920-RAG全栈技术从基础到精通 ，打造高精准AI应用

https://pan.quark.cn/s/a18d51dc7ba9

总计: 📁 16 个文件夹, 📄 97 个文件

📂 mksz920-RAG全栈技术从基础到精通 ，打造高精准AI应用

├── 📂 00.资料

│   └── 🗜️ 00.资料.zip

├── 📂 第10章 基于知识图谱【金融智库】：从RAG到Graph RAG，让企业知识图谱更智能

│   ├── 🎬 10-1 本章介绍_ev.mp4

│   ├── 🎬 10-2 认识金融智库知识图谱数据：特别的知识三元组_ev.mp4

│   ├── 🎬 10-3 如何存储和操作知识图谱：neo4j和nebulagraph_ev.mp4

│   ├── 🎬 10-4 实战：动手构建金融智库知识图谱-1_ev.mp4

│   ├── 🎬 10-5 实战：动手构建金融智库知识图谱-2_ev.mp4

│   ├── 🎬 10-6 RAG和Graph RAG有什么区别：如何构建Graph RAG_ev.mp4

│   ├── 🎬 10-7 实战：利用Graph RAG构建金融智库知识库应用_ev.mp4

│   └── 🎬 10-8 总结和展望：如何自我学习，跟进前沿技术_ev.mp4

├── 📂 第11章 基于知识图谱【金融智库】：从RAG到agenticRAG，实现自动切换不同信息源

│   ├── 🎬 11-1 本章介绍_ev.mp4

│   ├── 🎬 11-2 大模型的手脚：AI智能体Agent_ev.mp4

│   ├── 🎬 11-3 推理和行动并行：ReAct框架_ev.mp4

│   ├── 🎬 11-4 基于Agent的多文档RAG Router_ev.mp4

│   ├── 🎬 11-5 实战：利用ReAc Agent实现 RAG Router_ev.mp4

│   └── 🎬 11-6 本章总结_ev.mp4

├── 📂 第12章 【RAG扩展】企业员工助手-接口和界面开发

│   ├── 🎬 12-1 本章介绍_ev.mp4

│   ├── 🎬 12-2 演示界面神器：gradio介绍_ev.mp4

│   ├── 🎬 12-3 实战：gradio整合两大RAG项目（1）_ev.mp4

│   └── 🎬 12-4 实战：gradio整合两大RAG项目（2）_ev.mp4

├── 📂 第13章 【RAG进阶】企业员工助手-项目进阶：RAG微调

│   └── 🎬 13-1 本章介绍_ev.mp4

├── 📂 第14章 企业员工助手-总结和展望

│   ├── 🎬 14-1 -1 项目总结和展望：课程回顾与总结_ev.mp4

│   └── 🎬 14-2 -2 项目总结和展望：课程总结与AI岗位面试技巧_ev.mp4

├── 📂 第1章 课程学习必知——助你顺利学习以及避坑

│   └── 🎬 1-1 全面了解课程，让你少走弯路，必看！！！_ev.mp4

├── 📂 第2章 掌握未来AI趋势：RAG引领大语言模型新纪元

│   ├── 🎬 2-1 本章简介_ev.mp4

│   ├── 🎬 2-2 满足企业精准需求：RAG如何填补大语言模型短板_ev.mp4

│   ├── 🎬 2-3 解锁RAG三大核心_ev.mp4

│   ├── 🎬 2-4 深入思考 long context加持的大模型企业还需要RAG_ev.mp4

│   ├── 🎬 2-5 RAG技术栈：从【合格】到【优秀】的跨越_ev.mp4

│   ├── 🎬 2-6 本课程案例分析与说明_ev.mp4

│   ├── 📝 2-7运行和开发环境搭建.pdf

│   └── 📝 2-8课程机器配置要求说明.pdf

├── 📂 第3章 【企业级专业选型】RAG核心一：挑选符合企业的【优秀】大语言基石模型

│   ├── 🎬 3-1 本章简介_ev.mp4

│   ├── 📝 3-10 【文档】如何通过ollama部署本地大模型-deepseek-r1.pdf

│   ├── 🎬 3-11 实战：使用大语言模型（本地和API、GPU和CPU）-1_ev.mp4

│   ├── 🎬 3-12 实战：使用大语言模型（本地和API、GPU和CPU）-2_ev.mp4

│   ├── 🎬 3-2 大模型入门：核心要点和技术演变（token、transformer、训练）_ev.mp4

│   ├── 🎬 3-3 国内外大模型产品必知必会_ev.mp4

│   ├── 🎬 3-4 没有GPU如何调用大模型-大模型调用的三种方式_ev.mp4

│   ├── 🎬 3-5 火眼金星：如何分辨大模型的好坏_ev.mp4

│   ├── 🎬 3-6 RAG应用：挑选大模型的四大步骤_ev.mp4

│   ├── 🎬 3-7 总结和展望：不同项目角色需要对AI大模型了解程度的差异性分析_ev.mp4

│   ├── 📝 3-8 【文档】大语言模型如何下载.pdf

│   └── 📝 3-9 【文档】星火大模型API使用.pdf

├── 📂 第4章 【企业级专业选型】RAG核心二：挑选合适RAG的向量Embedding模型

│   ├── 🎬 4-1 本章介绍_ev.mp4

│   ├── 🎬 4-2 embedding模型的重要性_ev.mp4

│   ├── 🎬 4-3 embedding是怎么炼成的？_ev.mp4

