编程导航教程

首页

RAG 检索增强生成学习路线 | 26 年最新零基础到精通一条龙（万人收藏⭐️）

2025-11-18 19:47
阅读 7.1k
下载文档
评论
问答
笔记
0个评论
点击登录，快来和大家讨论吧～
表情
图片
暂无评论
大纲
    0

    编程导航学习网站：学编程、做项目、拿 Offer！

    企业高频面试题库：开始刷题，面试遇原题！

    精选简历模板大全：1 分钟搞定简历！

    AI 资源导航网站：获取最新 AI 黑科技！

    1 对 1 模拟面试：随时随地提升面试能力

    RAG 检索增强生成求职高频面试题：开始刷题

    ⭐️ 推荐先观看 鱼皮的保姆级 AI 指南视频，快速掌握程序员必知必会的 AI 概念、AI 工具、AI 开发技术、AI 编程技巧。

    后端转AI训练营海报.jpeg

    开篇介绍

    RAG（Retrieval-Augmented Generation，检索增强生成）是如今 AI 应用开发的核心技术之一，它完美解决了大语言模型的 2 大痛点：知识时效性和幻觉问题。

    简单来说，RAG 就像给 AI 配了一个 “小抄本”，让 AI 回答问题前先查一查特定的知识库来获取知识，确保回答是基于真实资料而不是凭空想象。这种结合信息检索技术和 AI 内容生成的混合架构，工作流程清晰高效：当用户提出问题时，系统首先从知识库中检索相关文档，然后将这些文档作为上下文提供给大模型，引导模型基于检索到的真实信息生成回答。

    从技术效果来看，RAG 不仅提升了回答的准确性，还让 AI 能够访问最新的、私有的、领域专业的知识，大大拓展了 AI 的应用边界。无论是企业智能客服、个人知识库问答、文档分析还是专业咨询，RAG 都已经成为 AI 应用落地的主流技术方案。

    为什么要学 RAG？

    从市场需求看，根据 2025 年的统计，超过 60% 的企业级 AI 应用都采用了 RAG 技术，无论是智能客服、知识库问答、文档分析还是智能助手，RAG 都是核心技术支撑。从薪资待遇看，掌握 RAG 技术的 AI 开发工程师薪资比只会调用 API 的开发者高 20-50%。从学习难度看，RAG 技术相对易学，有 Python 基础和 AI 基础知识的开发者，通过系统学习可以在 1 个月左右掌握 RAG 技术。

    RAG 的核心价值在于让 AI 能够访问和利用外部知识。企业可以让 AI 基于自己的知识库回答问题，提供个性化服务；个人可以建立专属知识库，让 AI 成为私人助手。应用场景十分广泛，从企业智能客服到文档问答系统，从知识库管理到专业咨询助手，从代码助手到学习辅导系统，从法律咨询到医疗问答，RAG 技术都能发挥重要作用。

    就业方向

    学习 RAG 可以从事多个方向的工作：

    1. AI 应用开发工程师：使用 RAG 技术开发各类 AI 应用，是最主要的就业方向。
    2. RAG 架构师：负责设计企业级 RAG 系统的架构，优化检索和生成效果。
    3. 知识工程师：负责知识库的构建、管理和优化，保证 RAG 系统的知识质量。
    4. AI 产品经理：理解 RAG 的能力边界，能够更好地规划 AI 产品功能。
    5. 数据工程师：负责 RAG 系统的数据处理、向量化、存储等工作。

    学习路线图

    RAG 检索增强生成学习路线思维导图

    阶段 1：AI 大模型基础（7-15 天，仅供参考）

    学习目标

    了解 AI 大模型的基本概念，掌握 API 调用和 Prompt 编写，为 RAG 学习打下基础。

    知识点

    大模型基础【必学】：

    • 大语言模型（LLM）概念
    • 主流模型（GPT、Claude、文心、通义等）
    • Token 和上下文窗口
    • 模型能力和局限性

    Prompt 基础【必学】：

    • Prompt Engineering 基础
    • 清晰具体的指令
    • 上下文提供
    • Few-shot Learning

    API 调用【必学】：

    • API 基本使用
    • 参数配置
    • 错误处理

    学习建议

    1）这个阶段是快速入门，不需要深入学习。

    如果你已经了解 AI 大模型，可以快速过一遍。重点是理解大模型的工作原理和基本使用方法。

    2）关于 AI 大模型应用开发的详细学习，可以查看 AI 大模型应用开发学习路线，关于 Prompt Engineering 提示词工程的详细学习，可以查看 Prompt Engineering 提示词工程学习路线，对 AI 有整体认识。

