RAG全栈技术从基础到精通 ，打造高精准AI应用

“【慕课实战】RAG全栈技术从基础到精通，打造高精准AI应用”是一门面向AI开发工程师与应用开发者的进阶课程，核心围绕当前大模型应用中的关键技术——检索增强生成（RAG）体系展开，目标是帮助学习者从基础原理到工程落地，全面掌握构建高精度AI应用的能力。

课程的核心技术基础是检索增强生成（RAG）。这一技术通过“检索 + 生成”的方式，让大语言模型在回答问题前先从外部知识库中检索相关信息，再结合生成模型输出更准确、更可控的答案，从而有效解决大模型“幻觉”和知识滞后问题。

在基础部分，课程通常会先讲解大语言模型的基本原理，以及传统纯生成模型的局限性。随后引入RAG架构的整体流程，包括文档处理、向量化、向量数据库检索以及结果融合生成等关键步骤。学员会理解一个完整RAG系统是如何将非结构化数据转化为可检索知识，并最终服务于问答系统或智能应用的。

在技术实现层面，课程会深入讲解文本向量化技术，例如Embedding模型的原理与使用方式，并结合向量数据库如FAISS或Milvus实现高效语义检索。同时，还会讲解如何进行数据清洗、切分（Chunking）与索引构建，以提高检索准确率。

在应用开发部分，课程重点强调“全栈能力”，即不仅仅停留在算法层面，还包括系统设计与工程实现。学员将学习如何基于LangChain或类似框架构建完整RAG应用，包括API封装、前后端交互、知识库管理以及多轮对话优化等内容，使系统具备实际可用性。

进阶内容通常会涉及RAG优化策略，例如多路召回、重排序（Rerank）、上下文压缩、混合检索（关键词+语义）等方法，以提升回答准确率与稳定性。同时还会探讨如何结合企业私有数据构建知识问答系统，使AI能够适配真实业务场景。

此外，课程还可能延伸到Agent与RAG结合的高级应用，例如自动化问答助手、企业知识库AI客服、智能搜索系统等，帮助学员理解RAG在实际生产环境中的价值。

总体来看，这门“RAG全栈技术从基础到精通”课程不仅强调技术原理，更注重工程落地能力。它帮助学习者从“会用大模型”升级为“能构建高精度AI系统”，适合希望深入AI应用开发、企业级智能系统建设或大模型工程方向发展的学习者。

