一、RAG技术概述

1.RAG技术概述

2.加载器和分割器

3.文本嵌入和 向量存储

4.如何生成和存储Embedding

5.检索器和多文档联合检索

6.RAG技术的关键挑战

7.检索增强生成实践

8.RAG技术文档预处理过程

9.RAG技术文档检索过程

二、RAG的架构和核心组件

1.RAG架构

2.文档的导入和解析

3.文档的分块

4.文本块的嵌入

5.向量数据库的选择

6.文本块的检索

7.回答的生成

8.案例实践- 如何快速搭建RAG系统

9.使用框架：LangChain的RAG实现

10.使用低代码平台coze、Dify、智谱构建RAG

三、企业私有知识的数据导入

1.用数据加载器读取

2.LangChain中的数据加载器

3.用LangChain读取目录中的所有文件

4.用LlamaIndex读取目录中的所有文档

5.用LlamaHub连接Reader并读取数据库条目

6.用Unstructured工具读取各种类型的文档

7.读取图片中的文字

8. 读取PPT中的文字

9.用大模型整体解析图文

10.网页文档的爬取和解析

11.PDF文件的文本格式、布局识别及表格解析

12.PDF文件加载工具概述

13.案例分析  

四、RAG核心技术-文本切块

1.RAG场景下的提示词和文本切片

2.文本切块

3.固定大小文本切块

4.特殊格式文本切块

5.基于深度学习模型的文本

6.不同的分块策略

7.递归分块

8.带滑动窗口的句子切分

9.分块时混合生成父子文本块

10.分块时为文本块创建元数据

11.在分块时形成有级别的索引  

五、嵌入（Embedding）向量和向量数据库基础

1.嵌入Embedding核心概念

2.嵌入是对外部信息的编码

3.句子嵌入模型和SentenceTransformers框架

4.图像和音频嵌入模型

5.大模型时代的嵌入模型

6.什么是向量　

7.向量间的相似度　

8.相似度应用案例　

9.为什么需要向量数据库　

10.向量数据和传统数据的差异　

11.数据库核心原理

12.向量数据库

六、RAG查询检索前处理

1.查询检索构建

2.Text-to-SQL——自然语言到SQL的转换

3.Text-to-Cypher——从自然语言到图数据库查询

4.Self-query Retriever——自动从查询中生成元数据过滤条件

5.查询翻译——更好地阐释用户问题

6.查询重写——将原始问题重构为合适的形式

7.查询分解——将查询拆分成多个子问题

8.查询澄清——逐步细化和明确用户的问题

9.查询扩展——利用HyDE生成假设文档

10.查询路由——找到正确的数据源

11.逻辑路由——决定查询的路径

12.语义路由——选择相关的提示词  

七、RAG Prompt技术和响应生成

1.Prompt 提示词工程

2.RAG与Prompt 提示词优化

3.使用Prompt模板

4.更改默认的Prompt模板

5.更改Prompt模板的变量　

6.提示词 RAG 大模型交互的效果

7.通过改进提示词来提高模型输出质量

8.通过输出解析来控制生成内容的格式

9.通过选择大模型来提高输出质量

10.生成过程中的检索结果集成方式

11.Self-RAG

八、索引优化和检索后处理

1.从小到大：节点-句子滑动窗口和父子文本块

2.节点-句子滑动窗口检索

3.利用IndexNode和RecursiveRetriever构建从摘要到细节的索

4.分层合并：HierarchicalNodeParser和RAPTOR

5.前后串联：通过前向/后向扩展链接相关节点

6.混合检索：提高检索*性和扩大覆盖范围

7.混合查询和查询路由

8.检索 重排

9.检索压缩

10.检索 校正　

九、基于LangChain构建RAG文档问答系统

1.构建复杂LangChain RAG 应⽤

