索和生成.mp4 24.48M
├──37_37finetuning微调.mp4 49.06M
├──38_38增量训练pretrainging.mp4 38.98M
├──39_39functioncalling调用企业.mp4 65.81M
├──3_3检索增强生成.mp4 39.77M
├──4_4文档的加载与切割.mp4 36.53M
├──5_5LLM接口封装.mp4 30.00M
├──6_6Prompt模版.mp4 25.87M
├──7_7什么是向量.mp4 42.14M
├──8_8文本向量.mp4 56.19M
├──9_9文本向量是怎么得到的选.mp4 87.49M
声明：本站所有资料均来源于网络以及用户发布，如对资源有争议请联系微信客服我们可以安排下架！
![[衡天云]爆款云服务器 低至12元/月](/hty.png)