课程截图：

课程目录：

📁 第6章 【企业员工智能问答助手-实现V1.0版】高效处理企业复杂业务数据
    6-1 本章介绍_ev.mp4  [1.5 MB]
    6-4 挑战：RAG如何读取多样性文档（文本、表格和布局分析）_ev.mp4  [16.4 MB]
    6-6 实战：实现制度问答模块数据读取和切割_ev.mp4  [105.0 MB]
    6-7 本章总结_ev.mp4  [1.9 MB]
    6-5 文档分块：递归文本分块和语义智能分块_ev.mp4  [22.6 MB]
    6-3 原则：垃圾进垃圾出，注重文档质量_ev.mp4  [7.5 MB]
    6-2 复杂：企业数据复杂多样_ev.mp4  [7.4 MB]
📁 第10章 基于知识图谱【金融智库】：从RAG到Graph RAG，让企业知识图谱更智能
    10-7 实战：利用Graph RAG构建金融智库知识库应用_ev.mp4  [68.3 MB]
    10-1 本章介绍_ev.mp4  [4.5 MB]
    10-4 实战：动手构建金融智库知识图谱-1_ev.mp4  [39.7 MB]
    10-6 RAG和Graph RAG有什么区别：如何构建Graph RAG_ev.mp4  [30.4 MB]
    10-2 认识金融智库知识图谱数据：特别的知识三元组_ev.mp4  [25.5 MB]
    10-5 实战：动手构建金融智库知识图谱-2_ev.mp4  [48.2 MB]
    10-3 如何存储和操作知识图谱：neo4j和nebulagraph_ev.mp4  [30.4 MB]
    10-8 总结和展望：如何自我学习，跟进前沿技术_ev.mp4  [16.5 MB]
📁 第14章 企业员工助手-总结和展望
    14-1 -1 项目总结和展望：课程回顾与总结_ev.mp4  [22.5 MB]
    14-2 -2 项目总结和展望：课程总结与AI岗位面试技巧_ev.mp4  [23.4 MB]
📁 00.资料
    RAG_full_stack_course_notebooks-master.zip  [122.1 MB]
    RAG_erag-master.zip  [762.6 KB]
📁 第11章 基于知识图谱【金融智库】：从RAG到agenticRAG，实现自动切换不同信息源
    11-5 实战：利用ReAc Agent实现 RAG Router_ev.mp4  [39.4 MB]
    11-2 大模型的手脚：AI智能体Agent_ev.mp4  [24.2 MB]
    11-1 本章介绍_ev.mp4  [2.1 MB]
    11-3 推理和行动并行：ReAct框架_ev.mp4  [9.1 MB]
    11-4 基于Agent的多文档RAG Router_ev.mp4  [4.4 MB]
    11-6 本章总结_ev.mp4  [2.2 MB]
📁 第8章 【企业员工智能问答助手-评估V1.0版】有效评估RAG是提升的关键
    8-1 本章介绍_ev.mp4  [1.3 MB]
    8-6 本章总结_ev.mp4  [4.5 MB]
    8-4 RAG评价神器：Ragas框架_ev.mp4  [39.0 MB]
    8-2 RAG迭代的关键：评估_ev.mp4  [7.4 MB]
    8-3 RAG评估的三大步骤_ev.mp4  [1.5 MB]
    8-5 实战：用Ragas评估制度问答模块的性能_ev.mp4  [15.1 MB]
📁 第1章 课程学习必知——助你顺利学习以及避坑
    1-1 全面了解课程，让你少走弯路，必看！！！_ev.mp4  [28.4 MB]
📁 第13章 【RAG进阶】企业员工助手-项目进阶：RAG微调
    13-1 本章介绍_ev.mp4  [2.5 MB]
📁 第3章 【企业级专业选型】RAG核心一：挑选符合企业的【优秀】大语言基石模型
    3-6 RAG应用：挑选大模型的四大步骤_ev.mp4  [4.2 MB]
    3-8 【文档】大语言模型如何下载.pdf  [1.2 MB]
    3-10 【文档】如何通过ollama部署本地大模型-deepseek-r1.pdf  [1.2 MB]
    3-11 实战：使用大语言模型（本地和API、GPU和CPU）-1_ev.mp4  [39.2 MB]
    3-5 火眼金星：如何分辨大模型的好坏_ev.mp4  [10.7 MB]
    3-2 大模型入门：核心要点和技术演变（token、transformer、训练）_ev.mp4  [36.2 MB]
    3-3 国内外大模型产品必知必会_ev.mp4  [7.1 MB]
    3-4 没有GPU如何调用大模型-大模型调用的三种方式_ev.mp4  [16.0 MB]
    3-7 总结和展望：不同项目角色需要对AI大模型了解程度的差异性分析_ev.mp4  [18.9 MB]
    3-1 本章简介_ev.mp4  [2.5 MB]
    3-12 实战：使用大语言模型（本地和API、GPU和CPU）-2_ev.mp4  [40.3 MB]
    3-9 【文档】星火大模型API使用.pdf  [716.9 KB]
📁 第9章 【企业员工智能问答助手-实现V2.0版】提升RAG的【14种】检索增强技能
    9-6 检索后增强：融合检索，三个臭皮匠顶一个诸葛亮_ev.mp4  [14.3 MB]
    9-1 本章介绍_ev.mp4  [2.0 MB]
    9-4 查询增强：增加相关内容-Query2doc+ HyDE+子问题查询+问题改写+Task Step Back_ev.mp4  [40.4 MB]
    9-16 实战：用检索增强技术提升制度问答模块性能-rerank重排_ev.mp4  [23.1 MB]
