三明市网站建设_网站建设公司_表单提交_seo优化

既然更新，说明咖哥今年（2026年）又要开始放大招了。——新书（Agent架构相关的）3月份即将问世——（大作）敬请期待！

这篇文章复习一下RAG。《RAG实战课》问世半年，销量有增无减，口碑逐渐积累。看来，朋友们正逐渐意识到这本书的真正价值。

我个人观点，这本书精华中的精华，不在于技术总结的全，不在于语言轻松，而是书封底的那张体系框架图。是真的提纲挈领，真的深入浅出。

这张图，佳哥真是用心了

今天这一篇，我不讲案例、不讲代码、不讲某个框架的用法。

我只做一件事：

把这张图，从“看起来复杂”，讲到“你知道它为什么必须长这样”。

先说一句狠话

如果你觉得 RAG 是：

• 向量库 + Embedding

• 检索几段文本 + 丢给 LLM
• 能跑就行

那你现在看到的大多数 RAG 系统，在规模一上来时，都会失效。

不是模型不行，是结构没搭完。

而这张图，讲的就是：

一个 RAG 系统，从“能用”，到“可扩展、可评估、可演化”，到底需要哪些结构层。

第一层：数据不是从“文本”开始的

很多人一上来就聊向量库，其实顺序是反的。

真正的起点在最底部：数据导入与文本分块。

你会看到这里不是一句“切 chunk”，而是：

• 按字符 / 句子 / 语义的分块策略
• 父子文档索引
• 分层索引（RAPTOR）
• 多表示索引

为什么？

因为检索失败，80% 不是检索算法的问题，是切块阶段就已经丢信息了。

如果你在这一层没有“结构意识”，

后面所有高级技巧，都是在补锅。

第二层：Embedding 从来不是一个模型的问题

中间这一大块，是很多人最容易误解的地方。

Embedding 不是只有一个向量。

你会看到：

• 稠密向量（OpenAI / bge / jina）
• 稀疏向量（TF-IDF / BM25）
• 专用嵌入（Fine-Tuning / ColBERT）

为什么要这么复杂？

因为现实世界的检索，本来就不是一个相似度空间。

关键词、语义、领域信号，本来就不在同一个空间里。

真正可用的系统，一定是混合表示。

第三层：索引与向量库只是“物理层”

很多人把 FAISS、Milvus、HNSW 当成核心。

但在这张图里，它们被刻意画得很“靠后”。

因为它们解决的只是一个问题：

怎么快。

而不是：

怎么对。

索引策略（父子、分层、多表示），

远比你选哪种向量库重要。

第四层：真正开始像「系统」的地方——查询侧

图左上角，是整个系统的灵魂。

你会看到四件事同时出现：

• 查询构建
• 查询优化
• 查询路由
• HyDE / 主动检索

这一步意味着什么？

意味着系统已经不再是：

“用户问一句，我搜一遍”。

而是：

系统开始“理解该怎么问世界”。

第五层：检索后处理，决定答案质量上限

中间偏右那一块，是很多 Demo 系统里完全没有的东西。

• 重排（Rerank / Cross-Encoder / ColBERT）
• 压缩（相关性 + 冗余控制）
• 校正（CRAG）
• 主动补查

这一层解决的是：

不是有没有搜到，而是“哪些值得被看见”。

如果没有这一层，

你永远会觉得：

“有点对，但总差点意思”。

第六层：生成不只是“丢给模型”

右下角的生成部分，我刻意没有画成一个大脑就结束。

你会看到：

• 提示工程
• 结构化输出（Pydantic / JSON Schema）
• 工具调用
• Self-RAG / RRR
• 主动再检索

这意味着一件事：

生成，本身也是一个可以被设计、被反思的过程。

第七层：评估，是系统是否“工程化”的分水岭

最右侧那一列，是很多人最不想做、但最重要的。

• Precision / Recall / F1
• MRR / MAP
• BLEU / ROUGE / METEOR
• 忠实度 / 安全性

有没有这一列，决定了：

你是在做 Demo，
还是在做系统。

那这张图，到底是什么？

它不是教程目录。

也不是技术大全。

它是一张工程演化图。

它回答的不是：“你现在该用什么技术”，

而是：“一个 RAG 系统，迟早会走到哪些结构层”。

好的，祝大家阅读愉快，我们过俩月新书（Agent设计相关）发布会见！！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】