搭建知识库:RAG 的原理与实务
1 note in this collection.
课程定位
这门课回答一个很具体的问题:我有一批自己的资料,怎么让 AI 基于它回答,而不是基于全网的通用答案。
原片用一个很好的例子开场——把巴菲特的六十年股东信做成一个能对话的分身。这个例子把每一步的难点都变得可感:先撞上上下文上限,再发现塞满之后又慢又贵,于是自然地走到「只把用得上的那几段找出来」。
学习路线
- 为什么要 RAG —— 上下文塞不下,塞得下也又慢又贵
- 三个字母 —— 先查资料,再回答
- R 的前半:整理书架 —— 清洗的两个目标、两阶段管线
- 切块 —— 固定字数 vs 按自然结构,重叠区间为什么只是补丁
- 元资料 —— 时间边界、权限过滤,都靠它做确定性过滤
- R 的后半:找书 —— 关键字抓字面,语意抓大意,混合才是默认答案
- A:拼小抄 —— 重排之后才精选,不是全塞
- G:生成 —— 温度调低,因为创造力在知识库里等于幻觉
- 四步排查 —— 顺着 R、A、G 定位,八成问题在前三步
阅读提示
- 本篇是字幕整理稿,不是逐字记录
- 文中的模型名、参数值与案例沿用原片口述口径,未做外部核验
- 例子里「巴菲特分身」是为讲解构造的场景,不是真实上线的产品