rk0685-mksz920-RAG全栈技术从基础到精通 ，打造高精准AI应用【VIP】
注意：资料密码未知——/RAG全栈技术从基础到精通 ，打造高精准AI应用/
├──00.资料
|| └──00.资料.zip122.89M
├──第10章 基于知识图谱【金融智库】：从RAG到Graph RAG，让企业知识图谱更智能
| ├──10-1 本章介绍_ev.mp44.17M
| ├──10-2 认识金融智库知识图谱数据：特别的知识三元组_ev.mp424.00M
| ├──10-3 如何存储和操作知识图谱：neo4j和nebulagraph_ev.mp429.23M
| ├──10-4 实战：动手构建金融智库知识图谱-1_ev.mp438.12M
| ├──10-5 实战：动手构建金融智库知识图谱-2_ev.mp445.11M
| ├──10-6 RAG和Graph RAG有什么区别：如何构建Graph RAG_ev.mp429.71M
| ├──10-7 实战：利用Graph RAG构建金融智库知识库应用_ev.mp464.07M
| └──10-8 总结和展望：如何自我学习，跟进前沿技术_ev.mp415.19M
├──第11章 基于知识图谱【金融智库】：从RAG到agenticRAG，实现自动切换不同信息源
| ├──11-1 本章介绍_ev.mp41.99M
| ├──11-2 大模型的手脚：AI智能体Agent_ev.mp422.88M
| ├──11-3 推理和行动并行：ReAct框架_ev.mp48.67M
| ├──11-4 基于Agent的多文档RAG Router_ev.mp44.10M
| ├──11-5 实战：利用ReAc Agent实现 RAG Router_ev.mp437.76M
| └──11-6 本章总结_ev.mp42.11M
├──第12章 【RAG扩展】企业员工助手-接口和界面开发
| ├──12-1 本章介绍_ev.mp41.84M
| ├──12-2 演示界面神器：gradio介绍_ev.mp418.45M
| ├──12-3 实战：gradio整合两大RAG项目（1）_ev.mp431.49M
| └──12-4 实战：gradio整合两大RAG项目（2）_ev.mp446.01M
├──第13章 【RAG进阶】企业员工助手-项目进阶：RAG微调
| └──13-1 本章介绍_ev.mp42.31M
├──第14章 企业员工助手-总结和展望
| ├──14-1 -1 项目总结和展望：课程回顾与总结_ev.mp420.59M
| └──14-2 -2 项目总结和展望：课程总结与AI岗位面试技巧_ev.mp421.58M
├──第1章 课程学习必知——助你顺利学习以及避坑
| └──1-1 全面了解课程，让你少走弯路，必看！！！_ev.mp426.88M
├──第2章 掌握未来AI趋势：RAG引领大语言模型新纪元
| ├──2-1 本章简介_ev.mp41.26M
| ├──2-2 满足企业精准需求：RAG如何填补大语言模型短板_ev.mp45.16M
| ├──2-3 解锁RAG三大核心_ev.mp42.39M
| ├──2-4 深入思考 long context加持的大模型企业还需要RAG_ev.mp410.51M
| ├──2-5 RAG技术栈：从【合格】到【优秀】的跨越_ev.mp44.55M
| ├──2-6 本课程案例分析与说明_ev.mp43.85M
| ├──2-7运行和开发环境搭建.pdf2.13M
| └──2-8课程机器配置要求说明.pdf77.38kb
├──第3章 【企业级专业选型】RAG核心一：挑选符合企业的【优秀】大语言基石模型
| ├──3-1 本章简介_ev.mp42.43M
| ├──3-10 【文档】如何通过ollama部署本地大模型-deepseek-r1.pdf1.23M
| ├──3-11 实战：使用大语言模型（本地和API、GPU和CPU）-1_ev.mp437.03M
| ├──3-12 实战：使用大语言模型（本地和API、GPU和CPU）-2_ev.mp438.42M
| ├──3-2 大模型入门：核心要点和技术演变（token、transformer、训练）_ev.mp433.47M
| ├──3-3 国内外大模型产品必知必会_ev.mp46.50M
| ├──3-4 没有GPU如何调用大模型-大模型调用的三种方式_ev.mp415.08M
| ├──3-5 火眼金星：如何分辨大模型的好坏_ev.mp410.36M
| ├──3-6 RAG应用：挑选大模型的四大步骤_ev.mp44.11M
| ├──3-7 总结和展望：不同项目角色需要对AI大模型了解程度的差异性分析_ev.mp417.12M
| ├──3-8 【文档】大语言模型如何下载.pdf1.24M
| └──3-9 【文档】星火大模型API使用.pdf716.92kb
├──第4章 【企业级专业选型】RAG核心二：挑选合适RAG的向量Embedding模型
| ├──4-1 本章介绍_ev.mp41.04M
| ├──4-2 embedding模型的重要性_ev.mp45.44M
| ├──4-3 embedding是怎么炼成的？_ev.mp48.66M
| ├──4-4 主流中文embedding模型_ev.mp414.40M
| ├──4-5 embedding模型排行榜靠谱不靠谱，如何选择_ev.mp46.88M
| ├──4-6 【文档】embedding模型下载.pdf118.72kb
