RAG系统检索总是不准？从原理到LangChain落地，Loader/向量库/检索调优/ChatDoc全拆解，比付费效果强百倍！零基础小白也能轻松上手！

Parts

1. P1 · 1、章节介绍
2. P2 · 2、RAG检索增强生成是什么？RAG原理？
3. P3 · 3、知识（数据）预处理：让文档变得AI友好
4. P4 · 4、 常见的Loader 加载器：PDF+多模态图文PDF
5. P5 · 5、 常见的Loader 加载器：解析网页+CVS+ Excel
6. P6 · 6、文档切分：为什么以及如何切
7. P7 · 7、文档切分：如何基于长度+文本+文档+语义进行切片_
8. P8 · 8、 向量艺术：嵌入模型_
9. P9 · 9、向量艺术：langChain的嵌入实现
10. P10 · 10、向量艺术：向量数据库基础
11. P11 · 11、 向量艺术：Langchain 的向量库实现
12. P12 · 12、 向量库实现：向量库的数据增加+删除+相似性搜索+ MMR+混合搜索
13. P13 · 13、向量艺术：检索器概念
14. P14 · 14、检索器在langChain中的实现（基本的检索器+语法搜索构建：BM25）
15. P15 · 15、查询重写：如何处理非结构化数据？
16. P16 · 16、 查询重构：如何处理结构化数据？
17. P17 · 17、 检索策略大比拼：找到合适你的方案
18. P18 · 18、检索调优：让RAG系统更快更准
19. P19 · 19、 检索器：调优—上下文压缩+排序+相似性分数
20. P20 · 20、 未来可期：RAG技术的进化之路
21. P21 · 21、 动一动：ChatDoc -- 又一个简单的文档检索小助手
22. P22 · 22、章节总结
23. P23 · 1、用LangChain快速接入模型实现对话生成
24. P24 · 2、实现上下文连贯对话与记忆功能
25. P25 · 3、使用RAG提升模型回答的准确性和相关性
26. P26 · 4、实战开发从模型接入到部署完整应用
27. P27 · 5、课堂总结