这门课学什么
建立 RAG 全景认知，从原理到场景完整理解 RAG 的定位与边界；掌握知识库文档处理与 Chunk 切分技术，覆盖全部分块面试考点；深入理解 Embedding 原理与向量索引存储机制，掌握全部面试高频向量考点；掌握多策略混合检索机制与召回质量优化；完成检索结果注入 LLM 的生成流程，打通 RAG 全链路；掌握 RAG 检索与生成的全套评估体系，沉淀项目答辩素材
课程目录
按阶段查看学习目标和主题，确认内容是否适合你。
01RAG 基础认知8 个主题
阶段目标：建立 RAG 全景认知，从原理到场景完整理解 RAG 的定位与边界
- LLM 幻觉问题（产生原因、对实际应用的危害）
- 参数知识与外部知识的区别
- RAG 基本结构与组成
- RAG 整体架构（Retriever + Generator 框架）
- RAG 与 Long Context 的关系与差异
- RAG 与微调（Fine-tuning）的对比与选择
- RAG 适合与不适合的场景边界
- RAG 的优缺点分析
02文档解析与分块11 个主题
阶段目标：掌握知识库文档处理与 Chunk 切分技术，覆盖全部分块面试考点
- 常见文档格式解析（PDF / Word / Markdown / 表格）
- 文档清洗策略（去噪、去重、格式统一）
- Document → Chunk 分块基本流程
- 分块策略对比（固定长度 / 语义切分 / 结构切分）
- Chunk Size 分块大小选择与权衡
- Chunk Overlap 重叠机制与作用
- Semantic Chunking 语义切分原理
- 按标题 / 段落 / 章节结构切分
- Chunk 太大 / 太小的问题与解决思路
- PDF、表格、Markdown 等结构化内容处理策略
- 分块大小对检索质量的影响
03向量化与存储17 个主题
阶段目标：深入理解 Embedding 原理与向量索引存储机制，掌握全部面试高频向量考点
- Embedding 直觉理解（文本 → 向量）
- Semantic Similarity 语义相似度概念
- Vector 与向量空间理解
- Cosine Similarity 余弦相似度计算
- Keyword Search 与 Semantic Search 对比
- Embedding 模型选择（BGE / OpenAI 等）
- 中文 / 英文 / 多语言 Embedding 适配
- Embedding 模型更换的影响（需重新向量化）
- Vector Database 的作用与选型
- 向量索引原理（ANN）
- Exact Search vs Approximate Search 对比
- HNSW 基本思想
- IVF 基本思想
- Index 类型与调优
- Milvus / FAISS 的角色区别
- 向量数据库使用（Chroma / FAISS / Milvus）
- 数据规模与性能权衡
04检索与召回10 个主题
阶段目标：掌握多策略混合检索机制与召回质量优化
- 向量检索原理与相似度计算（余弦 / 内积）
- Vector Search 向量检索机制
- TopK 召回策略与调节
- Similarity Threshold 相似度阈值过滤
- BM25 稀疏检索算法
- Hybrid Search 混合检索（稀疏 + 稠密）
- Query Rewrite 查询改写
- Metadata Filter 元数据过滤
- Rerank 重排序优化
- Recall 与 Precision 的基本矛盾与权衡
05增强生成4 个主题
阶段目标：完成检索结果注入 LLM 的生成流程，打通 RAG 全链路
- Prompt 模板组装（检索结果 + 上下文 + 问题）
- LLM 调用与结构化输出解析
- 引用溯源（Grounding）实现
- 生成质量与相关性控制
06评估与面试冲刺8 个主题
阶段目标：掌握 RAG 检索与生成的全套评估体系，沉淀项目答辩素材
- RAG 评估指标框架（Hit Rate / Recall@K / Precision@K / MRR）
- 生成质量指标（Faithfulness / Answer Relevance）
- 测试集构建与 Ground Truth 标注流程
- 人工标注流程与方法
- LLM-as-a-Judge 自动评估
- RAGAS 评估框架
- 系统调优思路（分块 / 检索 / 提示词）
- 全链路项目串联与面试答辩演练