这是一份面向初学者的RAG（检索增强生成）学习指南

核心洞察

如果你只关心一件事，看这个：这份教程把 RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses. 拆成九个动手项目，层层递进，从最简单的实现一路做到检索-合成-执行这种复合架构，比市面上只讲概念的帖子扎实不少。意外的是查询转换和重排序被放进了高级篇，这两个环节恰恰是实际部署里拉开效果差距的地方。唯一要注意的是技术栈偏向 LlamaIndexA framework focused on data ingestion and retrieval for building RAG applications.，一直用 LangChain 的人，前几个项目要适应一下。

核心结论

1. 该教程共包含 9 个动手项目，按基础、进阶、高级三档分层，最终覆盖从简单 RAG 到检索-合成-执行（RSE）的复合架构。

2. 查询转换和重排序被安排在高级篇，是实际部署中拉开 RAG 效果差距的关键环节。

3. 教程技术栈以 LlamaIndex 为主框架，搭配 HuggingFaceA platform for sharing and collaborating on machine learning models and datasets.、OpenAI/OpenRouter语言模型API提供商，OpenRouter聚合了多种模型接口。、PythonA high-level programming language that can be specified in DeepSeek search queries to filter results. 和 PyMuPDF一个用于处理PDF文档的Python库，支持文本提取和转换。，LangChain 用户需要一定的适应成本。

4. RAG 的核心优势归纳为四条：准确性、实时性、成本效益和隐私保护，其中准确性依赖真实数据源兜底以减少幻觉。

5. 基础篇明确将“分块大小”列为影响检索质量的直接因素，并通过“分块大小选择器”项目强调量化选择的重要性。

什么是 RAG？

RAG，全称 Retrieval-Augmented Generation，中文叫检索增强生成。它把信息检索和生成式 AI 拼在一起干活。先从知识库里捞出相关材料，丢给大语言模型当上下文，模型照着材料回答。这么一来，准确率和具体程度都比凭空生成高不少。

RAG 的核心优势

这套架构的好处可以列成四条：

• 准确性：回答有真实数据源兜底，模型幻觉少一大截。
• 实时性：知识库随时更新，不受模型训练数据的时间限制。
• 成本效益：不用重新训练大模型，往知识库里丢文档就能拿到专业知识。
• 隐私保护：敏感数据留在本地知识库，不必交给外部 API。

学习路径

教程一共九个动手项目，分成基础、进阶、高级三档。

基础篇

1. 简单 RAG：先跑通基本概念和最小实现。
2. 语义分块：按语义边界切文档，别把一句话拦腰截断。
3. 分块大小选择器：块大小直接影响检索质量，这个项目教你量化选择。

进阶篇

4. 上下文增强 RAG：让检索出来的内容更贴近问题，减少答非所问。
5. 上下文分块头部：给每个分块加元数据，检索时多一层定位信息。
6. 文档增强 RAG：处理多文档场景，把多个知识来源管起来。

高级篇

7. 查询转换：用户的问题不一定适合直接检索，这里学怎么改写、拆分、扩展。
8. 重排序：第一轮检索结果不够准，用重排序把最相关的材料提到前面。
9. 检索-合成-执行（RSE）：把 RAG 拆成检索、合成、执行三个模块，按需组合，属于复合式架构。

技术栈

教程用的都是常见工具：

• LlamaIndex：RAG 主框架
• HuggingFace：嵌入模型和预训练模型
• OpenAI/OpenRouter：语言模型 API
• Python：主要编程语言
• PyMuPDF：解析 PDF 文档

开始学习

准备好了就直接从左侧导航进基础篇，按顺序刷。每个项目都踩在前一个项目的肩上，功能一层层往上叠，跳着读容易卡住。

常见问题（FAQ）

RAG优化中查询转换和重排序为什么放在高级篇？

查询转换和重排序是实际部署中拉开效果差距的关键环节，但概念较复杂，需要掌握基础RAG后再学习，因此归入高级篇。

RAG有哪些核心优势？

RAG的优势包括：提高准确性、支持实时更新、成本效益高（无需重训练）以及保护隐私（数据留在本地）。

学习RAG需要掌握哪些技术栈？

主要技术栈包括LlamaIndex（主框架）、HuggingFace（嵌入模型）、OpenAI/OpenRouter（LLM API）、Python和PyMuPDF（PDF解析）。