一、LLM 越学越满，RAG 却越搬越重

图 1：知识冗余示意图

• (a) Llama3.3-70B 在四个 Wikipedia 风格 QA 数据集上裸模型 Exact-Match 召回 ≥40%——说明近一半问题模型本来就会。
• (b) 把对应维基段落再送进上下文，准确率反而掉 20 分——冗余知识成了"噪声"。

结论：外部 corpus 与模型内部知识高度重叠，继续"全量检索"≈ 白花钱、拖延迟、降效果。

二、30% 维基百科可删，22% 延迟立降，效果不减

复旦大学邱锡鹏提出Zero-RAG。首先提出了"掌握度评分"这一指标，用以精准识别RAG知识库中的冗余知识并进行剪除。经过剪枝后，对于模型已"掌握"的问题，其回答将主要依赖模型自身的内部知识。

| 表 1：主实验汇总（Llama3-70B vs Llama3.3-70B） |

• 在 TriviaQA、EntityQuestions、PopQA、HotpotQA 上砍掉 30% corpus，EM 掉点 <2；砍 70% 也才掉 3 分左右。
• 检索延迟平均降低22%（表 4）。
• 经过 Noise-Tolerant Tuning 后，部分数据集反超市售全库 RAG。

一句话："零冗余"不是口号，是真能剪、真加速、真不掉点。

三、技术方案Zero-RAG

| 图 ：Zero-RAG 四阶段流水线 |

3.1 Mastery-Score —— 给每条句子打"掌握度"

| 图 ：Mastery-Score 计算流程 |

1. 用 LLM 对句子 s 生成 n 组 QA。
2. 让同一 LLM 回答这 n 个问题，算 Exact-Match 均值 ⇒ M(s)。
3. 训练一个小回归模型预测 M(s)，按百分位阈值 τ 直接删掉高分句子（算法见附录 A.1）。

结果：138M 句维基 → prune 30% 后索引体积同比例缩小。

3.2 Query Router ——"会不会"先问模型，别急着搜

| 表 ：消融实验 |

• 把训练集问题先让 Noise-Tolerant 模型自答，能答对的标 mastered。
• 二分类器学习"是否 mastered"，推理时 mastered 问题直接不走检索，减少延迟 + 避免噪声。

消融显示：拿掉 Router 后 EM 显著下降，证明多检索一次反而添乱。

3.3 Noise-Tolerant Tuning —— 万一搜到废文档，也要稳住

训练数据三种配方：

1. 只给问题 → 答案（无 RAG）
2. 问题 + 相关文档 → 答案
3. 问题 + 随机噪声文档 → 答案

统一损失让模型学会忽略无用片段，靠内部知识作答。
经此微调，即使在 prune 后 corpus 里偶尔捞出无关句，模型也能"视而不见"。

四、一图带走：Zero-RAG 到底剪了什么？

| 表 ：案例研究 |

❝

句子：“Queen Victoria became Empress of India in 1876.”
生成的 4 个 QA 全被 Llama3-70B 裸机答对 ⇒ Mastery-Score=1 ⇒ 直接剪除。

这些"教科书级别"的常识，就是 Zero-RAG 眼中该被"零冗余"的靶子。

Zero-RAG: Towards Retrieval-Augmented Generation with ZeroRedundant Knowledgehttps://arxiv.org/pdf/2511.00505

如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

• 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
• 高效有序的学习路径：避免无效学习，节省时间，提升效率。
• 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

• 持续学习能力：Al技术日新月异，保持学习是关键。
• 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
• 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

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】