描述
课程介绍
RAG 技术在自然语言处理领域有着极高的应用价值，它结合了检索和生成，为 AI 提供了更丰富的上下文信息和更准确的输出结果。不仅能够提升问答系统的准确度，还能够增强聊天机器人的交互体验，提高文本摘要的质量。但 RAG 是一个很精细的系统，系统的每个组件都存在着许多优化的策略，如问题改写、索引优化等，都需要我们深入学习。
传统的 RAG 是非结构化的，将文档切分成若干个文本块，从而缺失了文本内部的细粒度信息（如实体、实体关系信息）、文本块之间的语义关联（如相似关系、父子关系等）。因此，后续趋势会考虑将这种关联性的知识图谱融入到 RAG，进一步演进为 KG-RAG（或者叫做 GraphRAG），这不仅极大地扩展了模型的知识来源，还提高了对复杂查询的处理能力。
可以说，熟悉基本的 RAG 流程、优化策略，以及当前 KG-RAG 的具体实现思路，是很有必要以及有意义的事情。
为了帮助对于初学者快速入门并掌握这项技术，我们邀请到了老刘，为 RAG 初学者提供一个全面的技术学习路径。
课程设计
第一章：从 LangChain 框架的介绍开始，深入探讨 RAG 技术的基础和优化策略。
第二章：你将了解为什么我们需要将知识图谱（KG）与 RAG 技术结合，并掌握常见的实现思路。
第三章：深入分析 GraphRAG 的代表方案，包括微软的 GraphRAG 方案，以及其他创新的 KG-RAG 实现，如 HiQA、Linkedin KG-RAG、UniQA-Text2cypher、HippoRAG 和 GRAG。你将看到 KG-RAG 的强大潜力，以及丰富的实战案例。
通过本课程的学习，你不仅能够理解 RAG 技术的原理，还能够掌握将这一技术应用到实际项目中的思路，开启你的知识驱动 AI 之旅。
课程目录
适合人群
对人工智能、RAG（检索增强生成）技术感兴趣的技术同学。
订阅须知
- 订阅成功后，推荐通过“极客时间”App 端、Web 端学习。
- 本专栏为虚拟商品，交付形式为视频，一经订阅，概不退款。
