这是一个新系列！
各位懒懒猫，之前的 RAG 课程是否意犹未尽？我带着新系列来啦！
为了帮助你快速上手和深入了解 LazyLLM 的各项功能，本喵贴心的为你准备了从理论到实践，从基础到进阶的详细教程～跟着本喵学，偷偷站在技术链顶端！
关于 LazyLLM
咱们认识这么长时间了，别告诉我你还不了解 LazyLLM~ 让我们一起再为新朋友介绍一下咱们的小明星叭！
LazyLLM 是构建和优化多 Agent 应用的一站式开发工具，为基于 LLM 的应用开发过程中全部环节 (包括应用搭建、数据准备、模型部署、模型微调、评测等) 提供了完整解决方案。
灵活的算法策略配置及统一的接口调用体验，协助开发者以极低成本构建 AI 应用，落地端到端产品，持续优化产品效果。
四大核心亮点
- 灵活性高
自由编排 RAG 召回策略和 Agent 执行算法，助力开发者像搭乐高玩具一样轻松组件个性化应用。
2. 产品落地快
利用自定义的轻量网关机制，帮助用户将单个 demo 快速转化为可用产品。
3. 普适性强
统一市面诸多大模型调用接口，基模型自由切换，为用户提供一致的使用体验。
4. 直观简洁
精细化模块设计，符合直觉的代码风格帮你集中精力，打造爆款产品。
————————————
介绍完 LazyLLM 的基本概念和亮点，我们正式进入正题👇
新系列会有哪些内容？
这些内容能教会你什么呢？
学会之后我跟大佬的距离还有多少呀？
......
一起看看课表👇
- 《RAG 原理解读：让检索增强生成不再是黑盒》
👉透彻讲解 RAG（Retrieval-Augmented Generation）的原理与结构。
🗝️你将学到：
- 大模型的基本概念；
- 从大模型到 RAG；
- RAG 的基本概念。
- 《10 分钟上手一个最小可用 RAG 系统》
👉零基础快速构建最小可运行的 RAG 系统。
🗝️你将学到：
- 必要环境配置；
- RAG 原理回顾和知识库构建；
- 基础 RAG 的实现。
- 《大模型怎么玩：用 LazyLLM 带你理解调用逻辑与 Prompt 魔法》
👉深入理解大模型的调用过程与 Prompt 的组织方式。
🗝️你将学到：
- LazyLLM 中的数据流使用；
- 如何使用在线和本地的大模型，并为它们设置上 Prompt；
- 重构基础 RAG 实战。
- 《RAG 项目工程化入门：从脚本走向模块化与可维护性》
👉教你如何将 RAG 项目逐步工程化，提升可维护性。
🗝️你将学到：
- Git 版本管理、代码规范检查、单元测试、CI/CD、文档管理，以及打包发布等关键环节。
- 《打造专属 Reader 组件：轻松解析 HTML、PDF 等复杂文档格式》
👉自定义文档解析器，实现对多种文档格式的支持。
🗝️你将学到：
- LazyLLM 使用自定义 Reader 的方法；
- 基于 Reader 搭建一个简单的 RAG 应用。
- 《检索更准：RAG 召回效果优化的底层逻辑与技巧》
👉学习影响召回效果的核心要素与优化策略。
🗝️你将学到：
- RAG 效果评测；
- 提升 RAG 系统的召回率；
- 多路召回 RAG。
- 《检索升级实践：亲手打造 “更聪明” 的文档理解系统！》
👉实战提升系统对复杂文档的理解能力。
🗝️你将学到：
- 如何评价 RAG 的检索组件；
- 提升 RAG 系统检索组件效果的策略实现以及对应效果对比；
- 如何利用 LazyLLM 优化 RAG 召回率。
- 《不止是 cosine！匹配策略决定你召回的质量》
👉多种向量匹配策略的对比与应用分析。
🗝️你将学到：
- 为什么要自定义 Similarity；
- 如何自定义 Similarity；
- 使用自定义 Similarity 搭建 RAG 应用。