    9-11 实战：用检索增强技术提升制度问答模块性能-查询增强-1_ev.mp4  [45.7 MB]
    9-7 检索后增强：重排序技术(Re-rank)_ev.mp4  [9.1 MB]
    9-9 RAG新范式：自我评估增强Self-RAG_ev.mp4  [20.8 MB]
    9-14 实战：用检索增强技术提升制度问答模块性能-融合检索_ev.mp4  [18.5 MB]
    9-13 实战：用检索增强技术提升制度问答模块性能-多索引增强_ev.mp4  [56.7 MB]
    9-8 系统性增强：迭代检索增强生成，从上一迭代收获信息_ev.mp4  [14.4 MB]
    9-15 【文档】重排rerank模型如何下载.pdf  [42.8 KB]
    9-10 总结和展望：关于企业里需要良好的代码规范和代码管理_ev.mp4  [40.3 MB]
    9-3 检索的两大形态：稀疏 vs 稠密_ev.mp4  [16.0 MB]
    9-17 实战：用检索增强技术提升制度问答模块性能-迭代检索增强生成_ev.mp4  [18.8 MB]
    9-18 实战：用检索增强技术提升制度问答模块性能-self-RAG-1_ev.mp4  [42.5 MB]
    9-12 实战：用检索增强技术提升制度问答模块性能-查询增强-2_ev.mp4  [77.2 MB]
    9-19 实战：用检索增强技术提升制度问答模块性能-self-RAG-2_ev.mp4  [51.5 MB]
    9-5 多索引增强：从不同维度构建索引，强化相关内容_ev.mp4  [17.3 MB]
    9-2 一图剖析RAG进化之路：探索优化点_ev.mp4  [5.6 MB]
📁 第7章 【企业员工智能问答助手-实现V1.0版】搭建制度问答baseline RAG
    7-1 本章介绍_ev.mp4  [1.8 MB]
    7-3 项目技术选型_ev.mp4  [2.3 MB]
    7-5 实战：实现制度问答模块RAG baseline_ev.mp4  [58.1 MB]
    7-6 总结和展望：转变思想，AI应用开发和传统软件开发的区别_ev.mp4  [7.5 MB]
    7-4 项目架构设计_ev.mp4  [4.3 MB]
    7-2 【企业员工制度问答助手】需求分析_ev.mp4  [4.9 MB]
📁 第12章 【RAG扩展】企业员工助手-接口和界面开发
    12-4 实战：gradio整合两大RAG项目（2）_ev.mp4  [48.8 MB]
    12-7 RAG Pipeline API 接口文档-【使用示例】.pdf  [153.1 KB]
    12-1 本章介绍_ev.mp4  [1.9 MB]
    12-5 RAG Pipeline API 接口文档-【简介&fastapi介绍】.pdf  [188.1 KB]
    12-3 实战：gradio整合两大RAG项目（1）_ev.mp4  [32.4 MB]
    12-2 演示界面神器：gradio介绍_ev.mp4  [19.7 MB]
    12-6 RAG Pipeline API 接口文档-【环境准备&API接口说明】.pdf  [108.8 KB]
📁 第5章 【企业级专业选型】RAG核心三：企业级的向量数据库选型和高效使用
    5-3 企业级向量数据库的要求_ev.mp4  [3.2 MB]
    5-1 本章介绍_ev.mp4  [1.6 MB]
    5-6 实战：部署和使用企业级向量数据库（chroma和milvus）-1_ev.mp4  [33.9 MB]
    5-8 总结和展望：企业级应用的高可用性_ev.mp4  [3.8 MB]
    5-4 向量数据库相似性搜索_ev.mp4  [4.6 MB]
    5-2 全方位对比：主流向量数据库_ev.mp4  [23.4 MB]
    5-5 性能为王：探索向量数据索引优化技术_ev.mp4  [31.4 MB]
    5-7 实战：部署和使用企业级向量数据库（chroma和milvus）-2_ev.mp4  [31.1 MB]
📁 第2章 掌握未来AI趋势：RAG引领大语言模型新纪元
    2-1 本章简介_ev.mp4  [1.3 MB]
    2-6 本课程案例分析与说明_ev.mp4  [3.9 MB]
    2-7运行和开发环境搭建.pdf  [2.1 MB]
    2-5 RAG技术栈：从【合格】到【优秀】的跨越_ev.mp4  [4.7 MB]
    2-2 满足企业精准需求：RAG如何填补大语言模型短板_ev.mp4  [5.3 MB]
    2-3 解锁RAG三大核心_ev.mp4  [2.8 MB]
    2-8课程机器配置要求说明.pdf  [77.4 KB]
    2-4 深入思考 long context加持的大模型企业还需要RAG_ev.mp4  [12.2 MB]
📁 第4章 【企业级专业选型】RAG核心二：挑选合适RAG的向量Embedding模型
    4-6 【文档】embedding模型下载.pdf  [118.7 KB]
    4-2 embedding模型的重要性_ev.mp4  [7.0 MB]
    4-7 实战：embedding模型加载和使用对比_ev.mp4  [46.1 MB]
    4-4 主流中文embedding模型_ev.mp4  [16.8 MB]
    4-5 embedding模型排行榜靠谱不靠谱，如何选择_ev.mp4  [7.0 MB]
    4-3 embedding是怎么炼成的？_ev.mp4  [9.3 MB]
    4-1 本章介绍_ev.mp4  [1.0 MB]
    4-8 本章总结_ev.mp4  [2.0 MB]