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⭐️）
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。
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：
- 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。
- 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。
- 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。
- 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。
- 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
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
