使用 LangChain、RAG 和向量数据库构建上下文感知的 AI 应用
检索增强生成 (RAG) 解决了大语言模型的一个核心限制：它们无法访问您的私有数据或文档。本赛道教您如何结合 LangChain 的编排层、嵌入模型和向量数据库，使您的应用能在查询时检索正确的上下文并将其馈送给 LLM — 从而产生准确、有根据的答案，而不是幻觉。这些技能直接适用于内部文档聊天机器人、语义搜索引擎和生产级 AI 管道。
您将学到什么
您将从 LLM 和 RAG 如何在概念上工作开始，然后深入 LangChain 的核心抽象：chains、prompts 和 memory。之后您将学习文档加载、文本分块，以及将原始文本转换为存储在向量数据库中的向量的完整嵌入管道。您将构建并评估完整的 RAG 应用、定制 LangChain 组件，并解决检索系统特有的安全和伦理风险。高级模块涵盖混合和稠密检索策略、Pinecone、Weaviate 和 Chroma 等向量数据库的内部架构，以及生产级 RAG 系统涉及的运维问题 — 延迟、成本、监控。本赛道以代理式 RAG 模式收尾，其中检索器本身成为 LLM 可以动态调用的工具。
学习路径
十二门课程从 A1 到 C2 循序渐进。前两门课程 (A1–A2) 奠定基础：LLM 和 RAG 概念，然后是 LangChain 的构建块。B 级课程 (B1–B2) 涵盖文档处理、嵌入、向量数据库基础、完整的 RAG 构建与评估循环、组件定制和安全考虑。C1 课程进入高级检索技术和向量数据库架构的深入探讨，以生产级 RAG 系统结尾。两个 C2 顶石课程 — 代理式 RAG 和工具集成及高级 RAG 用例和未来趋势 — 涵盖多步骤代理工作流和应用 LLM 工程前沿的新兴模式。
工作原理
每门课程分为简短、专注的课时，您在内置代码编辑器中完成，并获得实时反馈。当您遇到困难时，可以获得 AI 导师的帮助，练习基于现实场景 — 加载真实文档、查询实时向量存储、调试检索管道 — 因此这些技能直接可转移到生产工作。