RAG全栈技术从基础到精通 ，打造高精准AI应用资源介绍:
RAG全栈技术从基础到精通 ，打造高精准AI应用
本课程是从0-1的RAG全流程构建,从 RAG 基础到深入剖析原理，全面构建RAG全栈技术体系，涵盖核心组件、14 种检索增强技术、智能评估以及双模型微调方案等前沿技术。带你从0到1构建企业级AI应用（智能问答助手和金融智库），并贯穿AI应用开发软技能，全方位提升解决问题能力，突破准确率瓶颈，助力职业腾飞。
资源目录:
├── 第1章 课程学习必知——助你顺利学习以及必坑/ │ └── [ 23M] 1-1全面了解课程，让你少走弯路，必看！！！ ├── 第2章 掌握未来AI趋势：RAG引领大语言模型新纪元/ │ ├── [1.1M] 2-1本章简介 │ ├── [4.5M] 2-2满足企业精准需求：RAG如何填补大语言模型短板 │ ├── [2.2M] 2-3解锁RAG三大核心 │ ├── [9.6M] 2-4深入思考longcontext加持的大模型企业还需要RAG │ ├── [4.1M] 2-5RAG技术栈：从【合格】到【优秀】的跨越 │ ├── [7.1M] 2-6RAG人才为何炙手可热，你准备好了吗 │ ├── [3.9M] 2-7本课程案例分析与说明 │ └── [1.5M] 2-8【文档】运行和开发环境搭建.pdf ├── 第3章 【企业级专业选型】RAG核心一：挑选符合企业的【优秀】大语言基石模型/ │ ├── [2.2M] 3-1本章简介 │ ├── [ 31M] 3-2大模型入门：核心要点和技术演变（token、transformer、训练） │ ├── [6.0M] 3-3国内外大模型产品必知必会 │ ├── [ 14M] 3-4没有GPU如何调用大模型-大模型调用的三种方式 │ ├── [9.4M] 3-5火眼金星：如何分辨大模型的好坏 │ ├── [3.8M] 3-6RAG应用：挑选大模型的四大步骤 │ ├── [ 16M] 3-7总结和展望：不同项目角色需要对AI大模型了解程度的差异性分析 │ ├── [ 32M] 3-8实战：使用大语言模型（本地和API、GPU和CPU）-1 │ └── [ 35M] 3-9实战：使用大语言模型（本地和API、GPU和CPU）-2 ├── 第4章 【企业级专业选型】RAG核心二：挑选合适RAG的向量Embedding模型/ │ ├── [1.1M] 4-1本章介绍 │ ├── [5.0M] 4-2embedding模型的重要性 │ ├── [8.1M] 4-3embedding是怎么炼成的？ │ ├── [ 13M] 4-4主流中文embedding模型 │ ├── [6.4M] 4-5embedding模型排行榜靠谱不靠谱，如何选择 │ ├── [ 40M] 4-6实战：embedding模型加载和使用对比 │ └── [1.8M] 4-7本章总结 ├── 第5章 【企业级专业选型】RAG核心三：企业级的向量数据库选型和高效使用/ │ ├── [1.3M] 5-1本章介绍 │ ├── [ 19M] 5-2全方位对比：主流向量数据库 │ ├── [2.5M] 5-3企业级向量数据库的要求 │ ├── [3.5M] 5-4向量数据库相似性搜索 │ ├── [ 27M] 5-5性能为王：探索向量数据索引优化技术 │ ├── [ 27M] 5-6实战：部署和使用企业级向量数据库（chroma和milvus）-1 │ ├── [ 27M] 5-7实战：部署和使用企业级向量数据库（chroma和milvus）-2 │ └── [3.7M] 5-8总结和展望：企业级应用的高可用性 ├── 第6章 【企业员工智能问答助手-实现V1.0版】高效处理企业复杂业务数据/ │ ├── [1.2M] 6-1本章介绍 │ ├── [6.2M] 6-2复杂：企业数据复杂多样 │ ├── [6.0M] 6-3原则：垃圾进垃圾出，注重文档质量 │ ├── [ 14M] 6-4挑战：RAG如何读取多样性文档（文本、表格和布局分析） │ ├── [ 20M] 6-5文档分块：递归文本分块和语义智能分块 │ └── [1.7M] 6-6本章总结 ├── 第7章 【企业员工智能问答助手-实现V1.0版】搭建制度问答baseline RAG/ │ ├── [1.6M] 7-1本章介绍 │ ├── [4.6M] 7-2【企业员工制度问答助手】需求分析 │ ├── [2.1M] 7-3项目技术选型 │ ├── [3.6M] 7-4项目架构设计 │ ├── [ 35M] 7-5实战：实现制度问答模块RAGbaseline │ └── [6.2M] 7-6总结和展望：转变思想，AI应用开发和传统软件开发的区别 ├── 第8章 【企业员工智能问答助手-评估V1.0版】有效评估RAG是提升的关键/ │ ├── [1.2M] 8-1本章介绍 │ ├── [5.9M] 8-2RAG迭代的关键：评估 │ ├── [1.3M] 8-3RAG评估的三大步骤 │ ├── [ 33M] 8-4RAG评价神器：Ragas框架 │ ├── [ 