目录

第一篇：认知与方法论——洞察 AI 的新边界

第 1 章：RAG 时代的降临：为什么它不可或缺

• 1.1 大模型的“三大软肋”：幻觉问题、时效性滞后与私域数据真空。

• 1.2 RAG 的诞生背景：从“博学却健忘”的模型到“带着资料去考试”的系统。

• 1.3 核心价值主张：低成本、高可控、易回溯的企业级 AI 落地路径。

• 1.4 RAG 学习全景图：从新手入门到架构师的五个必经阶段。

第 2 章：辨析与定位：RAG 与其它的技术博弈

• 2.1 RAG 与微调（Fine-tuning）：谁是“学霸”，谁是“开卷考试”？

• 2.2 长上下文（Long Context）的挑战：200K 甚至 2M 的窗口会取代 RAG 吗？

• 2.3 插件与工具调用：RAG 仅仅是模型的一个插件吗？

• 2.4 RAG 适合的场景清单：从知识库问答、自动化报告到智能法律顾问。

第二篇：基石技术体系——构建 RAG 的三大支柱

第 3 章：语言模型（LLM）的选型与部署

• 3.1 模型的心脏：Token 机制与上下文窗口的工程影响。

• 3.2 选型逻辑：闭源 API（GPT-4/Claude）与开源模型（Llama/DeepSeek）的权衡。

• 3.3 本地化推理：使用 Ollama 与 vLLM 在企业内网拉起你的大模型。

• 3.4 模型适配：针对检索结果的指令遵循能力（Instruction Following）。

第 4 章：Embedding 嵌入模型：语义的度量衡

• 4.1 向量化的本质：如何将万物皆可转化为数字坐标。

• 4.2 中文适配的坑：为什么不能直接照搬国外的 Embedding 模型。

• 4.3 重排模型（Reranker）：从“大概相关”到“精准命中”的关键一步。

• 4.4 部署实战：构建高性能的向量生成服务。

第 5 章：向量数据库：AI 的长期记忆体

• 5.1 存储革命：为什么传统数据库处理不了高维向量。

• 5.2 索引算法白话谈：HNSW 与 IVF 是如何让搜索快如闪电的。

• 5.3 主流选型对比：Chroma（轻量）、Milvus（分布式专家）与向量插件。

• 5.4 混合检索（Hybrid Search）：语义向量与关键词搜索的强强联合。

第三篇：企业文档工程——垃圾进，垃圾出

第 6 章：文档解析与清洗的艺术

• 6.1 解析“深水区”：处理 PDF 表格、图片中的文字（OCR）与复杂排版。

• 6.2 RAGFlow 深度剖析：基于视觉的文档识别技术原理。

• 6.3 数据清洗规范：去除噪声、修复乱码与结构化提取。

第 7 章：分块策略（Chunking）的深度工程

• 7.1 固定分块与重叠：最简单但有效的初始策略。

• 7.2 语义分块（Semantic Chunking）：让每一块内容都保持逻辑完整。

• 7.3 父子块模式（Parent-Child）：小块检索，大块喂给模型。

• 7.4 文档元数据（Metadata）：给数据打标签，实现精准范围过滤。

第四篇：检索增强进化——从 Baseline 到卓越

第 8 章：构建 Baseline RAG 系统

• 8.1 典型 Pipeline 全过程：提问 -> 检索 -> 提示词注入 -> 生成。

• 8.2 Prompt Engineering：如何写出让模型不“胡言乱语”的约束指令。

• 8.3 流式输出（Streaming）：提升用户感知的交互设计。

第 9 章：高级检索优化技术

• 9.1 查询改写（Query Rewrite）：帮用户把“烂问题”修成“好问题”。

• 9.2 多路召回（Multi-way Retrieval）：多索引、多策略的融合之道。

• 9.3 自适应检索（Self-RAG）：让系统学会反思，资料不够就不瞎答。

第五篇：拓展范式——Graph RAG 与 Agentic RAG

第 10 章：Graph RAG：知识图谱驱动的深度检索

• 10.1 为什么需要图：解决跨文档、跨实体的超复杂逻辑推理。

• 10.2 知识三元组提取：从非结构化文本中抽取出“谁是谁的谁”。

• 10.3 Graph RAG 架构实战：将图数据库（Neo4j）接入检索流程。

第 11 章：Agentic RAG：智能体驱动的自主系统

• 11.1 Agent 的本质：赋予 RAG 系统规划与决策的权力。

• 11.2 多 Agent 路由：自动判断该去哪个知识库查，该用哪个工具。

• 11.3 反思与修正循环：如果第一次搜错了，智能体如何自我纠正。

第六篇：质量评估与微调——科学的迭代之路

第 12 章：RAG 评估体系：Ragas 与真实世界

• 12.1 评估三大支柱：忠诚度、相关性、完备性。

• 12.2 构建黄金测试集：如何用大模型自动生成高质量的考卷。

• 12.3 端到端监控：在生产环境中捕捉用户的负面反馈。

第 13 章：RAG 专项微调：极致性能的追求

• 13.1 Embedding 微调：让向量模型听懂你行业的“行话”。

• 13.2 生成微调（SFT）：规范模型的输出格式，告别废话。

• 13.3 数据飞轮：如何利用检索日志持续进化系统。

第七篇：工程化落地——迈向真正的企业级产品

第 14 章：接口、架构与前端集成

• 14.1 高性能 API 架构：基于 FastAPI 的并发优化与负载均衡。

• 14.2 前端交互设计：引用来源高亮、图表联动与溯源。

• 14.3 异步处理：解决超长文档解析的超时问题。

第 15 章：安全、监控与商业化

• 15.1 数据脱敏与权限：如何实现“张三不能查李四的文档”。

• 15.2 成本控制：Token 消耗监控与语义缓存（Semantic Cache）。

• 15.3 商业化路径：从工具交付到 AI 原生产品的转型。

附录

• A. RAG 术语全汇编

• B. 向量算法对照表（从暴力搜索到 HNSW）

• C. 企业级 RAG 架构设计模板

• D. 常用 Prompt 模版库