AI 开发 教程
系统化的 AI 开发学习路径。从提示词工程到模型微调，从 RAG 到 Agent 开发，覆盖 AI 应用开发全栈知识。共 98 篇教程，6 个分类，入门到高级全覆盖。
找到 14 篇教程
DeepSeek RAG 检索增强教程
基于 DeepSeek 构建 RAG 系统的完整教程：文档加载、文本分割、向量检索、重排序、多轮对话集成。含 LangChain、LlamaIndex 实战代码和企业级 RAG 架构设计。
阅读教程 →向量数据库选型实战
向量数据库是RAG系统的核心基础设施，但面对Milvus、Pinecone、Weaviate、Qdrant、Chroma等众多选择，如何做出最优选型决策？本文从性能、成本、易用性、扩展性等维度全面对比，结合真实业务场景给出选型建议。
阅读教程 →文档分块策略深度优化
文档分块（Chunking）是RAG系统中最容易被低估的关键环节。分块策略的优劣直接影响检索质量和最终回答的准确性。本文深入剖析固定大小分块、语义分块、递归分块、句子级分块等策略，帮你找到最优方案。
阅读教程 →多模态 RAG 入门指南
传统的RAG只能处理文本，但现实世界的数据远不止文字。多模态RAG将图像、表格、音频等非文本数据纳入检索增强的范畴，让AI能够理解更丰富的信息形态。本文带你从零开始理解多模态RAG的设计理念和实现路径。
阅读教程 →RAG 评估与质量度量体系
没有度量就没有改进。RAG系统的质量评估涉及检索质量、生成质量和端到端质量三个层面。本文系统讲解Recall@k、MRR、Faithfulness、RAGAS等核心评估指标和框架，帮你建立科学的RAG质量度量体系。
阅读教程 →Agentic RAG：让 AI 自主检索
传统RAG是被动的——用户问什么，系统检索什么。Agentic RAG让AI拥有自主决策能力，能够主动判断是否需要检索、检索什么、如何整合多次检索结果。本文深入解析Agentic RAG的架构设计和实现路径。
阅读教程 →图谱增强 RAG (GraphRAG) 实战
传统RAG只检索文本片段，GraphRAG在此基础上引入知识图谱，实现多跳推理和关系感知的检索。本文从零讲解GraphRAG的构建与实战。
阅读教程 →多语言 RAG 系统设计
构建支持中英日韩等多语言的RAG系统面临独特的挑战。本文讲解多语言Embedding、跨语言检索、翻译策略和性能优化的完整方案。
阅读教程 →RAG 缓存与性能优化
RAG系统的性能瓶颈往往不在模型而在检索。本文讲解多层次缓存策略、Redis加速、语义缓存和批量优化技术，让你的RAG系统响应速度提升10倍。
阅读教程 →大模型幻觉问题：根因分析与缓解策略
幻觉是大模型应用中最令人头疼的问题之一。本文深入分析幻觉的产生原因，并提供 RAG、事实核查、不确定性量化等系统化的缓解策略，帮助构建更可靠的 AI 应用。
阅读教程 →从零构建企业级 AI 知识库系统
企业知识库是 AI 落地的最佳切入点。本文从需求分析到系统部署，完整讲解如何构建一个支持多格式文档、权限管理、持续更新的企业级 AI 知识库系统。
阅读教程 →高级RAG：多跳检索与自查询
基础RAG无法处理需要跨文档推理的复杂问题。本文深入讲解多跳检索、自查询检索和上下文压缩等高级RAG技术，帮助你将RAG系统提升到生产级水平。
阅读教程 →向量数据库选型：Chroma vs Pinecone vs Milvus
向量数据库是RAG系统的核心组件。本文从性能、易用性、成本和扩展性四个维度，对比Chroma、Pinecone和Milvus三大主流向量数据库，帮助你做出正确的选型决策。
阅读教程 →RAG从入门到生产：完整技术栈
RAG（检索增强生成）是当前AI应用开发的核心范式。本文从零开始，系统讲解RAG的原理、架构和技术栈，带你从概念理解到构建一个可用的RAG应用。
阅读教程 →