该教程从原理到落地构建了一条完整的RAG学习路径。起步阶段详解RAG工作原理与大模型固有局限，剖析检索增强生成（Retrieval‑Augmented Generation）的核心机制。后续模块覆盖文档加载与切割、LLM接口封装与Prompt模板设计，为构建高效检索生成流程奠定基础。
向量化技术板块介绍“什么是向量”与文本向量生成方法，深入讲解VectorStore存储与检索，Chrom向量数据库的使用及选型要点，帮助学员掌握高性能检索架构。进阶实战篇展示RAG高级用法、混合检索、ReRanker模型和RRF算法，结合PDF表格处理和GraphRAG应用场景演练RAG工作流。
应用落地部分指导使用Conda配置Python环境、SentenceTransformer模型解析、Embedding实战、InternLM大模型操作及问答效果评估；并演示LlamaIndex知识库构建与Streamlit网页应用开发。最后分享预训练模型概念、模型微调、增量训练与函数调用技术，以及RAG外挂私有知识库的构建策略，为企业级大模型服务提供全面方案。
https://pan.quark.cn/s/ac075a8e818f
