mksz920-RAG全栈技术从基础到精通，打造高精准AI应用

【资源介绍】

mksz920-RAG全栈技术从基础到精通 ，打造高精准AI应用 ├── 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.mp4 │ ├── 10-2 认识金融智库知识图谱数据：特别的知识三元组_ev.mp4 │ ├──

《RAG全栈技术从基础到精通，打造高精准AI应用》是一套面向AI应用开发者、企业技术团队和大模型工程实践者的系统化RAG实战课程。课程围绕“如何构建真正可落地、可评估、可优化的高精准AI应用”展开，从RAG基础认知、模型选型、向量数据库、企业知识库搭建，到Graph RAG、Agentic RAG、项目界面开发与性能评估，形成了一条完整的企业级AI应用开发学习路径。 课程前半部分重点帮助学员建立RAG技术全局认知。通过对大语言模型短板、企业知识问答需求、RAG三大核心要素的讲解，学员能够理解为什么在长上下文模型不断发展的背景下，企业仍然需要RAG。随后课程深入到大模型、Embedding模型和向量数据库三大关键选型环节，系统讲解本地模型部署、API调用、中文Embedding模型选择、Chroma与Milvus等向量数据库的使用方法，让学员具备独立搭建RAG底层能力的基础。 中段内容以“企业员工智能问答助手”为主线，带领学员完成从V1.0到V2.0的项目迭代。课程不仅讲文档读取、文本切分、表格处理、布局分析等企业数据处理难点，还会实战搭建制度问答Baseline RAG，并进一步引入Ragas评估框架，让学员理解RAG系统不能只看“能不能回答”，更要通过召回率、相关性、忠实度等维度持续优化。第9章集中讲解14种检索增强技能，包括Query2doc、HyDE、子问题查询、问题改写、多索引增强、融合检索、rerank重排、迭代检索和Self-RAG等，是提升RAG准确率和稳定性的核心模块。 课程后半部分进一步拓展到更高级的企业级应用场景。第10章通过金融智库案例，引入知识图谱、Neo4j、NebulaGraph和Graph RAG，帮助学员理解如何把结构化知识与向量检索结合起来，构建更智能、更可解释的知识系统。第11章则进入Agentic RAG方向，讲解AI智能体、ReAct框架、多文档RAG Router和自动切换信息源的实现方式，让RAG从“被动问答”升级为“主动判断、动态调用”的智能系统。第12章加入Gradio界面开发，帮助学员把后台能力包装成可演示、可交付的企业应用。 这套教程适合有一定Python基础、想系统掌握RAG工程落地的开发者，也适合AI产品经理、算法工程师、后端工程师和希望转型AI应用开发的技术人员学习。它的价值不只是讲概念，而是围绕企业真实需求，完整覆盖“模型选择—数据处理—知识库构建—检索增强—系统评估—图谱扩展—Agent融合—界面交付

【交付与反馈】

付款或会员解锁后查看网盘入口。发现链接或内容问题，请通过站内反馈提交资源名称。