LLM 应用进阶2026-05-26 更新

检索增强生成（RAG）

从检索、生成到生产落地，系统掌握 RAG 的核心组件

RAG（Retrieval Augmented Generation，检索增强生成）通过从外部知识库中检索相关信息，帮助大语言模型生成更准确、更实用、更有依据的回复。

这门课围绕真实应用中的 RAG 系统展开：你会先理解检索与生成如何配合，再学习搜索技术、向量数据库、提示词设计、系统评估与生产部署中的关键权衡。

课程设计

  • 第一部分建立 RAG 的整体图景：RAG 是什么、为什么需要它，以及它如何把 LLM 与外部知识库连接起来。
  • 第二部分补齐信息检索和搜索基础，理解关键词搜索、语义搜索、混合检索、分块和查询解析等技术。
  • 第三部分进入向量数据库、LLM 文本生成、评估与生产化，讨论上下文窗口、延迟、成本、监控和系统迭代。

适合人群

  • 正在构建 RAG、企业知识库问答、客服机器人、代码助手或搜索增强应用的工程师。
  • 已经了解生成式 AI 基础，希望把 RAG 从 Demo 推进到可调试、可评估、可上线系统的人。
  • 具备中级 Python 编程能力，希望系统学习检索、提示词、向量数据库和生产部署之间关系的人。

建议背景

需要中级 Python 编程能力；了解生成式 AI 基础知识会更容易跟上课程节奏。

学习目标

理解检索与生成如何协同，能设计可靠、灵活的 RAG 系统。
掌握关键词搜索、语义搜索、混合检索、文本分块和查询解析等常见检索技术。
理解向量数据库在 RAG 中的作用，并能判断不同检索策略的适用场景。
能编写更好利用检索上下文的提示词，并评估 RAG 系统的回答质量。
能围绕延迟、成本、上下文窗口、监控和调试做出更稳的生产工程决策。

课程目录

Chapter 1

第一章：RAG 综述

从 RAG 的基本概念、应用场景、系统架构、LLM 机制和检索器职责建立整体图景。

7 课时
01第一节：本章介绍梳理第一章会覆盖的 RAG 基础、系统架构、组件分工和应用场景。视频 / 图文5 分钟02第二节：RAG 介绍用酒店问题示例解释检索增强生成的基本思想：先检索信息，再让 LLM 基于上下文生成回答。视频 / 图文20 分钟03第三节：RAG 应用介绍介绍代码生成、企业聊天机器人、医疗法律、网络搜索和个人助手等典型 RAG 场景。视频 / 图文20 分钟04第四节：RAG 架构设计简述拆解 RAG 系统从用户提示到检索器、知识库、增强提示词和 LLM 输出的核心链路。视频 / 图文20 分钟05第五节：大模型介绍解释 LLM 如何基于 token 概率自回归生成文本，以及为什么这会带来幻觉和上下文窗口限制。视频 / 图文20 分钟06第六节：信息检索介绍从图书馆类比出发说明检索器如何组织、索引、排序和过滤知识库文档。视频 / 图文20 分钟07第七节：本章总结总结 RAG 的核心目标：用检索到的信息锚定 LLM 回复，并引出后续章节的深入内容。视频 / 图文3 分钟
Chapter 2

第二章：信息检索和搜索基础

后续更新。学习关键词搜索、语义搜索、混合搜索、文本分块和查询解析等检索基础。

0 课时
Chapter 3

第三章：信息检索和向量数据库

后续更新。学习向量数据库如何支持文档索引、相似度搜索和大规模 RAG 检索链路。

0 课时
Chapter 4

第四章：大模型和文本生成

后续更新。学习 LLM 如何利用检索上下文生成回答，并围绕提示词、上下文窗口和生成质量做工程优化。

0 课时
Chapter 5

第五章：生产上的 RAG 系统

后续更新。学习如何评估、监控、调试和部署 RAG 系统，并在延迟、成本和可靠性之间做权衡。

0 课时