    3）可以使用 AI 导航 发现和体验各种 AI 工具，第一时间了解最新 AI 资讯。

    学习资源

    • ⭐ AI 大模型应用开发学习路线：完整的 AI 学习路线
    • ⭐ Prompt Engineering 提示词工程学习路线：提示词工程
    • AI 导航：AI 工具大全

    阶段 2：RAG 核心概念（7-15 天，仅供参考）

    RAG 核心概念包括文档切片、向量化、检索、生成等关键步骤，是构建知识库问答系统的基础。

    学习目标

    理解 RAG 的工作原理和核心概念，掌握 RAG 的 4 大核心步骤。

    知识点

    RAG 基础概念【必学】：

    • 什么是 RAG
    • RAG 的价值和应用场景
    • RAG vs 微调（Fine-tuning）
    • RAG vs 长上下文

    RAG 工作流程【必学】：

    • 文档收集和切割
    • 向量转换和存储
    • 文档过滤和检索
    • 查询增强和关联

    Embedding 技术【必学】：

    • 什么是 Embedding（嵌入）
    • Embedding 模型
    • 向量维度
    • 相似度计算（余弦相似度、欧氏距离）

    向量数据库【必学】：

    • 什么是向量数据库
    • 主流向量数据库（Milvus、Pinecone、Chroma）
    • 向量数据库 vs 传统数据库
    • 向量数据库选型

    学习重点

    1）RAG 的核心是 检索 + 生成。要深入理解这个过程：先将文档向量化存储，用户提问时检索相关文档，将文档作为上下文提供给模型，模型基于文档生成回答。这个流程是 RAG 的基础。

    2）Embedding 是 RAG 的关键技术。Embedding 将文本转换为高维向量，使得计算机能够理解文本的语义。要理解 Embedding 的原理，知道如何选择 Embedding 模型，了解向量维度对效果的影响。

    3）向量数据库是 RAG 的基础设施。要了解主流的向量数据库，比如 Milvus（开源、功能强大）、Pinecone（云服务、易用）、Chroma（轻量级、适合学习）。也可以使用经典数据库的向量扩展，比如 PGVector、Redis Vector。

    4）文档切割是 RAG 的重要环节。切割得太小，语义不完整；切割得太大，检索不精确。要理解不同的切割策略，如按字符数切割、按段落切割、按语义切割等。

    5）建议参考鱼皮的 AI 超级智能体项目，其中有 RAG 的完整实战教程，从基础到进阶都有详细讲解。

    6）如果想快速体验 RAG 效果，可以先使用线上 RAG 知识库平台（如阿里云百炼、Dify、FastGPT、Coze 等）。这些平台提供了可视化的界面，可以在几分钟内构建一个知识库问答系统，帮助你快速理解 RAG 的工作流程和效果。但注意，平台的能力有限，要深入学习和自定义 RAG 系统，还是需要掌握代码实现。

    经典面试题

    1. 什么是 RAG？RAG 解决了什么问题？
    2. RAG 的工作流程是什么？
    3. 什么是 Embedding？如何工作的？
    4. 向量数据库的作用是什么？
    5. RAG 和模型微调有什么区别？

    学习资源

    • ⭐ 鱼皮的 AI 超级智能体项目：完整的 RAG 实战教程
    • ⭐ 一文读懂大模型 RAG：含高级方法
    • 什么是 RAG？：AWS 官方解释
    • RAG 是什么？：Red Hat 详解

    线上 RAG 知识库平台（快速体验）：

    • 阿里云百炼：企业级 AI 应用开发平台
    • Dify：开源 AI 应用开发平台
    • FastGPT：国产开源知识库问答系统
    • Coze：字节跳动 AI Bot 开发平台

