本文梳理了RAG（Retrieval-Augmented Generation）技术从第一代到第四代的演进历程。第一代RAG基于embedding和全文检索，但受限于大模型窗口大小和并发能力，效果一般；第二代RAG使用大模型进行召回，解决了速度和成本问题；第三代RAG引入了Agentic范式，能处理复杂问题；第四代RAG则提供了无需部署的开箱即用SDK，支持多种编程语言的集成。RAG是未来AI应用的基础设施，掌握其演进对程序员至关重要。

前三代 RAG 进化小史

第一代 RAG ,是以 embeding + 全文检索为基础做召回，以rerank模型为精排。这代其实RAG受限于当时的技术条件而诞生的一个技术，那个时候大模型窗口普遍4-8k，并发少，速度慢，模型效果也一般，所以只能采用传统技术来做召回，并且采用小模型(rerank)来做排序。 第一代RAG解决了从无到有的问题。下图是 一代 RAG 典型的流程。

第一代RAG 最大的问题就出在召回方案缺乏语义理解，受限于 embeding 对文本长度的支持，还长期受限于文本碎片化的困扰。后续RAG公司没有从根本上去解决这个问题，而是不断的在其上打补丁比如，加入实体图搜索，在数据预处理上进行大量场景定制，在召回策略上也要进行场景定制。一代RAG天花板太低，实际上效果很难再提升，唯一的出入就是定制，但这样很难控制成本。

随着大模型技术的发展，我们推出了第二代 RAG , 该RAG核心是使用大模型做召回，解决了海量数据召回速度和成本问题，同时高度优化窗口的使用率，彻底解决语义召回的难题。 效果也是出奇的好，并且实际成本相比定制化RAG 也更低，成本很透明：

但是第二代依然有明显的缺陷，对于需要复杂拆解的问题比较困难，下面图片是个例子：

于是我推出了第三代 RAG , Agentic RAG, 基于二代的基础上，我们引入了 Agentic 范式，并增加了联网以及规划能力，从而使用通用的方式解决了，下推演示了这种规划能力：

通过提前拆解规划问题，从而将复杂的问题拆解成一些简单的信息召回问题，然后结合多轮召回，最后给出答案。

这就是第三代 Agentic LLM Native RAG. 第三代 RAG 是已经 RAG 的顶级形态。 那么第四代 RAG 进化方向应该在哪呢？

第四代RAG

经过前三代RAG的积累，第四代 RAG 在使用方式开始进入新的阶段。传统方式将 RAG 作为一个服务（比如兼容 OpenAI 接口），比如这样：

auto-coder.rag serve --lite --port 8102 \
--doc_dir ./byzer-llm \
--model v3_chat

然后就可以通过 OpenAI SDK 通过 127.0.0.1:8102 进行访问了。这种方式对于和其他产品结合并不方便。

为此，我们提供了命令行模式：

echo "byzer-llm prompt 函数是什么" | auto-coder.rag run  \
--doc_dir ./byzer-llm --model v3_chat \
--output_format text \
--agentic

这意味着你可以随时随地的对任意一个目录进行 RAG 查询。命令行的方式几乎可以被任何Agent 调用，你可以很轻松的嵌入到 Cursor/Auto-Coder/Claude Code/Codex/Qoder 中，你只需要给这些 Code Agent 通过 Rule 添加一个简单的使用说明， Code Agent 就会在合适的时候使用知识库进行学习：

除了命令行，我们也提供了 Java，Go, NodeJS ,Python 的绑定，比如Java， 你可以添加如下依赖：

<dependency>
<groupId>tech.mlsql</groupId>
<artifactId>autocoder-rag-sdk</artifactId>
<version>0.0.2</version>
</dependency>

然后可以写类似的代码：

package com.example;
import com.autocoder.rag.sdk.RAGClient;
import com.autocoder.rag.sdk.RAGConfig;
import java.util.stream.Stream;
import java.util.stream.Collectors;
public class Main {
public static void main(String[] args) {
RAGConfig config = new RAGConfig("./byzer-llm");
config.setModel("v3_chat");
RAGClient client = new RAGClient(config);
String query = "byzer-llm prompt function是什么";
try {
Stream<String> stream = client.queryStream(query);
String result = stream.collect(Collectors.joining("\n"));
System.out.println(result);
} catch (Exception e) {
System.err.println("Error: " + e.getMessage());
System.exit(1);
}
}
}

就完成了流式的 RAG 查询，可以将 RAG 方便的各种集成到用户的应用中。

第四代RAG 无需部署即可实现开箱即用，并且能够让各种语言以库的方式被直接使用。所以我们将 第四代 RAG 称为 Agentic LLM Native RAG SDK. 你也可以简称为 RAG SDK.

RAG 是未来所有AI应用的基础设施，而 auto-coder.RAG 提供了更加便利友好方式和集成方式，以及最优秀的查询效果。期待大家使用和集成。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
图片
图片
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

图片

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

最后

1、大模型学习路线

img

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

在这里插入图片描述

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

在这里插入图片描述

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

img

5、面试试题/经验

img

【大厂 AI 岗位面经分享（107 道）】

img

【AI 大模型面试真题（102 道）】

img

【LLMs 面试真题（97 道）】

img

6、大模型项目实战&配套源码

img

适用人群

在这里插入图片描述

四阶段学习规划（共90天，可落地执行）
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

  • …

    👇👇扫码免费领取全部内容👇👇

    在这里插入图片描述

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

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】

在这里插入图片描述

# python # 开发语言 # 职场和发展 # 人工智能 # 面试
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

基于springboot框架的茶叶购物网上商城系统 潇湘知茶小程序_dyo5sig5

avatar 2048 AI社区
cover

深度学习篇---全模态

avatar 2048 AI社区
cover

深度学习篇---多模态

avatar 2048 AI社区