很多人做 RAG，第一步就卡在「怎么让检索结果真的对得上问题」。向量库装好了，模型接上了，Demo 也能跑，可一换成真实文档——尤其是金融、法律这类实体多、关系密的领域——答非所问的比例立刻上来。这门课要解决的，就是这一段落差。

先看清自己缺的是哪一块

RAG 的链路比看上去长：文档切分、向量化、索引、召回、重排、拼 Prompt、生成，每一环都有各自的坑。常见的能力缺口大致分三类。

只会调 API 拼一个「向量检索 + 大模型」的最小闭环，不知道召回为什么不准，也无从调优。
处理不了结构化知识。文档里大量存在的实体、机构、产品、事件之间的关系，用平铺的文本切片表达不出来，检索时自然抓不住重点。
没有在真实业务场景里跑过一遍。单测能过，上线后遇到多跳提问、指代消解、表格与正文混排就失灵。

如果你对号入座了两条以上，这门课的定位就比较合适。

从普通 RAG 走到 Graph RAG，是这门课的主线

课程的重心落在知识图谱与 RAG 的结合上，并以金融智库作为贯穿案例。它不是在讲「图谱是什么」这类概念课，而是讨论一个具体问题：当提问涉及多个实体之间的关联，比如某机构与某产品的关联路径、某事件的上下游影响，纯向量召回为什么容易漏，图结构又能补上什么。

围绕这条主线，你会接触到知识图谱的构建流程——实体与关系的抽取、schema 设计上的取舍、图谱与向量索引如何配合使用，以及 Graph RAG 在检索阶段的具体做法。金融场景的好处是关系密集、术语规范，适合把问题暴露清楚；坏处是它对抽取精度要求高，正好逼着你把细节做扎实。

看完应该能回答的几个问题

同一批文档，什么情况下用向量检索更合适，什么情况下必须上图谱？判断依据是什么？
知识图谱的 schema 该怎么定？定得太细和太粗，分别会在检索环节造成什么后果？
Graph RAG 的检索路径和普通 RAG 差在哪里？多出来的那部分开销换回了什么？
召回结果不理想时，你会按什么顺序排查——切分、嵌入模型、索引结构，还是查询改写？
金融领域的实体抽取，准确率和召回率你更愿意牺牲哪一个？为什么？

这几个问题如果现在答不上来，或者只能答个大概，就说明还停在「跑通」的层次，没到「可控」。

配套练习怎么用

案例部分建议不要只看。金融智库这条主线里的图谱构建环节，最好自己动手走一遍抽取和入库，哪怕数据规模缩小到几十条。真正卡人的往往不是算法选择，而是数据清洗和边界情况的处理——这些东西看别人演示时感觉不到，自己写才会撞上。

另外，课程涉及大语言模型的应用部分，建议在动手时记录两组数字：改动切分粒度前后的召回命中情况，以及加入图谱检索前后的对比。有这两组对照，你对「为什么这么设计」的理解会比单纯听讲解牢得多。

适合谁，不适合谁

适合已经有基础 RAG 实践经验、想往知识密集场景深入的开发者，以及需要在企业内落地知识库的数据方向同学。如果你还没写过任何一次检索增强的调用，建议先补最小闭环再回来；如果只是想知道 RAG 是什么，这门课的深度会超出需要。