    阶段 3：RAG 技术实现（15-30 天，仅供参考）

    学习目标

    掌握 RAG 的技术实现方法，能够使用主流框架开发 RAG 应用。

    知识点

    文档处理【必学】：

    • 文档加载（PDF、Markdown、HTML 等）
    • 文档清洗
    • 文档切割（Text Splitters）
    • 元数据提取

    向量化【必学】：

    • Embedding 模型选择
    • 批量向量化
    • 向量维度选择
    • 向量质量评估

    向量存储【必学】：

    • 向量数据库使用
    • 索引构建
    • 相似度搜索
    • 元数据过滤

    检索策略【必学】：

    • 相似度阈值设置
    • Top-K 选择
    • 混合检索（向量检索 + 关键词检索）
    • 重排序（Reranking）

    查询增强【必学】：

    • Prompt 模板设计
    • 上下文组装
    • 引用标注
    • 输出格式控制

    学习建议

    1）文档处理是 RAG 的第一步，也是最重要的一步。文档质量直接影响 RAG 效果。要学会处理各种格式的文档，清洗无关内容，合理切割文档。切割策略要根据文档类型和使用场景选择。

    2）Embedding 模型的选择很重要。不同的 Embedding 模型效果差异很大。OpenAI 的 text-embedding-ada-002 是经典选择，阿里云的 text-embedding-v4 是国产优质选择。要根据语言、领域、成本等因素选择模型。

    3）检索策略直接影响 RAG 的准确性。相似度阈值太高，可能检索不到相关文档；太低，可能检索到不相关文档。Top-K 太小，信息不完整；太大，噪音太多。要通过实验找到最佳参数。

    4）混合检索是提升检索效果的重要方法。结合向量检索（语义相似）和关键词检索（精确匹配），可以提高检索的召回率和准确率。Elasticsearch 可以很好地支持混合检索。

    5）建议使用 LangChain、Spring AI 等框架学习 RAG 实现。这些框架提供了完整的 RAG 组件，可以快速上手。关于 LangChain 开发的详细学习，可以查看 LangChain 开发学习路线，关于 Spring AI 的详细学习，可以查看 Spring AI 学习路线。

    6）如果你想快速体验和开发 RAG 功能，可以使用线上 RAG 知识库平台（如阿里云百炼、Dify、FastGPT 等），这些平台提供了可视化的 RAG 配置界面，无需编码即可构建知识库问答系统。适合快速验证想法或给非技术人员使用。

    学习资源

    • ⭐ 大模型 RAG 知识库完整指南 2025：从原理到实战
    • RAG 的向量数据库：语义搜索能力

    线上 RAG 知识库平台（快速体验）：

    • 阿里云百炼：阿里云推出的企业级 AI 应用开发平台，提供可视化的 RAG 知识库构建
    • Dify：开源的 AI 应用开发平台，支持可视化构建 RAG 应用
    • FastGPT：国产开源的知识库问答系统，基于 RAG 技术
    • Coze：字节跳动推出的 AI Bot 开发平台，支持知识库功能

    阶段 4：RAG 优化和进阶（10-20 天，仅供参考）

    学习目标

    掌握 RAG 的优化方法和高级技巧，能够显著提升检索准确率和回答质量。

    知识点

    文档优化【必学】：

    • 文档结构化
    • 文档质量控制
    • 智能切割策略
    • 元数据标注

    检索优化【必学】：

    • 查询重写（Query Rewriting）
    • 查询扩展（Query Expansion）
    • 混合检索策略
    • 重排序模型（Reranker）

    生成优化【必学】：

    • Prompt 模板优化
    • 上下文窗口管理
    • 引用来源标注
    • 幻觉检测和减少

    高级 RAG 架构【建议学】：

    • 自纠错 RAG（C-RAG）
    • 自省式 RAG（Self-RAG）
    • 检索树 RAG（RAPTOR）
    • 多智能体 RAG 系统

    性能优化【必学】：

    • 向量索引优化
    • 缓存策略
    • 批处理
    • 成本控制

    学习建议

    1）文档质量是 RAG 效果的上限，其他优化只是让系统接近这个上限。要重视文档的准备和处理，确保文档内容准确、结构清晰、格式规范。可以使用 AI 辅助优化文档。

    2）查询重写是提升检索效果的重要技巧。用户的原始查询往往不够清晰或完整，通过 AI 重写查询，可以提高检索准确性。比如用户问 “鱼皮是啥”，重写后可能是 “什么是鱼皮？请简单介绍”。

