RAG入门到精通，从核心概念到亲手搭建，收藏这篇就够了！

RAG即检索增强生成（Retrieval-Augmented Generation），是一种将外部知识检索与大型语言模型（LLM）生成能力相结合的技术。传统的大语言模型虽然具备丰富的知识，但这些知识往往受限于其训练数据的截止时间，并且对于一些特定领域、最新的信息可能并不了解。而RAG通过在生成文本之前，先从外部知识库（如文档、网页等）中检索与查询相关的信息，然后将这些检索到的信息作为额外的上下文提供给大语言模型，帮助模型生成更准确、更有针对性、更符合实时需求的回答。

构建一个好的RAG系统的步骤

1. 数据准备

• 数据收集：根据系统的应用场景，收集相关的高质量数据。例如，如果是构建一个医疗知识的RAG系统，就需要收集医学文献、临床指南、药品说明书等数据。

• 数据清洗：去除数据中的噪声、重复内容、HTML标签等。例如，使用正则表达式去除网页数据中的HTML标签，使用数据去重算法去除重复的文档。

• 数据标注（可选）：对于一些特定任务，可能需要对数据进行标注。例如，为了让模型更好地理解不同类型的信息，可以标注每个文档的主题、类别等。

2. 向量数据库选择与构建

• 向量数据库选择：常见的向量数据库有Milvus、Pinecone、Weaviate等。选择时需要考虑性能、可扩展性、易用性等因素。例如，Milvus是开源的，具有高性能和良好的可扩展性，适合大规模数据的存储和检索；Pinecone则提供了云服务，使用起来更加便捷。

• 数据向量化：使用预训练的嵌入模型（如Sentence - Transformers中的模型）将文本数据转换为向量表示。以下是使用Python和Sentence - Transformers进行向量化的示例代码：

【python】

from sentence_transformers import SentenceTransformer

import numpy as np

model = SentenceTransformer(‘all-MiniLM-L6-v2’)

texts = [“这是一个示例句子”, “这是另一个示例句子”]

embeddings = model.encode(texts)

• 向量数据存储：将生成的向量存储到向量数据库中，并建立索引以提高检索效率。不同的向量数据库有不同的存储和索引方式，例如在Milvus中，可以使用以下代码创建集合并插入向量数据：

【python】

from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection

连接到Milvus

connections.connect(“default”, host=“localhost”, port=“19530”)

定义字段和集合模式

fields = [

FieldSchema(name="id", dtype=DataType.INT64, is\_primary=True, auto\_id=True),

FieldSchema(name="embedding", dtype=DataType.FLOAT\_VECTOR, dim=384)

]

schema = CollectionSchema(fields, “my_collection”)

创建集合

collection = Collection(“my_collection”, schema)

插入向量数据

collection.insert([embeddings.tolist()])

3. 检索模块设计

• 查询向量化：将用户的查询语句转换为向量表示，使用与数据向量化相同的嵌入模型。

【python】

query = “示例查询”

query_embedding = model.encode(query)

• 相似度检索：在向量数据库中根据向量的相似度（如余弦相似度）检索与查询向量最接近的向量，从而找到相关的文档。在Milvus中可以使用以下代码进行检索：

【python】

search_params = {“metric_type”: “L2”, “params”: {“nprobe”: 10}}

results = collection.search([query_embedding.tolist()], “embedding”, search_params, limit=3)

4. 大语言模型集成

• 选择合适的大语言模型：可以选择开源的大语言模型（如LLaMA、Alpaca等）或使用云服务提供商的模型（如OpenAI的GPT系列、百度的文心一言等）。

• 上下文整合：将检索到的相关文档与用户的查询语句整合为一个新的上下文，作为输入提供给大语言模型。例如：

【python】

retrieved_docs = [“相关文档1”, “相关文档2”]

context = “\n”.join(retrieved_docs) + “\n查询：” + query

• 模型调用：将整合后的上下文输入到选择的大语言模型中，生成最终的回答。如果使用OpenAI的API，可以使用以下代码：

【python】

import openai

openai.api_key = “your_api_key”

response = openai.ChatCompletion.create(

model="gpt-3.5-turbo",

messages=[

    {"role": "user", "content": context}

]

)

answer = response.choices[0].message.content

5. 评估与优化

• 评估指标：使用准确率、召回率、F1值等指标评估RAG系统的性能。可以通过人工标注测试数据集，将系统的回答与标注结果进行对比。

• 优化策略：根据评估结果，对系统进行优化。例如，如果检索的准确率较低，可以调整向量数据库的索引参数；如果大语言模型生成的回答质量不高，可以尝试调整上下文的整合方式或更换更合适的大语言模型。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

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。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

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

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】