跳到主要内容

RAG 学习指南

欢迎来到 RAG (Retrieval-Augmented Generation) 学习指南！这是一个从零开始学习检索增强生成技术的完整教程。

什么是 RAG？​

检索增强生成（RAG）是一种结合了信息检索和生成式 AI的技术架构。它通过从知识库中检索相关信息，然后将这些信息作为上下文提供给大语言模型来生成更准确、更具体的回答。

RAG 的核心优势​

  • 🎯 准确性: 基于真实数据源，减少幻觉问题
  • 🔄 实时性: 可以访问最新信息，不受模型训练数据时间限制
  • 💰 成本效益: 无需重新训练大模型即可获得专业知识
  • 🔒 隐私保护: 敏感数据可以保存在本地知识库中

学习路径​

本教程包含从基础到高级的 9 个实践项目：

🚀 基础篇​

  1. 简单 RAG - 理解 RAG 的基本概念和实现
  2. 语义分块 - 学习如何智能地分割文档
  3. 分块大小选择器 - 优化文档分块策略

📈 进阶篇​

  1. 上下文增强 RAG - 提升检索内容的质量
  2. 上下文分块头部 - 为分块添加元数据
  3. 文档增强 RAG - 多文档处理技术

🔬 高级篇​

  1. 查询转换 - 查询优化和重写技术
  2. 重排序 - 改进检索结果的排序
  3. 检索-合成-执行 (RSE) - 复合式 RAG 架构

技术栈​

本教程使用以下技术栈：

  • LlamaIndex: 主要的 RAG 框架
  • HuggingFace: 嵌入模型和预训练模型
  • OpenAI/OpenRouter: 语言模型 API
  • Python: 主要编程语言
  • PyMuPDF: PDF 文档处理

开始学习​

准备好开始你的 RAG 学习之旅了吗？点击左侧导航栏，从基础概念开始学习吧！

学习建议

建议按照顺序学习各个章节，每个项目都会在前一个的基础上添加新的功能和概念。