RAG 课程

这是一条从原理走向工程交付的学习路径。每节课只解决一个小问题，并配有一个可验证的练习；课程最终会收敛到一个可以独立完成的 RAG 项目。

课程目标

• 能解释 embedding、相似度、ANN 索引、metadata filter 和 reranker 在链路中的职责。
• 能用 Python 搭建文档解析、切分、向量化、入库、召回、生成和引用的完整链路，并明确每一步处理的对象。
• 能建立离线评测集，用 Recall@k、MRR/nDCG、延迟和答案可引用性定位问题。
• 能针对 chunking、embedding、混合召回、重排、缓存和索引参数进行有证据的优化。
• 能区分标准 RAG 与 Agentic RAG，并把知识库检索封装成可控的 Agent 工具。
• 能独立完成一个有数据、有评测、有日志、可部署的 RAG 项目。

学习路线

阶段	主题	交付物
01	RAG 请求链路与系统边界	能画出一条可调试的请求链路
02	向量数据库原理	能解释向量、距离、ANN 和索引的取舍
03	召回单元、Embedding 与数据建模	能区分原文档、chunk、候选片段和最终上下文
04	Chunking 与 Embedding 优化	能用真实 query 评估切分和向量模型
05	标准 RAG 与 Agentic RAG	能把检索变成按需、多轮、可停止的工具调用
06	召回策略	能比较 dense、BM25 和 hybrid retrieval
07	重排与上下文组装	能降低无关上下文进入 prompt 的比例
08	评测与故障定位	能区分召回问题、生成问题和数据问题
09	工程优化	能处理延迟、成本、缓存、更新和可观测性
10	独立项目	完成一个端到端 RAG 应用并写出技术说明

开始学习

1. 第 1 课：把 RAG 拆成一条可调试的请求链
2. 第 2 课：向量数据库到底在解决什么问题
3. 第 3 课：从文档到答案的完整工作原理
4. 第 4 课：Chunking 与 Embedding 决定召回上限
5. 第 5 课：标准 RAG 与 Agentic RAG
6. 第 6 课：召回策略：Dense、BM25 与 Hybrid
7. 第 7 课：重排与上下文组装
8. 第 8 课：RAG 评测与故障定位
9. 第 9 课：RAG 工程优化与生产化
10. 第 10 课：独立完成一个 RAG 项目
11. RAG 课程速查：链路、指标与故障定位

配套资料见 RESOURCES.md，使命边界见 MISSION.md。

学习方式

默认使用中文讲解，优先采用 Python 和可本地运行的组件。每节课先建立最小模型，再通过提问、代码或小实验确认是否真正掌握；不要把“看过文章”当成“会做项目”。