主题
RAG 学习地图 · 从 0 到 1 系统掌握检索增强生成
📚 适合人群：完全零基础的 AI 小白、后端/前端转 AI 应用开发的同学、准备面试 AI 工程师岗位的求职者
🎯 学习目标：理解 RAG 的本质、能独立搭建一个生产可用的 RAG 系统、能从容应对面试中的 RAG 相关问题
⏱️ 总学习时长：约 12-15 小时（碎片化学习，每节 1-2 小时）
🤔 一句话理解 RAG
RAG = 给大模型配一个「随身图书馆」：让大模型不再凭记忆瞎编，而是先「翻书」找答案，再「写答案」。
如果你听过这些场景的痛点，你就需要 RAG：
- ❌ 大模型 "一本正经胡说八道"（幻觉问题）
- ❌ 大模型 "不知道 2024 年之后的事情"（知识截止）
- ❌ 大模型 "不认识我公司的内部文档"（私有知识）
- ❌ 微调（Fine-tuning）成本太高、太慢、太麻烦
RAG（Retrieval-Augmented Generation，检索增强生成） 用最低的成本解决以上所有问题。
🗺️ 学习地图
📖 章节速览
| 章节 | 主题 | 关键词 | 学时 | 适合谁 |
|---|---|---|---|---|
| 1. RAG 基础 | 什么是 RAG、为什么需要、和微调对比 | 幻觉、知识截止、私有知识 | 1.5h | 小白必读 |
| 2. RAG 工作流程 | Indexing & Retrieval & Generation 全流程 | 索引、检索、生成 | 2h | 小白必读 |
| 3. 切分与向量化 | Chunking 策略、Embedding 模型、向量数据库 | 切分、Embedding、向量库 | 2h | 工程师必读 |
| 4. 检索优化 | 混合检索、Rerank、HyDE、查询改写 | BM25、Rerank、HyDE | 2h | 进阶 |
| 5. 高级 RAG 模式 | Self-RAG、CRAG、GraphRAG、Agentic RAG | 自反思、纠正、图谱 | 2.5h | 进阶 |
| 6. 评估与优化 | RAGAS 指标、坏案例分析、调优思路 | Faithfulness、Recall | 1.5h | 工程师必读 |
| 7. 面试题集 | 50+ 高频面试题 + 标准答案 | 面试、答题模板 | 2h | 求职必读 |
🚀 不同人群的推荐学习路径
路径 A · 完全零基础小白（推荐学习顺序）
目标：3 天内理解 RAG 是什么，能跟产品/同事聊 RAG
Day 1: 1_rag_basics（理解什么 + 为什么）
Day 2: 2_rag_workflow（理解怎么做）
Day 3: 3_chunking_and_embedding 前半部分（建立技术直觉）路径 B · 准备做 RAG 项目的工程师
目标：1-2 周搭起一个能用的 RAG 系统
Week 1: 1 → 2 → 3 → 4（核心链路打通）
Week 2: 6（评估调优）→ 5（按需引入高级模式）路径 C · 准备面试 AI 工程师岗位
目标：1 周完成系统复习
Day 1-2: 1 → 2（基本概念过一遍）
Day 3-4: 3 → 4（工程细节强化）
Day 5: 5 → 6（亮点和差异化）
Day 6-7: 7（面试题反复刷）🎁 配套生活类比速查表
学习过程中如果某个概念听不懂，回来查这张表，用生活例子重新建立直觉：
| 技术术语 | 生活类比 | 文中位置 |
|---|---|---|
| RAG 整体 | 开卷考试（带书进考场答题） | 1.1 |
| Fine-tuning（微调） | 闭卷考试（把书背下来） | 1.4 |
| Embedding（嵌入） | 把每本书贴一个 "DNA 指纹"（语义向量） | 3.2 |
| 向量数据库 | 一个能按 "气味" 找东西的特殊图书馆 | 3.4 |
| Chunking（切分） | 把厚书拆成一页页的便利贴 | 3.1 |
| Top-K 检索 | 让图书管理员推荐最相关的 K 本书 | 2.3 |
| Rerank（重排） | 老师在管理员推荐的书里再精挑细选 | 4.3 |
| BM25 | "找包含同样关键词的书"（关键字匹配） | 4.2 |
| 混合检索 | 既看关键字也看含义，综合排序 | 4.2 |
| HyDE | 先脑补一个答案，再拿这个答案去找证据 | 4.4 |
| GraphRAG | 不只翻一本书，还顺着 "人物关系图" 找 | 5.3 |
| Agentic RAG | 给 RAG 装上一个 "会思考要不要再查一次" 的脑子 | 5.4 |
🛠️ 学完后你能做什么
- ✅ 给团队搭一个 企业内部知识库问答机器人（替换钉钉/飞书机器人）
- ✅ 给自己做一个 私有文档助手（论文助手、代码库问答、读书笔记问答）
- ✅ 给产品集成 基于文档的 AI 客服（客服 FAQ、产品手册问答）
- ✅ 在简历上写 "熟练掌握 RAG 全链路调优" 而不心虚
- ✅ 面试时面对 "讲讲你对 RAG 的理解" 能讲 20 分钟还讲不完
📚 配套参考资料
- 官方/经典论文
- 主流框架
- 评估工具
- 向量数据库
⚠️ 学习注意事项
- 不要跳过基础：很多人直接学 GraphRAG、Agentic RAG，结果连 Embedding 是什么都讲不清楚，面试一问就露馅。
- 配合代码学：建议每章学完后用 LangChain 或 LlamaIndex 自己跑一遍最小例子，光看不练等于没学。
- 优先解决「会不会」而不是「最优解」：先把一个能跑的 RAG 跑起来，再迭代优化。一上来就追求 SOTA 容易劝退。
- 关注「为什么这么做」：每一个技术点都问自己 "如果不这么做会怎样"，理解动机比记结论更重要。
开始你的 RAG 学习之旅吧 👉 第一站：RAG 基础理论