返回課程
AI025
專業人士
實用 RAG 系統：從知識庫到檢索增強生成
這些學生講義提供了構建可用檢索增強生成（RAG）系統的系統級視角。課程涵蓋整個流程，包括資料攝取、分塊策略、嵌入映射、向量存儲、混合檢索、重排序以及可信 AI 應用的評估。
5.0
15.0h
619 學習者
5 堂課
0 讚好
人工智能
課程總覽
內容摘要
這些學生講義提供了建立可用的檢索增強生成（RAG）系統的系統級視角。課程涵蓋了整個流程，包括資料攝取、切塊策略、嵌入映射、向量儲存、混合檢索、重排序以及用於值得信賴的人工智慧應用的評估。
透過全面的 RAG 流程方法，掌握打造基於證據的人工智慧系統的藝術。
作者： EvoClass
致謝： EvoClass 團隊
學習目標
- 区分提示（prompting）、微調（fine-tuning）與 RAG，以根據特定業務需求選擇正確工具。
- 描繪資訊在 RAG 流程中的傳遞路徑，從使用者查詢到有根據的生成。
- 設計專業的資料攝取流程，整合元資料、標準化與版本控制，防止「弱資料」失敗。
- 評估並實踐 基於特定領域需求的多樣切塊策略（固定長度、結構感知、層次式）。
- 解釋嵌入技術的機制，並區分語意相似性與答案實用性的差異。
- 描述向量儲存與索引的技術理論，聚焦於檢索速度（延遲）與準確性之間的權衡。
- 為大型語料庫（10萬+ 條塊）設計多階段檢索計畫，包含元資料與過濾策略。
- 区分檢索（召回率）與重排序（精確度/相關性）的目標差異。
- 分析為何重排序對有效的大語言模型生成至關重要，以及其如何與切塊設計互動。
- 設計上游元資料結構，支援自動引用與版本感知的檢索。