13M] 8-5实战：用Ragas评估制度问答模块的性能 │ └── [3.7M] 8-6本章总结 ├── 第9章 【企业员工智能问答助手-实现V2.0版】提升RAG的【14种】检索增强技能/ │ ├── [1.8M] 9-1本章介绍 │ ├── [5.1M] 9-2一图剖析RAG进化之路：探索优化点 │ ├── [ 14M] 9-3检索的两大形态：稀疏vs稠密 │ ├── [ 33M] 9-4查询增强：增加相关内容-Query2doc+HyDE+子问题查询+问题改写+TaskStepBack │ ├── [ 14M] 9-5多索引增强：从不同维度构建索引，强化相关内容 │ ├── [ 12M] 9-6检索后增强：融合检索，三个臭皮匠顶一个诸葛亮 │ ├── [7.9M] 9-7检索后增强：重排序技术(Re-rank) │ ├── [ 12M] 9-8系统性增强：迭代检索增强生成，从上一迭代收获信息 │ ├── [ 16M] 9-9RAG新范式：自我评估增强Self-RAG │ ├── [ 32M] 9-10总结和展望：关于企业里需要良好的代码规范和代码管理 │ ├── [ 38M] 9-11实战：用检索增强技术提升制度问答模块性能-查询增强-1 │ ├── [ 52M] 9-12实战：用检索增强技术提升制度问答模块性能-查询增强-2 │ ├── [ 46M] 9-13实战：用检索增强技术提升制度问答模块性能-多索引增强 │ ├── [ 13M] 9-14实战：用检索增强技术提升制度问答模块性能-融合检索 │ ├── [ 46K] 9-15【文档】重排rerank模型如何下载.pdf │ ├── [ 16M] 9-16实战：用检索增强技术提升制度问答模块性能-rerank重排 │ ├── [ 12M] 9-17实战：用检索增强技术提升制度问答模块性能-迭代检索增强生成 │ ├── [ 34M] 9-18实战：用检索增强技术提升制度问答模块性能-self-RAG-1 │ └── [ 36M] 9-19实战：用检索增强技术提升制度问答模块性能-self-RAG-2 ├── 第10章 基于知识图谱【金融智库】：从RAG到Graph RAG，让企业知识图谱更智能/ │ ├── [4.3M] 10-1本章介绍 │ ├── [ 22M] 10-2认识金融智库知识图谱数据：特别的知识三元组 │ ├── [ 26M] 10-3如何存储和操作知识图谱：neo4j和nebulagraph │ ├── [ 33M] 10-4实战：动手构建金融智库知识图谱-1 │ ├── [ 38M] 10-5实战：动手构建金融智库知识图谱-2 │ ├── [ 27M] 10-6RAG和GraphRAG有什么区别：如何构建GraphRAG │ ├── [ 53M] 10-7实战：利用GraphRAG构建金融智库知识库应用 │ └── [ 14M] 10-8总结和展望：如何自我学习，跟进前沿技术 ├── 第11章 基于知识图谱【金融智库】：从RAG到agenticRAG，实现自动切换不同信息源/ │ ├── [1.9M] 11-1本章介绍 │ ├── [ 21M] 11-2大模型的手脚：AI智能体Agent │ ├── [8.0M] 11-3推理和行动并行：ReAct框架 │ ├── [3.7M] 11-4基于Agent的多文档RAGRouter │ ├── [ 30M] 11-5实战：利用ReAcAgent实现RAGRouter │ └── [2.0M] 11-6本章总结 ├── 第12章 【RAG扩展】企业员工助手-接口和界面开发/ │ ├── [1.8M] 12-1本章介绍 │ ├── [ 17M] 12-2演示界面神器：gradio介绍 │ ├── [ 28M] 12-3实战：gradio整合两大RAG项目（1） │ ├── [ 39M] 12-4实战：gradio整合两大RAG项目（2） │ ├── [130K] 12-5RAGPipelineAPI接口文档-【简介&fastapi介绍】.pdf │ ├── [ 93K] 12-6RAGPipelineAPI接口文档-【环境准备&API接口说明】.pdf │ └── [130K] 12-7RAGPipelineAPI接口文档-【使用示例】.pdf ├── 第13章 【RAG进阶】企业员工助手-项目进阶：RAG微调/ │ ├── [2.2M] 13-1本章介绍 │ ├── [ 21M] 13-2普通显卡也可以训练大模型：揭开Lora微调的面纱 │ ├── [ 32M] 13-3新手也可以微调：大语言模型微调框架SWIFT │ ├── [8.0M] 13-4让Embedding更接近你的数据：用llamaindex微调embedding模型 │ └── [3.5M] 13-5本章总结 └── 第14章 企业员工助手-总结和展望/ ├── [ 19M] 14-1-1项目总结和展望：课程回顾与总结 └── [ 19M] 14-2-2项目总结和展望：课程总结与AI岗位面试技巧 └── 资料代码/
此隐藏内容仅限VIP查看升级VIP
