LLM 应用进阶2026-06-01 更新

RAG 检索增强实战

32 课时 16 小时 32 视频 / 图文

RAG（检索增强生成）通过从外部知识库中检索相关信息，帮助大语言模型生成更准确、更实用的回答。这门课围绕真实应用中的 RAG 系统展开：你将先理解检索与生成如何配合，再学习向量数据库、混合检索、提示词设计、系统评估与生产部署中的关键权衡。

学完这门课，你能做到：

理解检索与生成如何协同，能设计可靠、可评估的 RAG 系统
掌握向量检索、混合检索、BM25 + ANN 等常见检索技术
能判断不同 Embedding / 向量库的适用场景并做正确选型
能围绕延迟、成本、上下文窗口做出更稳的生产工程决策
完成企业知识库端到端项目，可用于面试展示

5 大 RAG 优化策略（Query改写 / Rerank / HyDE / 上下文压缩 / 多跳）
Milvus / Qdrant / pgvector 工业级选型经验
BGE / M3E / OpenAI Embedding 微调实战
RAGAS / TruLens / DeepEval 评估体系
55 道高频 RAG 面试题精讲

课程咨询

小红书咨询报名

📕 私信「兔老板工作室」小红书，立即咨询报名

私信即报 · 无需平台付款 · 长期有效

课程分为 5 大模块，共 32 课时。

01 RAG 基础与架构

6 课时 · 3 小时

为什么需要 RAG：LLM 的三大局限28 min
RAG 架构全景：检索器 / 知识库 / LLM / 评估30 min
向量检索原理：ANN 算法 HNSW / IVF32 min
混合检索：BM25 + 向量检索28 min
RAG 范式演进：Naive / Advanced / Modular30 min
基础模块小测：12 道高频面试题28 min

02 向量数据库与 Embedding

8 课时 · 4 小时

Milvus 架构与索引选择32 min
Qdrant / Weaviate / pgvector 对比30 min
Embedding 模型选型：BGE / M3E / OpenAI32 min
Embedding 微调：领域适配技巧34 min
Chunking 策略：固定 / 语义 / 层次30 min
文档预处理：清洗、结构化、表格处理28 min
向量库模块小测：15 道高频面试题32 min

03 检索优化进阶

6 课时 · 3 小时

重排序（Rerank）：BGE-reranker / Cohere30 min
Query 改写：HyDE / Multi-Query / Step-Back32 min
多跳检索与子问题分解28 min
上下文压缩与信息密度优化26 min
检索优化小测：10 道高频面试题28 min

04 生成与端到端项目

6 课时 · 3 小时

Prompt 模板：引用溯源与格式控制26 min
流式生成与前端集成28 min
企业知识库端到端项目（上）38 min
企业知识库端到端项目（下）40 min
性能优化与降本策略28 min
项目模块小测：10 道高频面试题26 min

05 评估体系

6 课时 · 3 小时

RAGAS 评估指标详解30 min
TruLens / DeepEval 对比28 min
如何构建领域评估集32 min
A/B 测试与线上监控28 min
评估闭环与持续优化26 min
评估模块小测：8 道高频面试题24 min

🎯 适合谁

想入门 / 进阶 LLM 应用开发的工程师
正在面试 LLM 应用 / RAG 岗位的求职者
后端工程师想转 LLM 应用方向
已经在做 RAG 但想系统化梳理的工程师

🚀 学完你能收获

完整的工业级 RAG 系统设计能力
主流向量库 / Embedding 的选型决策能力
1 个端到端可展示的企业级 RAG 项目
55 道高频 RAG 面试题的标准答案
评估闭环与持续优化的工程思维

📋 前置要求

熟悉 Python 异步编程
了解基本的 LLM 调用（OpenAI / 通义千问）
无需向量数据库经验，从 0 起步

⏰ 学习节奏

总时长 16 小时，建议 3-4 周完成
每周 8 课时 + 周末项目实战
报名后立即开通，永久回看

博主介绍

中科院博士 · 资深算法工程师 · 长期参与一线招聘面试 · 公众号「兔老板工作室」作者

查看完整博主介绍 →

适合想入门或进阶 LLM 应用开发的工程师、正在面试 LLM 应用/RAG 岗位的求职者、想转 LLM 应用方向的后端工程师。前置要求只需熟悉 Python 异步编程和了解基本 LLM 调用（OpenAI/通义千问），无需向量数据库经验，从 0 起步。

覆盖 RAG 基础与架构、向量数据库与 Embedding、检索优化、生成与端到端项目、评估体系五大模块共 32 课时，含 Query 改写/Rerank/HyDE/上下文压缩/多跳 5 大优化策略、Milvus/Qdrant/pgvector 工业级选型、Embedding 微调、RAGAS/TruLens/DeepEval 评估闭环，可完成一个企业知识库端到端项目，并配 55 道高频 RAG 面试题精讲。

共 32 课时约 16 小时，分 5 大模块，建议 3-4 周完成（每周 8 课时 + 周末项目实战）。报名后立即开通，永久回看。

RAG 不改模型权重，通过外挂知识库把最新、私有的信息检索后拼进上下文，适合知识更新快、数据私有的场景；微调修改模型权重，适合把风格、格式或领域能力内化。两者不冲突，工业界常组合使用，面试官常从「为什么选 RAG 而不是微调」切入考察工程判断。

高频考点：Query 改写、Rerank、HyDE、向量数据库选型（Milvus/Qdrant/pgvector）、Embedding 与切片策略、上下文压缩、多跳检索、RAGAS 等评估闭环。课程第 5 模块配 55 道高频 RAG 面试题精讲，覆盖从原理到项目追问。

课程第 4 模块带你完成一个企业知识库端到端项目——数据清洗、Embedding、检索优化到评估闭环全走一遍；哪怕没上过生产，也能讲清每一步的选型和权衡。面试官更看重「为什么这么做」的决策能力，而不是简历上有没有 RAG 项目。

📱 扫码关注小红书

RAG 检索增强实战

🎯 适合谁

🚀 学完你能收获

📋 前置要求

⏰ 学习节奏

博主介绍

RAG 是 LLM 应用岗位的必考点

📱 扫码关注小红书

RAG 检索增强实战

🎯 适合谁

🚀 学完你能收获

📋 前置要求

⏰ 学习节奏

博主介绍

RAG 是 LLM 应用岗位的必考点

课程名称