RAG 工程 路线
RAG 检索增强开发
履约 12 课跑通混合检索知识库；需要与 L1 同级长文深度时，进入选学轨「RAG 工程深潜」。不含 LangGraph / MCP / Multi-Agent。
返回实战中心
学习进度
— / 12节
履约学法：进入课节后先看「本课任务」→ 复制 Prompt 到 AI 编程工具 / AI 大模型改项目 → 跑验收 → 点「标记本课完成」→ 再展开概念卡。 想要与 L1 同级长文深度时，打开 RAG 工程深潜。
最终作品 · Capstone Project
企业级混合检索知识库系统
支持 PDF/Markdown 智能切分、BM25+Dense 双路召回、Cross-Encoder 重排与全流程 Bad Case 优化闭环。
Python / JavaMilvus / ChromaDBBM25BGE-RerankerRAGAS
适合人群：想进入 AI 应用开发、企业知识库落地、大模型实习求职者
这门课学完，简历可以怎么写？STAR 亮点
- 对比 5 种切分策略，落地 Parent-Child 与递归字符切片，解决长文档跨 Chunk 上下文丢失痛点。
- 实现 BM25 全文检索 + 向量检索双路召回与 RRF 倒数秩融合算法，Top-3 召回率提升至 92.4%。
- 搭建 RAGAS 黄金数据集自动化评测流水线，量化监控忠实度（Faithfulness）与答案相关度。
学完即进入模拟考核去 AI 模拟面试此项目
面试官可能问什么？（高频真题直击）
针对本工程的核心考核点，提前演练答题框架与技术细节。
Q1RAG 中切片（Chunking）太大或太小分别会产生什么问题？
答题思路：切片太小丢失上下文语义与长因果链；太大引入无关噪声稀释检索精准度并浪费窗口，工业界常用 500-800 token 带 10-20% 重叠或 Parent-Child 策略。
Q2为什么单纯做向量检索不够，一定要做 BM25 + 向量双路混合检索？
答题思路：向量检索擅长近义词与模糊语义，但在专有名词、产品型号、工号代码等精确字符匹配上表现较弱，BM25 能精准互补这一短板。
Q3RRF（Reciprocal Rank Fusion）为什么比直接将向量相似度与 BM25 分数加权更好？
答题思路：不同检索器的原始打分尺度和分布完全不同（不可直接线性相加），RRF 仅依赖排名位次进行平滑融合，无需精细调参即可获得稳健收益。