| ├──4-7 实战：embedding模型加载和使用对比_ev.mp444.48M
| └──4-8 本章总结_ev.mp42.01M
├──第5章 【企业级专业选型】RAG核心三：企业级的向量数据库选型和高效使用
| ├──5-1 本章介绍_ev.mp41.57M
| ├──5-2 全方位对比：主流向量数据库_ev.mp421.00M
| ├──5-3 企业级向量数据库的要求_ev.mp42.92M
| ├──5-4 向量数据库相似性搜索_ev.mp44.06M
| ├──5-5 性能为王：探索向量数据索引优化技术_ev.mp429.41M
| ├──5-6 实战：部署和使用企业级向量数据库（chroma和milvus）-1_ev.mp432.28M
| ├──5-7 实战：部署和使用企业级向量数据库（chroma和milvus）-2_ev.mp429.99M
| └──5-8 总结和展望：企业级应用的高可用性_ev.mp43.77M
├──第6章 【企业员工智能问答助手-实现V1.0版】高效处理企业复杂业务数据
| ├──6-1 本章介绍_ev.mp41.41M
| ├──6-2 复杂：企业数据复杂多样_ev.mp47.15M
| ├──6-3 原则：垃圾进垃圾出，注重文档质量_ev.mp46.51M
| ├──6-4 挑战：RAG如何读取多样性文档（文本、表格和布局分析）_ev.mp415.29M
| ├──6-5 文档分块：递归文本分块和语义智能分块_ev.mp421.75M
| ├──6-6 实战：实现制度问答模块数据读取和切割_ev.mp4100.41M
| └──6-7 本章总结_ev.mp41.91M
├──第7章 【企业员工智能问答助手-实现V1.0版】搭建制度问答baseline RAG
| ├──7-1 本章介绍_ev.mp41.79M
| ├──7-2 【企业员工制度问答助手】需求分析_ev.mp44.86M
| ├──7-3 项目技术选型_ev.mp42.20M
| ├──7-4 项目架构设计_ev.mp43.90M
| ├──7-5 实战：实现制度问答模块RAG baseline_ev.mp455.87M
| └──7-6 总结和展望：转变思想，AI应用开发和传统软件开发的区别_ev.mp46.90M
├──第8章 【企业员工智能问答助手-评估V1.0版】有效评估RAG是提升的关键
| ├──8-1 本章介绍_ev.mp41.23M
| ├──8-2 RAG迭代的关键：评估_ev.mp46.53M
| ├──8-3 RAG评估的三大步骤_ev.mp41.48M
| ├──8-4 RAG评价神器：Ragas框架_ev.mp436.16M
| ├──8-5 实战：用Ragas评估制度问答模块的性能_ev.mp414.18M
| └──8-6 本章总结_ev.mp43.89M
└──第9章 【企业员工智能问答助手-实现V2.0版】提升RAG的【14种】检索增强技能
| ├──9-1 本章介绍_ev.mp41.94M
| ├──9-10 总结和展望：关于企业里需要良好的代码规范和代码管理_ev.mp434.88M
| ├──9-11 实战：用检索增强技术提升制度问答模块性能-查询增强-1_ev.mp443.41M
| ├──9-12 实战：用检索增强技术提升制度问答模块性能-查询增强-2_ev.mp473.72M
| ├──9-13 实战：用检索增强技术提升制度问答模块性能-多索引增强_ev.mp453.58M
| ├──9-14 实战：用检索增强技术提升制度问答模块性能-融合检索_ev.mp417.33M
| ├──9-15 【文档】重排rerank模型如何下载.pdf42.79kb
| ├──9-16 实战：用检索增强技术提升制度问答模块性能-rerank重排_ev.mp422.49M
| ├──9-17 实战：用检索增强技术提升制度问答模块性能-迭代检索增强生成_ev.mp418.39M
| ├──9-18 实战：用检索增强技术提升制度问答模块性能-self-RAG-1_ev.mp438.98M
| ├──9-19 实战：用检索增强技术提升制度问答模块性能-self-RAG-2_ev.mp448.83M
| ├──9-2 一图剖析RAG进化之路：探索优化点_ev.mp45.02M
| ├──9-3 检索的两大形态：稀疏 vs 稠密_ev.mp415.28M
| ├──9-4 查询增强：增加相关内容-Query2doc+ HyDE+子问题查询+问题改写+Task Step Back_ev.mp436.68M
| ├──9-5 多索引增强：从不同维度构建索引，强化相关内容_ev.mp415.67M
| ├──9-6 检索后增强：融合检索，三个臭皮匠顶一个诸葛亮_ev.mp413.13M
| ├──9-7 检索后增强：重排序技术(Re-rank)_ev.mp48.69M
| ├──9-8 系统性增强：迭代检索增强生成，从上一迭代收获信息_ev.mp413.56M
| └──9-9 RAG新范式：自我评估增强Self-RAG_ev.mp417.30M
rk0685-mksz920-RAG全栈技术从基础到精通 ，打造高精准AI应用【VIP】 强烈支持楼主ing…… rk0685-mksz920-RAG全栈技术从基础到精通 ，打造高精准AI应用【VIP】 非常好vip 111111111111111111111111 :D 谢谢分享 1111111111111 大模型的手脚：AI智能体Agent_ev.mp422.88M
| ├──11-3 推理和行动并行：ReAct框架_ev.mp48.67M