[日期] 预计学习时间：35-40 小时

4.1 RAG 演进路线

[!] 大厂 JD 高频要求："精通 RAG 技术栈与工程实践"、"有 RAG 方案落地能力"

Naive RAG → Advanced RAG → Agentic RAG → Modular RAG

Naive RAG： 文档 → 切片 → 向量化 → 存入向量库 → 检索 → 拼入 prompt → LLM 生成

Advanced RAG 优化手段：

优化方向	难度	效果	大厂关注
查询改写（Query Rewriting）	★★	高	[OK]
混合检索（Hybrid Search）	★★	高	[OK]
重排序（Reranking）	★★	很高	[OK][OK]
父文档检索（Parent Doc）	★★	中	[OK]
Chunk 优化策略	★★	高	[OK]

Agentic RAG： Agent 自主决定检索策略，多轮检索，判断结果是否充分。

4.2 向量数据库

数据库	类型	大厂使用情况
Milvus	分布式向量库	[OK] 阿里、腾讯生产使用
Qdrant	专用向量库	[OK] 性能高，推荐
pgvector	PostgreSQL 扩展	[OK] 已有 PG 基础设施首选
Elasticsearch 8.x	搜索引擎	[OK] 大厂搜索团队常用
ChromaDB	嵌入式	开发测试用

Embedding 模型选择：

• OpenAI text-embedding-3-small（1536维，便宜）
• BGE 系列（智源，国产开源标杆）：https://github.com/FlagOpen/FlagEmbedding
• GTE 系列（阿里，中文效果好）：https://huggingface.co/Alibaba-NLP/gte-large-zh-v1.5

4.3 Reranking

先粗检索 20 条，再用重排序模型精排到 5 条。这是提升 RAG 准确率最有效的单点优化。

# 使用 Cohere Rerank API 或 BGE-Reranker（国产开源）
from sentence_transformers import CrossEncoder
model = CrossEncoder("BAAI/bge-reranker-v2-m3")
scores = model.predict([("查询文本", "文档1"), ("查询文本", "文档2")])

学习资料清单

课程：

• DeepLearning.AI《Building RAG Agents》（免费短课程）：https://www.deeplearning.ai/short-courses/building-agentic-rag-with-llamaindex/
• 极客时间《大模型应用开发实战》

论文：

• "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks"：https://arxiv.org/abs/2005.11401
• "Dense Passage Retrieval for Open-Domain Question Answering"：https://arxiv.org/abs/2004.04906

GitHub：

• milvus-io/milvus — Milvus 官方仓库：https://github.com/milvus-io/milvus
• FlagOpen/FlagEmbedding — BGE Embedding 模型：https://github.com/FlagOpen/FlagEmbedding

实践平台：

• 百度智能体平台 AgentBuilder：https://agent.baidu.com
• 阿里云百炼平台：https://bailian.console.aliyun.com