Mission: RAG 工程能力

Why

从向量数据库原理开始，系统掌握 RAG 的数据、检索、生成和评测链路，最终能够独立设计并交付一个真实可用的 RAG 项目，而不是只能拼接框架示例。

Success looks like

• 能解释向量数据库的核心数据结构、相似度计算、ANN 索引和精度/延迟取舍。
• 能独立实现文档解析、chunking、embedding、入库、召回、重排、prompt 组装和引用输出。
• 能构造评测集并用召回指标、端到端指标和延迟/成本数据定位瓶颈。
• 能针对召回不足、上下文噪声、答案幻觉和数据更新问题提出并验证优化方案。
• 能完成一个包含代码、评测、日志和部署说明的端到端 RAG 项目。

Constraints

• 使用中文学习，内容从原理逐步过渡到工程实践。
• 默认优先 Python 与可本地运行的开源组件，必要时再接入云端模型服务。
• 每节课保持短小，必须有一个可验证的产出或练习。

Out of scope

• 当前阶段不展开模型预训练、微调和通用深度学习理论。
• 当前阶段不追求覆盖所有向量数据库产品，先理解可迁移的底层概念。