缺什么补什么。先确认自己的缺口在哪一环，再决定从哪一章切入，比从头顺序看完效率更高。

RAG全栈技术深度解析，打造精准AI应用高手

深度解析RAG技术，打造AI应用高手

编辑点评

深入剖析RAG技术，结合金融智库案例，助力企业构建智能知识图谱。适合AI开发者、数据科学家及对AI应用感兴趣的学习者。

⭐ 编辑推荐

本课程深入解析RAG全栈技术，涵盖知识图谱构建、大语言模型应用等前沿领域，助你成为AI应用开发高手。

课程特点：
1. 案例丰富，理论与实践结合；
2. 涵盖RAG技术全栈，从知识图谱到AI应用；
3. 适合AI开发者、数据科学家及对AI应用感兴趣的学习者。

课程亮点

• RAG技术深度解析

• 知识图谱构建实战

• 大语言模型应用

课程目录

📁 第10章 基于知识图谱【金融智库】：从RAG到Graph RAG，让企业知识图谱更智能
    第10章 基于知识图谱【金融智库】：从RAG到Graph RAG，让企业知识图谱更智能必看.png  [493.5 KB]
    10-3 如何存储和操作知识图谱：neo4j和nebulagraph_ev.mp4  [30.4 MB]
    10-5 实战：动手构建金融智库知识图谱-2_ev.mp4  [48.2 MB]
    10-8 总结和展望：如何自我学习，跟进前沿技术_ev.mp4  [16.5 MB]
    10-2 认识金融智库知识图谱数据：特别的知识三元组_ev.mp4  [25.5 MB]
    10-4 实战：动手构建金融智库知识图谱-1_ev.mp4  [39.7 MB]
    10-1 本章介绍_ev.mp4  [4.5 MB]
    10-7 实战：利用Graph RAG构建金融智库知识库应用_ev.mp4  [68.3 MB]
    10-6 RAG和Graph RAG有什么区别：如何构建Graph RAG_ev.mp4  [30.4 MB]
📁 第13章 【RAG进阶】企业员工助手-项目进阶：RAG微调
    第13章 【RAG进阶】企业员工助手-项目进阶：RAG微调必看.png  [493.5 KB]
    13-1 本章介绍_ev.mp4  [2.5 MB]
📁 第1章 课程学习必知——助你顺利学习以及避坑
    第1章 课程学习必知——助你顺利学习以及避坑必看.zip  [1.8 MB]
    1-1 全面了解课程，让你少走弯路，必看！！！_ev.mp4  [28.4 MB]
📁 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
    6-4 挑战：RAG如何读取多样性文档（文本、表格和布局分析）_ev.mp4  [16.4 MB]
    6-3 原则：垃圾进垃圾出，注重文档质量_ev.mp4  [7.5 MB]
    6-6 实战：实现制度问答模块数据读取和切割_ev.mp4  [105.0 MB]
    6-2 复杂：企业数据复杂多样_ev.mp4  [7.4 MB]
    6-5 文档分块：递归文本分块和语义智能分块_ev.mp4  [22.6 MB]
    6-1 本章介绍_ev.mp4  [1.5 MB]
    6-7 本章总结_ev.mp4  [1.9 MB]
📁 第7章 【企业员工智能问答助手-实现V1.0版】搭建制度问答baseline RAG
    7-5 实战：实现制度问答模块RAG baseline_ev.mp4  [58.1 MB]
    7-1 本章介绍_ev.mp4  [1.8 MB]
    7-6 总结和展望：转变思想，AI应用开发和传统软件开发的区别_ev.mp4  [7.5 MB]
    7-4 项目架构设计_ev.mp4  [4.3 MB]
    7-3 项目技术选型_ev.mp4  [2.3 MB]
    7-2 【企业员工制度问答助手】需求分析_ev.mp4  [4.9 MB]
📁 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
    5-6 实战：部署和使用企业级向量数据库（chroma和milvus）-1_ev.mp4  [33.9 MB]
    5-1 本章介绍_ev.mp4  [1.6 MB]
    5-4 向量数据库相似性搜索_ev.mp4  [4.6 MB]
    5-7 实战：部署和使用企业级向量数据库（chroma和milvus）-2_ev.mp4  [31.1 MB]
    5-5 性能为王：探索向量数据索引优化技术_ev.mp4  [31.4 MB]
    5-8 总结和展望：企业级应用的高可用性_ev.mp4  [3.8 MB]
    5-3 企业级向量数据库的要求_ev.mp4  [3.2 MB]
    5-2 全方位对比：主流向量数据库_ev.mp4  [23.4 MB]
📁 第11章 基于知识图谱【金融智库】：从RAG到agenticRAG，实现自动切换不同信息源
    11-2 大模型的手脚：AI智能体Agent_ev.mp4  [24.2 MB]
    11-1 本章介绍_ev.mp4  [2.1 MB]
    11-3 推理和行动并行：ReAct框架_ev.mp4  [9.1 MB]
    11-4 基于Agent的多文档RAG Router_ev.mp4  [4.4 MB]
    11-5 实战：利用ReAc Agent实现 RAG Router_ev.mp4  [39.4 MB]
    11-6 本章总结_ev.mp4  [2.2 MB]
📁 第2章 掌握未来AI趋势：RAG引领大语言模型新纪元
    2-4 深入思考 long context加持的大模型企业还需要RAG_ev.mp4  [12.2 MB]
    2-8课程机器配置要求说明.pdf  [77.4 KB]
    2-7运行和开发环境搭建.pdf  [2.1 MB]
    2-5 RAG技术栈：从【合格】到【优秀】的跨越_ev.mp4  [4.7 MB]
    2-2 满足企业精准需求：RAG如何填补大语言模型短板_ev.mp4  [5.3 MB]
    2-3 解锁RAG三大核心_ev.mp4  [2.8 MB]
    2-1 本章简介_ev.mp4  [1.3 MB]