    3）重排序（Reranking）是检索后的重要步骤。初次检索可能返回很多文档，通过重排序模型对这些文档重新打分排序，可以提高最终输入给 LLM 的文档质量。

    4）幻觉检测和减少是 RAG 的重要目标。虽然 RAG 能减少幻觉，但不能完全消除。要学会识别幻觉，比如要求 AI 标注信息来源、如果不确定就说不确定等。

    5）高级 RAG 架构是前沿研究方向，不是实际应用的必须。了解这些架构能够拓展视野，在特殊场景下可以参考使用。重点理解它们解决了什么问题，如何工作的。

    经典面试题

    1. 如何优化 RAG 的检索效果？
    2. 什么是查询重写？如何实现？
    3. 什么是重排序？为什么需要重排序？
    4. 如何减少 RAG 系统的幻觉？
    5. 混合检索是什么？如何实现？

    学习资源

    • ⭐ 鱼皮的 AI 超级智能体项目 - RAG 进阶教程：RAG 最佳实践和调优
    • 高质量 AI 知识库应用：选对向量数据库
    • 使用 Milvus 和 LangChain 的 RAG：完整示例

    阶段 5：RAG 评估和测试（5-10 天，仅供参考）

    学习目标

    掌握 RAG 系统的评估方法，能够科学地测试和优化 RAG 效果。

    知识点

    评估指标【必学】：

    • 检索质量指标
      • 召回率（Recall）
      • 精确率（Precision）
      • MRR（Mean Reciprocal Rank）
      • NDCG（归一化折扣累积增益）
    • 生成质量指标
      • 事实准确性
      • 答案完整性
      • 上下文相关性
      • 引用准确性

    测试方法【必学】：

    • 构建测试数据集
    • 自动化评估
    • 人工评估
    • A/B 测试

    调优策略【必学】：

    • 参数调优
    • 模型选择
    • 架构优化
    • 成本优化

    学习建议

    1）RAG 评估是保证系统质量的关键。要建立科学的评估体系，不能只凭感觉判断效果。要准备测试数据集，包含各种类型的问题和标准答案。

    2）评估要从检索和生成两个方面进行。检索阶段要评估是否检索到相关文档，生成阶段要评估回答是否准确、完整、相关。

    3）自动化评估可以提高效率，但有局限性。建议结合自动化评估和人工评估，自动化评估用于快速筛选，人工评估用于最终判断。

    4）A/B 测试是优化 RAG 的有效方法。可以对比不同的切割策略、检索参数、Prompt 模板等，选择效果最好的方案。

    学习资源

    • RAG 系统评估方法：评估指标和方法

    阶段 6：项目实战（20-45 天，仅供参考）

    学习目标

    通过完整的项目实践，综合运用所学知识，积累 RAG 开发经验。

    学习建议

    1）开发一个完整的 RAG 应用。推荐这些项目方向：

    • 个人知识库问答（整理笔记、文档，基于 RAG 问答）
    • 企业文档问答（公司文档、规章制度问答）
    • 技术文档助手（编程文档、API 文档问答）
    • 学习辅导系统（课程内容、习题解答）
    • 客服机器人（产品文档、FAQ 问答）

    2）项目要包含完整的功能：文档上传和管理、文档处理和向量化、向量存储、检索和生成、用户界面。建议使用 LangChain 或 Spring AI 等框架快速开发。

    3）关注系统的实际效果。要收集用户反馈，分析哪些问题回答得好、哪些不好。针对性地优化文档、调整参数、改进 Prompt。

    4）建议参考鱼皮的 AI 项目教程，学习如何开发高质量的 AI 应用。鱼皮的 AI 超级智能体项目 完整地实现了 RAG 功能，从基础到进阶都有详细讲解。

    5）将项目开源或写成技术博客。这不仅能帮助别人，也能作为你的作品展示给面试官，大幅增加真实性。

    项目推荐

    • 个人知识库问答系统
    • 技术文档助手
    • 企业智能客服
    • 学习辅导系统
    • 法律/医疗咨询助手

    学习资源

    • ⭐ 鱼皮的 AI 超级智能体项目：完整的 RAG 实战
    • ⭐ 鱼皮的 AI 项目教程：原创项目实战
    • 构建 RAG Agent：NVIDIA 教程

