232 字
1 分钟
RAG 检索增强生成 · 章节索引
05 - RAG 检索增强生成
大模型的知识有截止日期，也不了解你的私有数据。RAG（Retrieval-Augmented Generation）通过”先检索、再生成”的方式，让 LLM 基于你的文档来回答问题。
本章笔记
- 01_文档索引构建 — 文档加载、文本分割、向量嵌入与向量索引构建
- 02_检索链与RAG实战 — Retriever、LCEL RAG Chain 与端到端问答实战
- 03_对话式RAG与检索策略 — history-aware retrieval、SelfQueryRetriever、EnsembleRetriever 与混合检索
学完本章你将掌握
- RAG 的核心思想与五步流水线
- 使用 Document Loaders 加载 PDF / Markdown / 网页等数据源
- 使用 Text Splitters 进行语义分块
- 使用 Embedding + VectorStore 构建向量索引
- 用 LCEL 搭建完整的 RAG 问答链
- 在多轮对话中用 chat history 改写查询并提升检索准确率
- 用
SelfQueryRetriever与EnsembleRetriever处理结构化过滤和混合召回
RAG 检索增强生成 · 章节索引
https://fuwari.vercel.app/posts/ai/llm/langchain/notes/05_rag/00_index/