    2-6 本课程案例分析与说明_ev.mp4  [3.9 MB]
📁 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
    第3章 【企业级专业选型】RAG核心一：挑选符合企业的【优秀】大语言基石模型说明.png  [493.5 KB]
    3-11 实战：使用大语言模型（本地和API、GPU和CPU）-1_ev.mp4  [39.2 MB]
    3-1 本章简介_ev.mp4  [2.5 MB]
    3-6 RAG应用：挑选大模型的四大步骤_ev.mp4  [4.2 MB]
    3-10 【文档】如何通过ollama部署本地大模型-deepseek-r1.pdf  [1.2 MB]
    3-9 【文档】星火大模型API使用.pdf  [716.9 KB]
    3-12 实战：使用大语言模型（本地和API、GPU和CPU）-2_ev.mp4  [40.3 MB]
    3-2 大模型入门：核心要点和技术演变（token、transformer、训练）_ev.mp4  [36.2 MB]
    3-8 【文档】大语言模型如何下载.pdf  [1.2 MB]
    3-3 国内外大模型产品必知必会_ev.mp4  [7.1 MB]
    3-5 火眼金星：如何分辨大模型的好坏_ev.mp4  [10.7 MB]
    3-4 没有GPU如何调用大模型-大模型调用的三种方式_ev.mp4  [16.0 MB]
    3-7 总结和展望：不同项目角色需要对AI大模型了解程度的差异性分析_ev.mp4  [18.9 MB]
📁 第14章 企业员工助手-总结和展望
    14-2 -2 项目总结和展望：课程总结与AI岗位面试技巧_ev.mp4  [23.4 MB]
    14-1 -1 项目总结和展望：课程回顾与总结_ev.mp4  [22.5 MB]
📁 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
    4-2 embedding模型的重要性_ev.mp4  [7.0 MB]
    4-7 实战：embedding模型加载和使用对比_ev.mp4  [46.1 MB]
    4-6 【文档】embedding模型下载.pdf  [118.7 KB]
    4-4 主流中文embedding模型_ev.mp4  [16.8 MB]
    4-5 embedding模型排行榜靠谱不靠谱，如何选择_ev.mp4  [7.0 MB]
    4-1 本章介绍_ev.mp4  [1.0 MB]
    4-8 本章总结_ev.mp4  [2.0 MB]
    4-3 embedding是怎么炼成的？_ev.mp4  [9.3 MB]
📁 第12章 【RAG扩展】企业员工助手-接口和界面开发
    12-2 演示界面神器：gradio介绍_ev.mp4  [19.7 MB]
    12-4 实战：gradio整合两大RAG项目（2）_ev.mp4  [48.8 MB]
    12-1 本章介绍_ev.mp4  [1.9 MB]
    12-3 实战：gradio整合两大RAG项目（1）_ev.mp4  [32.4 MB]
📁 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
    8-2 RAG迭代的关键：评估_ev.mp4  [7.4 MB]
    8-5 实战：用Ragas评估制度问答模块的性能_ev.mp4  [15.1 MB]
    8-3 RAG评估的三大步骤_ev.mp4  [1.5 MB]
    8-4 RAG评价神器：Ragas框架_ev.mp4  [39.0 MB]
    8-6 本章总结_ev.mp4  [4.5 MB]
    8-1 本章介绍_ev.mp4  [1.3 MB]
📁 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
    9-13 实战：用检索增强技术提升制度问答模块性能-多索引增强_ev.mp4  [56.7 MB]
    9-15 【文档】重排rerank模型如何下载.pdf  [42.8 KB]
    9-12 实战：用检索增强技术提升制度问答模块性能-查询增强-2_ev.mp4  [77.2 MB]
    9-1 本章介绍_ev.mp4  [2.0 MB]
    9-10 总结和展望：关于企业里需要良好的代码规范和代码管理_ev.mp4  [40.3 MB]
    9-19 实战：用检索增强技术提升制度问答模块性能-self-RAG-2_ev.mp4  [51.5 MB]
    9-14 实战：用检索增强技术提升制度问答模块性能-融合检索_ev.mp4  [18.5 MB]
    9-2 一图剖析RAG进化之路：探索优化点_ev.mp4  [5.6 MB]
    9-4 查询增强：增加相关内容-Query2doc+ HyDE+子问题查询+问题改写+Task Step Back_ev.mp4  [40.4 MB]
    9-11 实战：用检索增强技术提升制度问答模块性能-查询增强-1_ev.mp4  [45.7 MB]
    9-7 检索后增强：重排序技术(Re-rank)_ev.mp4  [9.1 MB]
    9-8 系统性增强：迭代检索增强生成，从上一迭代收获信息_ev.mp4  [14.4 MB]
    9-5 多索引增强：从不同维度构建索引，强化相关内容_ev.mp4  [17.3 MB]
    9-18 实战：用检索增强技术提升制度问答模块性能-self-RAG-1_ev.mp4  [42.5 MB]
    9-6 检索后增强：融合检索，三个臭皮匠顶一个诸葛亮_ev.mp4  [14.3 MB]
    9-3 检索的两大形态：稀疏 vs 稠密_ev.mp4  [16.0 MB]
    9-16 实战：用检索增强技术提升制度问答模块性能-rerank重排_ev.mp4  [23.1 MB]
    9-9 RAG新范式：自我评估增强Self-RAG_ev.mp4  [20.8 MB]
    9-17 实战：用检索增强技术提升制度问答模块性能-迭代检索增强生成_ev.mp4  [18.8 MB]