AI 产品、后端工程师
从零搭建 RAG 知识库
用检索增强生成技术,让 AI 能基于私有文档回答问题。
8
词条
3
工具
3
Prompt
理解 Embedding 和向量检索选择向量数据库设计 Chunking 策略
完整度 20
进入专题把词条、工具和 Prompt 编成能走完的学习路线
围绕一个明确任务,把概念、工具和 Prompt 串成可落地的方案。
用检索增强生成技术,让 AI 能基于私有文档回答问题。
从角色、任务、格式、示例到参数,搭一套稳定可复用的提示词框架。
不从头训练模型,也能用少量数据做出更贴合业务风格的模型。
让 LLM 从回答问题进化到执行任务:规划、调用工具、观察结果、自我纠错。
从需求拆解、代码生成到测试补全,让 AI 成为每个开发阶段的高效搭档。
按岗位组织必要知识,减少无关概念,先补齐工作所需的判断力。
把多个技术路线或模型放在同一张决策桌上,看差异、边界和代价。
自研还是采购?RAG 还是微调?开源还是闭源?先把判断问题问对。
从实际任务出发,对比闭源模型的能力边界、风格差异和适用场景。
围绕中文、代码、推理、部署成本,建立开源基座模型选型原则。
面向内容和办公流程,把 AI 使用动作沉淀成可复用模板。
不学复杂原理,先把写文案、做图、剪视频、复盘这条链路跑顺。
从选题策划到多平台分发,用 AI 把内容生产效率提升 5 倍。覆盖文案写作、图像生成和视频制作全流程。
把 AI 融入日常办公:自动写周报、整会议纪要、分析表格、草拟邮件,把重复劳动交给 AI。