极客时间- RAG快速开发实战

RAG（检索增强生成）这个词，最近一年出现在招聘 JD 里的频率越来越高。但很多人对它的理解停留在「向量数据库 + 大模型」这一句话上，真到动手时才发现，文档切多长、用哪个 Embedding、召回不准怎么办、生成的内容怎么控制，每一步都能卡住人。这门课要解决的，就是这些卡住人的具体环节。

先确认自己缺的是哪一块

RAG 的知识结构大致可以拆成四段：索引、检索、生成、评估。如果你已经会用 LangChain 或 LlamaIndex 搭一个能跑通的 demo，但对下面这些问题答不上来，说明你缺的是工程细节而不是入门概念：

• 一份 50 页的 PDF 手册，切块时按字符数切和按语义切，最终召回效果差多少？
• 同一个问题，向量检索和关键词检索给出的结果为什么经常不一样，什么情况下必须做混合检索？
• 召回了一堆看起来相关的段落，但大模型还是答偏，问题出在检索还是出在 Prompt？
• 上线之后怎么判断这次改动让效果变好了，而不是凭感觉？

如果你对这些问题只有模糊印象，那这套内容值得按顺序过一遍。如果只缺其中一两块，也可以直接跳到你薄弱的那一章。

索引环节：真正决定上限的地方

很多人把精力花在调模型和写 Prompt 上，却忽略了索引才是 RAG 效果的天花板。资料里关于分块策略和 Embedding 技术的部分，讲的不是「有几种切法」这种罗列，而是要让你建立判断：什么样的文档该用什么切法，块与块之间要不要留重叠，元数据怎么设计才能在后面对检索结果做过滤。这些决定一旦做错，后面再怎么优化检索和生成都是补救。

Embedding 部分同样如此。选模型不是看排行榜第一就完事，还要考虑中文支持、维度成本、是否需要本地部署、和你的检索方式是否匹配。这些权衡在实际项目里比模型本身的分数更重要。

检索与生成：两个容易互相甩锅的环节

检索精度优化和效果评估这一块，是整套内容里最接近真实工作场景的。召不回来、召回噪声大、排序不合理，是三种不同的问题，对应三种不同的解法。课程里把检索精度的优化单独拎出来讲，说明它确实值得单独对待——很多团队在这一步反复试错，本质上是没搞清楚问题到底出在哪一层。

生成环节则牵涉到大模型选型和 Prompt 工程。这里的难点在于：当答案不对时，你要能判断是检索给的上下文不够，还是模型没有按要求使用上下文。分不清这两者，优化就会变成瞎调。

看完之后，你应该能回答

• 给定一份业务文档，你能说出自己的分块方案和理由吗？
• 召回效果差时，你的排查顺序是什么？
• 你怎么向同事证明这次改动让 RAG 效果提升了，而不是碰巧？
• 什么场景下 RAG 不合适，应该考虑微调或者其他方案？

这几个问题不是考试题，而是你在实际项目里一定会被问到、也一定会自己问自己的。带着它们去看内容，比单纯跟着敲一遍代码收获大得多。

适合什么状态的人看

已经写过基础的大模型调用、了解向量和相似度的大致含义、但没独立做过完整 RAG 应用的人，收获会最明显。完全没接触过向量检索的，建议先把基础概念补齐再进来，否则索引那一章会读得比较吃力。已经在做 RAG 项目但效果不稳定的，可以重点看检索优化和评估部分，对照自己的实现找差距。