RAG 检索增强生成实战指南

📖 本书简介

RAG (Retrieval-Augmented Generation) 是企业级 LLM 应用的核心技术。本书将教你如何构建高效的 RAG 系统，让 LLM 能够访问私有知识库并提供准确的答案。

🎯 学习目标

通过本书，你将学会：

• 理解 RAG 原理：检索增强生成的工作机制
• 掌握向量数据库：Pinecone、Weaviate、Qdrant 等主流方案
• 优化检索质量：Embedding 优化、混合检索、重排序
• 构建完整系统：从文档处理到问答生成的全流程
• 企业级部署：性能优化、成本控制、监控评估

📚 主要内容

第一部分：RAG 基础

• RAG 的定义与核心概念
• RAG vs Fine-tuning
• RAG 的应用场景
• RAG 系统架构

第二部分：文档处理

• 文档加载与解析
• 文档切分策略
• Chunk 大小优化
• 元数据提取
• 支持多种格式 (PDF, Word, Markdown 等)

第三部分：向量化与存储

• Embedding 模型选择
• 向量数据库对比与选型
• 索引结构设计
• 向量存储优化
• 实战：搭建向量数据库

第四部分：检索优化

• 基础向量检索
• 混合检索 (Dense + Sparse)
• 重排序 (Reranking)
• 查询改写与扩展
• 多路召回策略

第五部分：生成优化

• 上下文注入策略
• 提示词工程在 RAG 中的应用
• 引用与溯源
• 幻觉检测与缓解
• 多轮对话支持

第六部分：高级技术

• Self-RAG: 自我反思检索
• RAPTOR: 递归嵌入与聚类
• GraphRAG: 基于知识图谱的 RAG
• Adaptive RAG: 自适应检索
• Multi-modal RAG: 多模态检索

第七部分：评估与监控

• RAG 评估指标
• 端到端评估流程
• 组件级评估
• 持续监控与优化
• 实战：构建评估系统

第八部分：生产实践

• 性能优化
• 成本控制
• 缓存策略
• 增量更新
• 企业级部署案例

👥 适合人群

• AI 应用开发者
• 企业 AI 系统架构师
• 数据工程师
• 希望构建知识库问答系统的开发者

📋 前置知识

• Python 编程基础
• 基本的 LLM 知识（可参考《LLM 学习指南》）
• 数据库基础概念

🚀 开始学习

RAG 是连接 LLM 与企业知识的桥梁，让我们开始构建你的 RAG 系统！