AI 工程实验室 · 16 节课已完成

用30 天学会构建可靠的 RAG 聊天机器人。

Name: RAG Formation — 30 天课程，16 节课已完成
Author: 沈毅

RAG Formation 是一套已完成 16 节课的 30 天项目制课程，带领学习者从第一个问题开始，完成检索、引用、拒答、评估、安全、延迟、成本和试点准备。

$ 课程 --状态▸ 形式 项目制学习▸ 时长 30 天▸ 课程数16 节实践课▸ 状态 已完成● 构建 → 衡量 → 学习

课程路线图

从第一次检索测试到试点检查清单的 30 天路径。

每个阶段都会产出成果，并根据结果指导下一项工程决策。

基础与衡量

理解问答流水线，追踪真实代码，构建真实标签，并建立 MVP 基线。

检索工程

比较语义、关键词和混合检索，处理分块、元数据、过滤器、查询处理和重排。

有依据的回答生成

设计上下文预算、只使用证据的提示词、稳定引用、拒答行为和幻觉控制。

可靠性与产品就绪

规划优雅降级、延迟、成本、可观测性、安全、部署边界和试点准备。

课程大纲

通过一项项可衡量的工程决策，构建可靠的企业 RAG 问答机器人。

RAG Formation 是一套自主学习项目制课程，课程内容已全部完成。通过 16 节短课，你将从经过脱敏的企业语料库出发，把每次分析转化为具体的工程成果。

形式: 16 节短小、项目制课程
节奏: 自主学习；本页面不设置日历，也不追踪个人进度
学习环境: rag-formation
演示环境: demo

课程使命

为员工、QA 与合规团队、客户支持人员、供应商及审计人员构建一个技术原型。它应能基于引用来源回答 SOP 与政策问题，检索供应商问卷，并拒绝索引文档未覆盖的问题。聊天机器人是贯穿课程的实战案例；课程面向初学者，教授如何构建企业级 RAG 系统。

课程如何进行

只学习当前任务所需的概念。
使用经过脱敏处理的 Meridian Labs 演示语料库进行练习。
检查证据与评估结果。
将所得洞察应用于下一项工程决策。

推荐顺序

四个阶段在概念上层层递进，因此第一次学习时按 1 → 16 的顺序最容易理解。课程采用自主学习方式：你可以为了查阅资料、从中途继续，或提前探索感兴趣的主题而跳转到任意课程。

第一阶段 · 第 1–4 课

基础与衡量

追踪从问题到回答的完整流程，构建真值，并确立 MVP 基线。

第二阶段 · 第 5–8 课

检索工程

比较不同检索信号，并学习分块、元数据、过滤器、查询处理与重排序。

第三阶段 · 第 9–12 课

有据的回答生成

设计证据预算、仅依据证据回答的提示词、稳定引用、拒答行为与幻觉控制。

第四阶段 · 第 13–16 课

可靠性与产品就绪

规划优雅降级、延迟、成本、可观测性、安全、部署边界与试点准备。

完成标准

能够说明完整的 RAG 请求流程，并诊断检索环节与生成环节的故障。
能够运行并信任评估框架，分别报告质量指标与延迟指标。
能够解释分块、元数据、混合检索、上下文组装及提示词如何影响质量。
能够定义引用与拒答规范，并根据实测故障制定优先级明确的 MVP 待办事项。

16 节课程目录

16 节简短的项目制课程，每一步都会产出一个具体的工程成果。

01 · 基础与衡量

从员工提问到带引用的回答

第一份 RAG 质量模型与质量速查表。

用30 天学会构建可靠的 RAG 聊天机器人。

从第一次检索测试到试点检查清单的 30 天路径。

基础与衡量

检索工程

有依据的回答生成

可靠性与产品就绪

通过一项项可衡量的工程决策，构建可靠的企业 RAG 问答机器人。

基础与衡量

检索工程

有据的回答生成

可靠性与产品就绪

16 节课程目录

从员工提问到带引用的回答

沿着真实代码追踪一个问题

构建可信的评估集

确立 MVP 基线

语义搜索、关键词搜索与混合检索

分块与文档结构

元数据、过滤器与访问边界

查询处理与重排序

上下文组装与证据预算

仅依据证据回答的提示词

引用设计与来源忠实度

拒答、不确定性与幻觉控制

故障隔离与优雅降级

延迟、成本与可观测性

安全、权限与部署边界

试点评审与 30 天实施计划

16 节课程内容已完成。