2025最新版大模型RAG入门到精通实战教程，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。

课程目录：

1、RAG工作原理.mp4
2_2大模型目前固有的局限性.mp4
3_3检索增强生成.mp4
4_4文档的加载与切割.mp4
5_5LLM接口封装.mp4
6_6Prompt模版.mp4
7_7什么是向量.mp4
8_8文本向量.mp4
9_9文本向量是怎么得到的选.mp4
10_10VectorStore向量存储与检索.mp4
11_11Chrom向量数据库使用.mp4
12_12向量数据库选型.mp4
13_13RAG高级进阶实战.mp4
14_14文本分割粒度.mp4
15_15检索后排序.mp4
16_16ReRanker模型.mp4
17_17混合检索HybridSearch.mp4
18_18RRF.mp4
19_19PDF文档表格处理.mp4
20_20GraphRAG基本介绍.mp4
21_21实战一RAGWorkflowI作流详解.mp4
22_22RAGVSFineTuning模型微调.mp4
23_23大模型企业级业务场景落地方案实践.mp4
24_24使用conda配置知识库项目Python环境.mp4
25_25SentenceTransformer大模型详解.mp4
26_26Embedding文本向量化处理实战.mp4
27_27InternLM218BQwen25I05B模型实战.mp4
28_28知识库模型问答测试与实际效果评估.mp4
29_29使用Llamalndex创建知识库实战.mp4
30_30使用Streamlit创建Web应用实战.mp4
31_31程序员大模型学习最佳实践.mp4
32_32实战二什么叫预训练好的大模型.mp4
33_33大模型的局限性及解决方案.mp4
34_34rag外挂私有知识库.mp4
35_35Indexing.mp4
36_36检索和生成.mp4
37_37finetuning微调.mp4
38_38增量训练pretrainging.mp4
39_39functioncalling调用企业.mp4