友情链接:
合作联系
|
ASPEN培训课程
· 掌握核心思想与价值：深入理解RAG解决大模型核心痛点（幻觉、知识滞后、可解释性差）的机制。
· 精通全栈技术组件：掌握从文档处理、向量检索、提示工程到系统评估的完整RAG技术链。
· 具备架构与优化能力：能够设计、实现并优化生产级RAG系统，解决其常见问题（如检索不准、上下文窗口限制）。
· 了解前沿与行业应用：熟悉RAG的进阶范式、开源工具栈，并能将其与具体业务场景（如智能客服、知识库问答、法律金融分析）相结合。
· AI/ML工程师、算法工程师
· 后端/全栈工程师（希望在其产品中集成RAG能力）
· 数据科学家、NLP工程师
· 技术型产品经理、解决方案架构师
具备Python编程基础，了解机器学习基本概念，对大语言模型（LLM）有基本认知（如了解GPT系列）。
熟悉基本的信息检索或NLP知识更佳。
目标：建立对RAG技术的全局认知，理解其必要性与核心组件。
· 大模型的局限与RAG的诞生
o 大模型的核心痛点：幻觉、知识截止、无法访问私有/实时数据、计算成本高。
o RAG如何解决这些问题：将“记忆”外部化、增强可控性与可解释性。
· RAG基础架构与工作流程
o 索引阶段：从数据源到向量数据库的管道。
o 检索与生成阶段：Query -> 检索 -> 增强 -> 生成的端到端流程。
o RAG vs. 微调：两种知识注入范式的对比与选型。
· 技术组件全景图
o 文档加载器、文本分割器、嵌入模型、向量数据库、重排序器、大语言模型、提示模板。
目标：掌握每个组件的技术细节、选型标准和实现方法。
· 数据准备与分块
o 文档加载：PDF、Markdown、HTML、API等数据源处理。
o 分块策略：固定大小、递归分割、语义分割、文档感知分割。
o 元数据关联：为分块添加上下文信息，提升检索质量。
· 嵌入模型与向量检索
o 嵌入模型：Sentence-BERT、OpenAI text-embedding 等模型的选型与调优。
o 向量数据库：Chroma、Pinecone、Weaviate、Milvus/Qdrant的原理与实战。
o 检索算法：精确/近似最近邻搜索、混合检索（Hybrid Search）结合关键词（BM25）与语义搜索。
o 检索后处理：重排序（Re-ranking）技术提升Top-K结果精度。
· 提示工程与生成增强
o 基础提示模板：构建包含上下文、问题和指令的系统提示。
o 高级检索策略：多查询生成、HyDE（假设性文档嵌入）、子查询。
o 上下文管理：应对LLM的上下文窗口限制，关键信息压缩与选择性输入。
目标：学习优化RAG性能，并构建健壮、可维护的生产系统。
· RAG的评估体系
o 评估指标：检索相关度（命中率、MRR）、生成质量（忠实度、答案相关度）、端到端质量（RAGAs框架）。
o 评估方法：人工评估、基于LLM的自动评估、A/B测试。
· RAG的高级范式与优化技巧
o 进阶架构：递归检索、自适应RAG、智能路由（Agentic RAG）。
o 查询优化：查询转换、扩展、改写。
o 多模态RAG：引入图像、表格等非文本数据的检索与生成。
· 生产级考量与工具链
o 架构设计：模块化、可观测性、监控（检索延迟、质量指标）。
o 开源框架实战：深入使用 LangChain 或 LlamaIndex 构建可复用的RAG管道。
o 成本与延迟优化：缓存策略、批处理、模型选择权衡。