│   ├── 🎬 4-4 主流中文embedding模型_ev.mp4

│   ├── 🎬 4-5 embedding模型排行榜靠谱不靠谱，如何选择_ev.mp4

│   ├── 📝 4-6 【文档】embedding模型下载.pdf

│   ├── 🎬 4-7 实战：embedding模型加载和使用对比_ev.mp4

│   └── 🎬 4-8 本章总结_ev.mp4

├── 📂 第5章 【企业级专业选型】RAG核心三：企业级的向量数据库选型和高效使用

│   ├── 🎬 5-1 本章介绍_ev.mp4

│   ├── 🎬 5-2 全方位对比：主流向量数据库_ev.mp4

│   ├── 🎬 5-3 企业级向量数据库的要求_ev.mp4

│   ├── 🎬 5-4 向量数据库相似性搜索_ev.mp4

│   ├── 🎬 5-5 性能为王：探索向量数据索引优化技术_ev.mp4

│   ├── 🎬 5-6 实战：部署和使用企业级向量数据库（chroma和milvus）-1_ev.mp4

│   ├── 🎬 5-7 实战：部署和使用企业级向量数据库（chroma和milvus）-2_ev.mp4

│   └── 🎬 5-8 总结和展望：企业级应用的高可用性_ev.mp4

├── 📂 第6章 【企业员工智能问答助手-实现V1.0版】高效处理企业复杂业务数据

│   ├── 🎬 6-1 本章介绍_ev.mp4

│   ├── 🎬 6-2 复杂：企业数据复杂多样_ev.mp4

│   ├── 🎬 6-3 原则：垃圾进垃圾出，注重文档质量_ev.mp4

│   ├── 🎬 6-4 挑战：RAG如何读取多样性文档（文本、表格和布局分析）_ev.mp4

│   ├── 🎬 6-5 文档分块：递归文本分块和语义智能分块_ev.mp4

│   ├── 🎬 6-6 实战：实现制度问答模块数据读取和切割_ev.mp4

│   └── 🎬 6-7 本章总结_ev.mp4

├── 📂 第7章 【企业员工智能问答助手-实现V1.0版】搭建制度问答baseline RAG

│   ├── 🎬 7-1 本章介绍_ev.mp4

│   ├── 🎬 7-2 【企业员工制度问答助手】需求分析_ev.mp4

│   ├── 🎬 7-3 项目技术选型_ev.mp4

│   ├── 🎬 7-4 项目架构设计_ev.mp4

│   ├── 🎬 7-5 实战：实现制度问答模块RAG baseline_ev.mp4

│   └── 🎬 7-6 总结和展望：转变思想，AI应用开发和传统软件开发的区别_ev.mp4

├── 📂 第8章 【企业员工智能问答助手-评估V1.0版】有效评估RAG是提升的关键

│   ├── 🎬 8-1 本章介绍_ev.mp4

│   ├── 🎬 8-2 RAG迭代的关键：评估_ev.mp4

│   ├── 🎬 8-3 RAG评估的三大步骤_ev.mp4

│   ├── 🎬 8-4 RAG评价神器：Ragas框架_ev.mp4

│   ├── 🎬 8-5 实战：用Ragas评估制度问答模块的性能_ev.mp4

│   └── 🎬 8-6 本章总结_ev.mp4

└── 📂 第9章 【企业员工智能问答助手-实现V2.0版】提升RAG的【14种】检索增强技能

    ├── 🎬 9-1 本章介绍_ev.mp4

    ├── 🎬 9-10 总结和展望：关于企业里需要良好的代码规范和代码管理_ev.mp4

    ├── 🎬 9-11 实战：用检索增强技术提升制度问答模块性能-查询增强-1_ev.mp4

    ├── 🎬 9-12 实战：用检索增强技术提升制度问答模块性能-查询增强-2_ev.mp4

    ├── 🎬 9-13 实战：用检索增强技术提升制度问答模块性能-多索引增强_ev.mp4

    ├── 🎬 9-14 实战：用检索增强技术提升制度问答模块性能-融合检索_ev.mp4

    ├── 📝 9-15 【文档】重排rerank模型如何下载.pdf

    ├── 🎬 9-16 实战：用检索增强技术提升制度问答模块性能-rerank重排_ev.mp4

    ├── 🎬 9-17 实战：用检索增强技术提升制度问答模块性能-迭代检索增强生成_ev.mp4

    ├── 🎬 9-18 实战：用检索增强技术提升制度问答模块性能-self-RAG-1_ev.mp4

    ├── 🎬 9-19 实战：用检索增强技术提升制度问答模块性能-self-RAG-2_ev.mp4

    ├── 🎬 9-2 一图剖析RAG进化之路：探索优化点_ev.mp4

    ├── 🎬 9-3 检索的两大形态：稀疏 vs 稠密_ev.mp4

    ├── 🎬 9-4 查询增强：增加相关内容-Query2doc+ HyDE+子问题查询+问题改写+Task Step Back_ev.mp4

    ├── 🎬 9-5 多索引增强：从不同维度构建索引，强化相关内容_ev.mp4

    ├── 🎬 9-6 检索后增强：融合检索，三个臭皮匠顶一个诸葛亮_ev.mp4

    ├── 🎬 9-7 检索后增强：重排序技术(Re-rank)_ev.mp4

    ├── 🎬 9-8 系统性增强：迭代检索增强生成，从上一迭代收获信息_ev.mp4

    └── 🎬 9-9 RAG新范式：自我评估增强Self-RAG_ev.mp4