搭建知识库:RAG 的原理与实务

1 note in this collection.

YouTube · 字幕整理 · 影片原作者

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

  1. 为什么要 RAG —— 上下文塞不下,塞得下也又慢又贵
  2. 三个字母 —— 先查资料,再回答
  3. R 的前半:整理书架 —— 清洗的两个目标、两阶段管线
  4. 切块 —— 固定字数 vs 按自然结构,重叠区间为什么只是补丁
  5. 元资料 —— 时间边界、权限过滤,都靠它做确定性过滤
  6. 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
  7. A:拼小抄 —— 重排之后才精选,不是全塞
  8. G:生成 —— 温度调低,因为创造力在知识库里等于幻觉
  9. 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

搜索全站

输入关键词,查找项目与实践记录。