2.LangChain模型(Models)：从不同的 LLM 和嵌入模型中进行选择

3. LangChain提示(Prompts)：管理 LLM 输入

4. LangChain链(Chains)：将 LLM 与其他组件相结合

5. LangChain索引(Indexs)：访问外部数据

6. LangChain记忆(Memory)：记住以前的对话

7. LangChain代理(Agents)：访问其他工具

8.使⽤大模型构建RAG文档问答系统

十、评估RAG应用

1.为什么RAG应用需要评估

2.RAG应用的评估依据与指标

3.RAG应用的评估流程与方法

4.评估检索质量

5.生成检索评估数据集

6.运行评估检索过程的程序

7.评估响应质量

8.生成响应评估数据集

9.单次响应评估

10.批量响应评估

11.基于自定义标准的评估

12.RAG评估案例

十一、RAG实战案例1-企业文档问答系统

1.企业文档问答需求分析与系统设计

2.确定问答系统的需求：识别用户的主要查询类型与目标

3.系统结构与模块划分：明确检索与生成模块的协作方式

4. 搭建向量数据库与检索模块

5.数据预处理与向量化：生成高效的嵌入向量

6.构建与优化索引：提升检索模块的查询速度

7.生成模块的集成与模型调优

8.加载与配置生成模型：选择适合问答系统的生成模型

9.模型优化与提示词调优：提高生成内容的准确性与相关性

10.RAG系统测试、部署与优化

11.测试流程与性能监控：确保系统的稳定性与响应速度

12.企业环境的部署与上线：实现系统在实际业务中的应用

十二、RAG实战案例2-医疗文献检索与分析系统

1.医疗文献 需求分析与数据准备

2.确定医学文献检索需求：识别用户查询重点

3.数据收集与清洗：构建高质量的医学知识库

4.构建高效的检索模块

5.设计向量检索系统：提升检索效率

6.优化索引结构：加速医学文献的精确匹配

7.生成模块开发、集成和调优

8.生成模型与检索的集成：精准回答用户提问

9.生成内容的优化与提示词调优：提升回答的质量与专业性

十三、RAG实战案例3- 法律法规查询助手的开发

1.法律法规需求分析与数据收集

2.用户需求解析：明确法律法规查询的主要需求

3.法律法规数据源与收集方法：搭建全面的法规数据库

4.数据清洗与标准化：提升查询效率和准确性

5. 法律法规检索模块的实现

6.向量化法律条款：构建检索友好的嵌入

7. FAISS索引在法规查询中的应用：提升检索性能

8.优化检索流程：提高法律条款的匹配精度

9.生成模块开发与输出优化

10.生成模型与检索模块的集成：构建准确的法规回答

11.输出格式与内容优化：提供清晰的法律解释

12.提示词调优与模型配置：确保法律回答的专业性

十四、企业建设知识库的最佳实践

1.企业级RAG应用的常见优化策略

2.选择合适的知识块大小

3.评估知识块大小

4.分离检索阶段的知识块与生成阶段的知识块

5.常见的分离策略及实现

6.优化对大文档集知识库的检索

7.元数据过滤 + 向量检索

8.摘要检索+ 内容检索

9.多文档Agentic RAG

10.使用高级检索方法

11.构建端到端的企业级RAG应用

12.对生产型RAG应用的主要考量

13.端到端的企业级RAG应用架构

14.数据存储层

15.AI模型层

16.RAG工作流与API模块

17.端到端的全栈RAG应用案例

18.简单的全栈RAG查询应用

19.基于多文档Agent的端到端对话应用

十五、RAG 的未来演进

1.多模态RAG的技术进展和发展路线

2.未来的RAG和Agent如何发展

3.如何构建企业级的RAG和Agent集群架构

4.GraphRAG：RAG和知识图谱的整合

5.上下文检索：突破传统RAG的上下文困境

6. ModularRAG：从固定流程到灵活架构的跃迁

7.AgenticRAG：自主代理驱动的RAG系统

8. Multi-Modal RAG：多模态检索增强生成技术