生成式 AI 与 RAG 工程 — 学习指南

一份图解式、与考试对齐的学习指南，针对构建基于 LLM 的接地应用：提示工程与解码控制、端到端 RAG 流程（加载、分块、嵌入、索引、检索、重排序、生成）、向量数据库与索引、混合检索与重排序、幻觉缓解与引用、RAG 评估（忠实度、相关性、RAGAS），以及带护栏的函数调用。包含图表、对比表格和示例。

Key facts

• Course price: $195 (one-time payment)
• Field: Artificial Intelligence & LLMs
• Prepares for: 生成式AI与RAG工程
• 5 modules · 17 lessons · about 4 hours of lessons
• Self-paced, online, illustrated lessons

Course outline

1. 提示与解码控制 — 在推理时引导LLM：零样本/少样本和思维链提示、系统提示，以及解码旋钮——温度、top-k、top-p。
   • 提示技巧：零样本、少样本、思维链
   • 系统提示与角色设计
   • 解码参数：Temperature、Top-k、Top-p
2. RAG流水线端到端 — 完整架构：离线摄取（加载、分块、嵌入、索引）和在线查询（嵌入、检索、重排序、生成），以及分块策略。
   • RAG 架构：摄取与查询
   • 文档加载与分块策略
   • 用于检索的嵌入
3. 向量数据库与检索 — 存储和搜索嵌入：HNSW和IVF索引、相似度度量，以及稠密、稀疏与混合检索及重排序。
   • 向量数据库与 ANN 索引（HNSW、IVF）
   • 相似性度量：余弦相似度与点积
   • 稠密、稀疏与混合检索及重排序
4. 接地、幻觉与评估 — 上下文窗口组装、幻觉原因与缓解、引用，以及使用忠实度、相关性和RAGAS衡量RAG质量。
   • 上下文窗口管理与提示组装
   • 幻觉：原因与缓解
   • 引用与基于上下文
   • 评估 RAG：忠实度、相关性、RAGAS
5. 工具、结构化输出、护栏与成本 — 函数/工具调用、结构化JSON输出、针对提示注入的护栏和安全，以及通过缓存控制延迟和成本。
   • 函数/工具调用
   • 结构化输出（JSON）
   • 护栏、安全与提示注入
   • 缓存与成本控制