    阶段 7：求职备战

    学习目标

    熟练掌握 RAG 常见面试题，准备好简历和项目经历，顺利通过面试。

    学习建议

    1）准备项目：如果面试 AI 应用开发岗，简历上有 RAG 项目经历是很加分的。

    强烈推荐学习鱼皮的 AI 超级智能体项目，包含完整的 RAG 实战教程，而且鱼皮提供了现成的简历写法，可以直接写到简历上。

    2）准备简历：建议使用鱼皮团队开发的 老鱼简历 制作简历，有大量专业简历模板。关于如何写好简历，推荐学习鱼皮的 保姆级写简历指南。

    老鱼简历网站简历模板大全

    3）多刷面试题：RAG 的面试题主要包括 RAG 原理、技术实现、优化方法、向量数据库等，建议使用 面试鸭 刷题。

    面试鸭刷题神器热门八股文

    4）准备技术分享：能够清楚地讲解 RAG 的工作原理、实现方法、优化策略。可以准备一个 PPT 或技术文档，演示你的 RAG 项目。

    更多求职干货：编程导航求职干货分享

    经典面试题

    基础概念：

    1. 什么是 RAG？RAG 的工作流程是什么？
    2. RAG 和模型微调有什么区别？各有什么优缺点？
    3. 什么是 Embedding？如何选择 Embedding 模型？
    4. 向量数据库的作用是什么？如何选型？
    5. 文档切割有哪些策略？如何选择？

    技术实现：

    1. 如何实现一个 RAG 系统？需要哪些组件？
    2. 如何处理不同格式的文档（PDF、HTML、Markdown）？
    3. 如何优化文档切割策略？
    4. 如何设置合适的相似度阈值和 Top-K？
    5. 如何实现混合检索？

    优化方法：

    1. 如何优化 RAG 的检索效果？
    2. 如何减少 RAG 系统的幻觉？
    3. 什么是查询重写？如何实现？
    4. 什么是重排序？为什么需要？
    5. 如何评估 RAG 系统的效果？

    项目经验：

    1. 你开发过哪些 RAG 应用？详细说说。
    2. 项目中遇到过什么技术难点？如何解决的？
    3. 如何优化 RAG 系统的性能和成本？
    4. 如何处理大规模文档？
    5. 如何保证 RAG 系统的回答质量？

    面试题库

    • ⭐ AI 大模型面试题 - 面试鸭：包含大量 RAG 面试题
    • RAG 检索增强生成面试题 - 面试鸭

    求职资源

    • ⭐ 鱼皮的保姆级求职指南：从简历到面试的完整指南
    • ⭐ 鱼皮的保姆级写简历指南：如何写出高质量简历
    • 编程导航的求职干货分享：求职经验和技巧
    • 老鱼简历：写简历工具 + 简历模板大全
    • 真实面经大全：了解真实的面试流程
    • 几百场真实面试视频：观看他人的面试过程
    • 1 对 1 模拟面试：AI 模拟面试练习
    • 面试题讲解视频：面试鸭官方题解

    更多资源

    知识总结

    • ⭐ 编程导航：学习路线、项目教程、面试题、编程资源一站式平台
    • ⭐ AI 导航：AI 工具和资源大全
    • AI 大模型应用开发学习路线：完整的 AI 学习路线
    • LangChain 开发学习路线：LangChain 框架
    • LangChain4j 学习路线：Java 版 LangChain
    • Spring AI 学习路线：Spring AI 框架
    • Prompt Engineering 提示词工程学习路线：提示词工程

    RAG 项目教程

    • ⭐ 鱼皮的 AI 超级智能体项目：完整的 RAG 实战教程
    • 鱼皮的 AI 项目教程：原创项目实战

    技术文档

    • LangChain RAG 文档：官方教程
    • Spring AI RAG 文档：官方文档

    尾声

    学习 RAG 要先打好 AI 大模型基础，理解 LLM 的能力和使用方法。深入学习 RAG 的核心概念和工作流程，理解文档处理、向量化、检索、生成四大步骤。掌握 RAG 的技术实现，使用 LangChain、Spring AI 等框架开发应用。学习 RAG 的优化方法，提升系统效果。掌握评估和测试方法，科学地衡量系统质量。最关键的是要通过完整的项目实践，积累开发经验。

    RAG 技术还在不断发展，新的优化方法和架构不断涌现。要保持学习，关注最新的研究成果和最佳实践。多看论文、多看开源项目、多动手实践。还可以参加 AI 社区的讨论，跟别人多多交流经验。

    加油！

    程序员必备资源

    1）程序员学习交流圈：极客教程、实战项目、求职宝典

    2）程序员面试八股文：实习/校招/社招高频考点、企业真题解析

    3）程序员写简历神器：专业模板、丰富例句、直通面试

    4）AI 知识资源大全：前沿技术、最新 AI 资讯、提示词大全

    5）1 对 1 模拟面试：实习/校招/社招面试拿 Offer 必备