课程介绍
在 AI 领域，智能问答系统准确率低是常见难题，本课由资深 AI 专家精心打造，专为解决这一痛点。无论你是新老手，都会助你更好地发展。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。
你将学到
- 从基础系统掌握RAG全栈技术
- 收获14增强技术实战经验技巧
- 从0全流程构建企业级AI应用
- 掌握智能评估|微调，倍增性能
- 解决多场景RAG方案落地难题
- 具备提升AI回答精准度的能力
试看链接：https://pan.baidu.com/s/1rLxPTDlxICBcKaRBHcvbeg?pwd=hk7w
相关推荐：
AI Agent智能应用从0到1定制开发(完结)
AI+Go 打造你的智能办公助手（完结）
DeepSeek+SpringAI实战AI家庭医生应用
Springboot+ChatGLM 实战AI数字人面试官系统（完结）
51CTO-2024全新Langchain大模型AI应用与多智能体实战开发
目录大纲：
.
├── 第1章 课程学习必知——助你顺利学习以及避坑/
│ └── [ 18M] 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/
│ ├── [ 12M] 2-1本章简介
│ ├── [ 14M] 2-2满足企业精准需求：RAG如何填补大语言模型短板
│ ├── [ 10M] 2-3解锁RAG三大核心
│ ├── [ 18M] 2-4深入思考longcontext加持的大模型企业还需要RAG
│ ├── [ 13M] 2-5RAG技术栈：从合格到优秀的跨越
│ ├── [ 12M] 2-6本课程案例分析与说明
│ └── [ 45M] 2-8课程环境安装过程演示
├── 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/
│ ├── [ 10M] 3-1本章简介
│ ├── [ 45M] 3-2大模型入门：核心要点和技术演变
│ ├── [ 15M] 3-3国内外大模型产品必知必会
│ ├── [ 25M] 3-4没有GPU如何调用大模型-大模型调用的三种方式
│ ├── [ 20M] 3-5火眼金星：如何分辨大模型的好坏
│ ├── [ 12M] 3-6RAG应用：挑选大模型的四大步骤
│ ├── [ 25M] 3-7总结和展望
│ ├── [ 42M] 3-11实战：使用大语言模型-1
│ └── [ 45M] 3-12实战：使用大语言模型-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/
│ ├── [ 10M] 4-1本章介绍
│ ├── [ 12M] 4-2embedding模型的重要性
│ ├── [ 15M] 4-3embedding是怎么炼成的
│ ├── [ 18M] 4-4主流中文embedding模型
│ ├── [ 13M] 4-5embedding模型排行榜靠谱不靠谱
│ └── [ 55M] 4-7实战：embedding模型加载和使用对比
├── 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/
│ ├── [ 10M] 5-1本章介绍
│ ├── [ 35M] 5-2全方位对比：主流向量数据库
│ ├── [ 12M] 5-3企业级向量数据库的要求
│ ├── [ 13M] 5-4向量数据库相似性搜索
│ ├── [ 40M] 5-5性能为王：探索向量数据索引优化技术
│ ├── [ 45M] 5-6实战：部署和使用企业级向量数据库-1
│ └── [ 45M] 5-7实战：部署和使用企业级向量数据库-2
├── 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/
│ ├── [ 10M] 6-1本章介绍
│ ├── [ 15M] 6-2复杂：企业数据复杂多样
│ ├── [ 15M] 6-3原则：垃圾进垃圾出，注重文档质量
│ ├── [ 25M] 6-4挑战：RAG如何读取多样性文档
│ ├── [ 35M] 6-5文档分块：递归文本分块和语义智能分块
│ └── [ 85M] 6-6实战：实现制度问答模块数据读取和切割
├── 第7章 企业员工智能问答助手-实现V1.0版搭建制度问答baselineRAG/
│ ├── [ 10M] 7-1本章介绍
│ ├── [ 12M] 7-2企业员工制度问答助手需求分析
│ ├── [ 10M] 7-3项目技术选型
│ ├── [ 10M] 7-4项目架构设计
│ └── [ 45M] 7-5实战：实现制度问答模块RAGbaseline
├── 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/
│ ├── [ 10M] 8-1本章介绍
│ ├── [ 15M] 8-2RAG迭代的关键：评估
│ ├── [ 10M] 8-3RAG评估的三大步骤
│ ├── [ 55M] 8-4RAG评价神器：Ragas框架
│ └── [ 25M] 8-5实战：用Ragas评估制度问答模块的性能
├── 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/
│ ├── [ 10M] 9-1本章介绍
│ ├── [ 15M] 9-2一图剖析RAG进化之路
│ ├── [ 25M] 9-3检索的两大形态：稀疏vs稠密
│ ├── [ 55M] 9-4查询增强：增加相关内容
│ ├── [ 25M] 9-5多索引增强
│ ├── [ 25M] 9-6检索后增强：融合检索
│ ├── [ 15M] 9-7检索后增强：重排序技术
│ ├── [ 20M] 9-8系统性增强：迭代检索增强生成
│ ├── [ 30M] 9-9RAG新范式：自我评估增强Self-RAG
│ ├── [ 55M] 9-11实战：查询增强-1
│ ├── [ 75M] 9-12实战：查询增强-2
│ ├── [ 65M] 9-13实战：多索引增强
│ ├── [ 25M] 9-14实战：融合检索
│ ├── [ 20M] 9-16实战：rerank重排
│ ├── [ 18M] 9-17实战：迭代检索增强生成
│ ├── [ 50M] 9-18实战：self-RAG-1
│ └── [ 50M] 9-19实战：self-RAG-2
├── 第10章 基于知识图谱金融智库：从RAG到GraphRAG/
│ ├── [ 15M] 10-1本章介绍
│ ├── [ 35M] 10-2认识金融智库知识图谱数据
│ ├── [ 45M] 10-3如何存储和操作知识图谱
│ ├── [ 50M] 10-4实战：构建金融智库知识图谱-1
│ ├── [ 55M] 10-5实战：构建金融智库知识图谱-2
│ ├── [ 50M] 10-6RAG和GraphRAG区别
│ └── [ 70M] 10-7实战：构建金融智库知识库应用
├── 第11章 基于知识图谱金融智库：从RAG到agenticRAG/
│ ├── [ 10M] 11-1本章介绍
│ ├── [ 40M] 11-2大模型的手脚：AI智能体Agent
│ ├── [ 15M] 11-3推理和行动并行：ReAct框架
│ ├── [ 12M] 11-4基于Agent的多文档RAGRouter
│ └── [ 40M] 11-5实战：利用ReAcAgent实现RAGRouter
├── 第12章 RAG扩展企业员工助手-接口和界面开发/
│ ├── [ 10M] 12-1本章介绍
│ ├── [ 35M] 12-2演示界面神器：gradio介绍
│ ├── [ 40M] 12-3实战：gradio整合两大RAG项目1
│ └── [ 55M] 12-4实战：gradio整合两大RAG项目2
├── 第13章 RAG进阶企业员工助手-项目进阶：RAG微调/
│ ├── [ 10M] 13-1本章介绍
│ ├── [ 35M] 13-2普通显卡也可以训练大模型
│ ├── [ 55M] 13-3大语言模型微调框架SWIFT
│ └── [ 15M] 13-4让Embedding更接近你的数据
└── 第14章 企业员工助手-总结和展望/
├── [ 40M] 14-1项目总结和展望：课程回顾
└── [ 45M] 14-2项目总结和展望：AI岗位面试技巧
└── 本课程已完结
声明：本站所有资料均来源于网络以及用户发布，如对资源有争议请联系微信客服我们可以安排下架！