- 《微调实践：让大模型和向量模型更懂你的领域》
👉基于私有领域数据对 Embedding 与 LLM 进行微调。
🗝️你将学到：
- 大模型在 RAG 系统中的作用；
- 微调提升大模型能力；
- LoRA 微调的原理和方法；
- 基于 LazyLLM 对大模型进行微调；
- 基于 LazyLLM 对 Embedding 模型进行微调。
- 《探索 Deepseek：打造思维能力更强的 RAG 系统》
👉集成 DeepSeek 等强模型提升多步推理能力。
🗝️你将学到：
- DeepSeek 介绍和优势；
- DeepSeek-R1 部署使用和蒸馏实战。
- 《性能优化指南：从冷启动到响应加速你的 RAG》
👉全方位介绍 RAG 系统的启动与响应性能优化技巧。
🗝️你将学到：
- RAG 的性能瓶颈分析；
- 持久化存储；
- 高效索引构建及向量检索算法；
- 优化模型推理性能的方法。
- 《实践：用缓存、异步与向量引擎加速你的 RAG》
👉手把手教你使用缓存、异步处理、引擎插件等方式提速。
🗝️你将学到：
- 如何使用 LazyLLM 实现知识库的持久化存储；
- 如何使用 LazyLLM 创建并使用自定义索引进行检索；
- 高性能向量数据库 Milvus 的基础使用方法；
- 在 LazyLLM 中使用 vLLM 框架实现模型推理加速以及使用量化模型降低硬件要求。
- 《RAG + 多模态：图片、表格通吃的问答系统》
👉构建支持图文混合理解的多模态 RAG 系统。
🗝️你将学到：
- 多模态模型；
- 多模态 RAG；
- 基于 PDF 文档的多模态 RAG；
- 多模态内容向量化效果优化技巧。
- 《实战：构建一个支持复杂学术论文问答的 RAG 系统》
👉面向论文场景，搭建具备上下文、结构感知能力的系统。
🗝️你将学到：
- 传统 RAG 的论文系统；
- 朴素多模态 RAG 的论文系统；
- 论文系统的效果优化。
- 《大视角问答：RAG 如何支持跨文档、跨维度总结》
👉实现多文档总结与维度整合型问答。
🗝️你将学到：
- 传统 RAG 在统计问题中的缺陷；
- RAG 解决统计问题基本思路；
- 核心模块原理及实现思路；
- 统计分析能力增强。
- 《实践：打造具备宏观问答与图表生成功能的论文问答的 RAG 系统》
👉加入宏观总结与图表生成，提升问答系统交互质量。
🗝️你将学到：
- 依赖模块详解；
- 构建支持统计分析的论文问答系统；
- RAG 论文系统综合多模态方案。
- 《企业级 RAG：权限、共享与内容安全的全链路方案》
👉企业内部部署场景下的权限管理与安全设计实战。
🗝️你将学到：
- 企业级知识库的多样性需求；
- 权限多样性以及解决方案；
- 共享方式多样性以及解决方案；
- 对话管理以及解决方案；
- 安全需求以及解决方案；
- 企业级 RAG 的总体实现思路。
- 《高阶 RAG：Agentic RAG》
👉探索 Agent + RAG 的融合方式，增强任务执行能力。
🗝️你将学到：
- Agentic RAG 基本介绍和核心优势；
- Agentic RAG 搭建实现；
- 多模态 Agentic RAG 论文系统。
- 《RAG × 知识图谱：从关系结构中召回更准确的内容》
👉打通结构化知识图谱与生成式问答系统的协同路径。
🗝️你将学到：
- 知识图谱：让机器理解世界的 “知识网络”；
- 从文档中构建知识图谱；
- 从搜索到问答：知识图谱如何升级搜索引擎；
- RAG 系统的 “智能外挂”：知识图谱如何赋能 RAG。
接下来的日子，本喵将按照课表顺序进行超有深度的主题讲解， 敬请期待！
更多技术内容请移步 “LazyLLM” GZH!
