课程总览DAY 04

预计 170 分钟 · 软顺序学习

RAG 架构、优化与幻觉控制

未开始

能画出完整 RAG 流程，解释检索质量、rerank、引用和无答案处理如何共同降低幻觉。

必看资料0/4
知识小测0/5
AI 作业待提交

01 / 学习

先建立正确的判断框架

0/4 已完成

逐项打开资料并在看完后打卡。选看不影响本日通过，但适合在有余量时补充。

01
Build a RAG agent with LangChain LangChain Docs
02
Introduction to RAG LlamaIndex
03
RAG overview Microsoft Learn
04
Rerankers and Two-Stage Retrieval Pinecone
选看资料 · 不影响通过条件
01
Retrieval-Augmented Generation DeepLearning.AI
02
Building and Evaluating Advanced RAG DeepLearning.AI
03
RAG Engine overview Google Cloud

02 / 产出

写下可以被检查的答案

需 ≥ 70 分

当天任务

## Day 4 学习作业

用 Mermaid、ASCII 或清晰的步骤图画出你的 RAG 流程：
用户问题 → Query rewrite → Embedding → Vector DB / Hybrid Search → Top-k → Rerank → Context assembly → LLM answer → Citation / no-answer → Evaluation logs

然后写一个 RAG 专用 Prompt，要求：
1. 只根据检索资料回答
2. 缺资料时明确说无法确定
3. 关键结论标注来源
4. 资料冲突时指出冲突

最后列出至少 3 个仍可能导致错误答案的环节及对应缓解措施。
验收标准

能说明 RAG 是回答前检索外部知识并交给模型，不是让模型记住知识；它降低但不能消除幻觉。

0/12000

03 / 考核

五题概念检查

通过线 4/5

答完后立即查看解释。可以不限次数重做，系统保留最高分。

  1. 01RAG 的核心动作发生在什么时候？

  2. 02rerank 的作用是？

  3. 03RAG 应如何处理资料中没有答案的问题？

  4. 04引用来源主要帮助什么？

  5. 05哪项不能被 RAG 自动彻底解决？

本日完成定义

完成资料、通过小测、拿到 70 分以上作业评分。

不需要一次完成。进度与草稿会留在此浏览器，之后可从设置页导出备份。