第九课：RAG（检索增强生成）——让AI“翻阅”你的专属文档

目录

• 课前引言
• 开篇全景图：本课学习路径
• • 第一部分：什么是RAG？
  • • 1.1 一句话说清楚
    • 1.2 为什么需要RAG？
  • 第二部分：RAG vs 微调 vs 提示工程
  • • 2.1 三种方法对比
    • 2.2 如何选择？
  • 第三部分：RAG核心工作流程
  • • 3.1 阶段一：索引（Indexing）—— 建立知识库
    • 3.2 阶段二：检索（Retrieval）—— 找到相关信息
    • 3.3 阶段三：生成（Generation）—— 基于事实回答
  • 第四部分：2026年RAG技术范式演进
  • • 4.1 七大RAG范式全景
    • 4.2 各范式详解
  • 第五部分：RAG系统关键组件
  • • 5.1 文档加载器（Document Loader）
    • 5.2 文本分割器（Text Splitter）
    • 5.3 向量化（Embedding）
    • 5.4 向量数据库
    • 5.5 检索器（Retriever）
    • 5.6 重排序器（Reranker）
  • 第六部分：混合检索——2026年的标准实践
  • • 6.1 三路召回架构
    • 6.2 为什么需要混合检索？
    • 6.3 混合检索代码实现
  • 第七部分：RAG评估方法
  • • 7.1 RAGAS评估框架
    • 7.2 RAGAS使用示例
  • 第八部分：实战——构建一个完整的RAG系统
  • • 8.1 系统架构
    • 8.2 环境准备
    • 8.3 完整代码实现
    • 8.4 2026年生产级RAG的最佳实践
  • 第九部分：工程挑战与最佳实践
  • • 9.1 核心挑战
    • 9.2 最佳实践总结
  • 课后小结

课前引言

大家好，我是小马过河R，我们一起来拥抱AI。

前八课我们走完了从AI历史到Agent记忆的完整路径。你已经能调用API、写Prompt、微调模型、构建Agent、管理记忆系统。但你可能已经遇到了一个更现实的问题：大模型不知道你的私有数据。

你可能会遇到这样的场景：

• 你想让AI回答公司内部制度的问题，它只能说“我不知道”
• 你想让AI分析一份最新的行业报告，它的知识还停留在半年前
• 你想让AI基于产品手册回答客户问题，它总是编造不存在的功能

这背后是一个根本性的问题：大模型的训练数据是公开的、静态的。它不知道你的私有文档、不知道最新信息、不知道企业内部的业务逻辑。

RAG（检索增强生成） 正是为了解决这个问题而生的。

这一课的目标是：让你全面理解RAG是什么、它的工作原理、以及如何动手构建一个RAG系统。

学完这节课，你将能够：