极客时间-RAG快速开发实战

RAG 这个词这两年出现得太多，多到很多人第一反应是"我知道，就是检索加生成"。但真到要动手做一个能用的问答系统时，问题立刻具体起来：文档怎么切？切完用什么向量化？检索回来的片段不相关怎么办？模型明明拿到了资料还是答非所问又该怪谁？

这门《RAG 快速开发实战》适合的，正是卡在这些具体问题上的人。它不是给完全没碰过 LLM 的人做科普的，也不是给已经在大厂调优检索链路的人做进阶的。它的位置在中间：你大概调过 API、跑过一两次 demo，但还没把一条从文档到答案的链路完整跑通、跑稳。

先确认你要补的是哪块缺口

RAG 的难点从来不在"调用大模型"这一步，而在它前后的工程环节。看这门课之前，不妨先对一下自己的情况：

• 能把 PDF、网页塞进向量库，但召回结果经常跑偏，说不清是分块的问题还是 Embedding 选得不对；
• 知道有 chunk size 和 overlap 两个参数，但只能靠试，没有判断依据；
• 听过 Advanced RAG、Modular RAG、GraphRAG 这些词，但说不清它们各自解决的是哪一类失败；
• 系统上线后答错了，不知道该去查检索环节还是生成环节。

如果中了两条以上，这门课的内容对你是有直接对应关系的。反之，如果你连向量数据库都还没用过，建议先补基础再回来。

它讲的是链路，不是单点技巧

课程从"为什么 RAG 值得单独做"这个问题切入，但真正的主体是索引这一段——也就是最容易被跳过、又最影响最终效果的部分。分块策略和 Embedding 技术被单独拿出来讲，说明作者清楚大多数 RAG 效果差，根源在入库那一刻就埋下了。

再往后是进阶方向。Advanced RAG 和 Modular RAG 处理的是"一次朴素检索不够用"的场景，比如查询改写、多路召回、重排序这些手段分别在什么条件下值得引入。GraphRAG 则针对另一类问题：答案需要跨多个文档、多个实体做关联推理时，扁平向量检索本身就力不从心。这几块放在一起看，能帮你建立起一个判断框架——遇到具体效果问题，知道该往哪个方向调，而不是盲目换模型。

看完应该能回答的问题

判断一门课有没有读进去，标准不是"看完了"，而是能不能回答出几个具体问题。学完这门课，下面这些应该有明确答案：

• 给定一批结构不统一的文档，你会怎么定分块方案，依据是什么？
• Embedding 模型选型时，除了维度还应该看哪些指标？
• 检索结果相关但答案仍然不对，排查顺序是什么？
• 什么情况下朴素 RAG 够用，什么情况下必须上重排序或图结构？

怎么用它

建议边看边搭一条自己的最小链路，哪怕只喂十几篇文档。RAG 的很多坑是纸面上看不出来的，比如分块边界切断了关键句、相似度阈值设得过高导致召回为空——这些问题只有自己遇到才会有体感。课程里的案例可以当作对照，但真正让你记住的是自己那条链路第一次答对和第一次答错的时候。

另外，索引和进阶两部分值得反复看。开篇和概念介绍一遍过就行，分块策略和 GraphRAG 这两块建议动手之后再回来看第二遍，那时候你带着自己的问题，收获会不一样。