RAG 实战学习路线

已有 LLM 应用基础，专攻 RAG 方向，建议 2-3 个月

阶段 1：基础理论（1 周）

必学

• RAG 面试题 - 系统学习 RAG 全流程
• Embedding - 向量检索基础

阶段 2：基础 RAG 搭建（2 周）

实战

做一个「PDF 文档问答」项目：

• 文档解析 - PDF/Word/Markdown
• 文本切分（chunk size、overlap）
• Embedding + 向量数据库
• 检索 + Prompt + 生成

技术栈建议：LangChain + Chroma + OpenAI

阶段 3：检索优化（2-3 周）

必学

• RAG 面试题 - 检索优化 - 各种检索策略
• 混合检索（BM25 + 向量）
• Rerank 重排序
• 元数据过滤

实战

优化阶段 2 的项目：

• 加入混合检索
• 加入 Rerank 提升 top-5 质量
• 加入元数据过滤（按章节/时间筛选）

阶段 4：评估体系（1 周）

必学

• Hit@K、MRR、Recall
• 答案支撑度评估
• LLM-as-a-Judge

实战

为阶段 3 的项目搭建评估 pipeline：

• 准备 50+ 测试问题
• 对比不同检索策略的指标

阶段 5：进阶方向（按兴趣选）

方向 A：Advanced RAG

• Query Rewrite、HyDE
• GraphRAG、Agentic RAG

方向 B：生产化

• AI 工作流 - 工作流编排
• 工作流编排 - 复杂 RAG Pipeline

方向 C：多模态

• 多模态基础 - 图像/音频 RAG

推荐项目作品

完成路线后，简历上至少要有：

1. 基础 RAG 问答系统 - 完整可运行
2. 生产级 RAG 服务 - 有评估、有监控
3. 开源贡献 - 给 LangChain/LlamaIndex 提 PR

求职目标

• RAG 算法工程师
• AI 搜索工程师
• 知识库平台工程师