（1）RAG技术概述与核心价值：了解RAG（检索增强生成）的定义、发展历程及其在解决大模型幻觉、知识时效性、领域适配等核心问题中的关键作用。掌握RAG的"检索-增强-生成"三阶段架构，对比RAG与模型微调（Fine-tuning）的技术特点与适用场景。学习RAG在企业知识管理、智能客服、金融投研、医疗问诊等领域的典型应用案例。
（2）开发环境搭建与工具链：掌握Python开发环境的配置，安装LangChain、LlamaIndex等主流RAG框架。学习向量数据库的选型与部署，包括FAISS、Chroma、Milvus、Qdrant等常见方案的特点与适用场景。熟悉嵌入模型（Embedding Models）的调用与本地部署，配置OpenAI、智谱、DeepSeek等大模型API接口。
（3）文档处理与分块策略：掌握企业级知识库构建的第一步：多格式文档解析。学习处理PDF、Word、Excel、PPT、TXT、Markdown等常见文件格式的解析方法。深入理解文本分块（Chunking）的核心技术与优化策略：固定大小分块、递归分块、语义分块、基于文档结构的分块。通过实战对比不同分块策略对检索效果的影响，掌握分块大小、重叠窗口等参数的调优方法。
（4）向量化与嵌入模型：理解嵌入（Embedding）的核心概念及其在语义检索中的作用。学习主流嵌入模型的特点与选型，包括OpenAI的text-embedding系列、智谱的Embedding、BGE系列。掌握嵌入模型的本地部署与调用方法，实现文档的批量向量化处理。学习向量相似度计算原理（余弦相似度、欧氏距离、点积）及其适用场景。
（5）向量数据库与索引构建：掌握向量数据库的核心概念与操作。学习创建向量索引、批量插入向量数据、元数据过滤等高级功能。理解ANN（近似最近邻）检索算法的原理与选型，包括HNSW、IVF等索引类型的性能对比。实现知识库的增量更新与版本管理，确保知识库的时效性与一致性。
（6）检索优化与混合搜索：深入理解检索质量对RAG系统效果的关键影响。学习混合检索策略：结合关键字搜索（BM25）与语义向量的混合架构，兼顾精确匹配与语义理解。掌握重排序（Re-ranking）技术的原理与应用，使用Cross-Encoder模型对检索结果进行二次筛选，提升top-k结果的准确性。学习多路召回策略，融合不同检索方式的结果。
（7）提示词工程与上下文增强：掌握将检索结果有效融入提示词的工程技巧。学习上下文窗口管理策略，处理长文档时的信息压缩与关键信息提取。设计高效的RAG提示词模板，明确角色定位、任务描述、知识来源格式和输出约束。实现多轮对话中的上下文保持与知识库迭代检索。
（8）RAG系统评估与优化：掌握RAG系统的多维度评估指标体系。学习检索质量评估：召回率、精确率、MRR、NDCG等指标的计算与分析。学习生成质量评估：答案相关性、忠实度（Faithfulness）、完整性、幻觉程度的自动化评估方法。了解RAG评估框架（RAGAS、TruLens）的使用，通过系统化评估发现系统瓶颈并持续优化。
（9）智能体与工具调用集成：学习将RAG知识库作为智能体（Agent）的工具进行集成。掌握基于ReAct框架的智能体设计，实现知识检索与外部工具（数据库查询、API调用、代码执行）的协同工作。使用LangChain/LangGraph构建具备自主决策能力的知识问答智能体。实践多轮复杂问答场景下的推理与检索融合。
（10）GraphRAG与知识图谱融合：了解传统RAG在理解实体关系、全局性问题上的局限性。学习GraphRAG的设计框架与核心原理，将知识图谱引入RAG系统，增强对实体间关系的理解能力。掌握微软GraphRAG工具的基本使用方法。对比向量RAG与GraphRAG在不同场景下的性能差异与适用选择。
（11）多模态RAG与前沿拓展：了解多模态RAG的技术架构与应用场景。学习图文混合检索的实现方法，将图像、表格、图表等非文本内容纳入知识库检索范围。掌握多模态嵌入模型（CLIP）的基本原理与应用。了解RAG系统的缓存策略、流式响应、权限控制等生产级优化技术。
（12）综合项目实战：结合所学知识，完成一个完整的企业级知识库问答系统项目（如内部文档智能问答、产品技术文档检索助手、行业研报问答平台）。涵盖需求分析、数据采集与处理、向量库构建、检索优化、提示词设计、系统集成、性能评估与部署上线的全流程，形成规范的RAG应用项目报告。
