商汤万象开发者

本文将介绍使用 LazyLLM 搭建最基础的 RAG 的流程。首先介绍使用 LazyLLM 搭建 RAG 系统的必要环境配置，然后简单回顾 RAG 的基本流程。

本文将首先介绍大模型的基础，包括定义、工作原理与挑战，逐步探讨其应用场景与局限性。接着将介绍 RAG 技术的崛起，分析其如何通过结合外部知识库来增强大模型的能力。

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～

大家好呀！这里是你们的课代表懒懒~不知不觉，我们已经来到课程的最后一节，为我们的坚持和努力点赞！ 通过之前的学习，我们已经学会了如何使用RAG增强大模型的能力。

如何保障数据安全、权限可控，满足企业内部复杂的管理要求？ 如何突破传统RAG的“单线程思维”，让多个智能体协同合作，共同完成复杂任务？

大家好呀！这里是你们的课代表懒懒~👋 今天懒懒要带大家回顾的是第15讲和第16讲的内容：从多文档总结到图表生成的论文问答系统打造！

“缓存搞定了、异步也安排了，RAG 终于跑得飞快……但它真的能看懂图了吗？” 🙋‍♀️ “PDF 里的图表，怎么总像谜语人？” 🙋‍♂️ “论文里密密麻麻的公式，是让人看，还是让人头疼？”

今天懒懒课代表要带大家回顾第11讲和第12讲的内容——如何让你的RAG系统跑得更快更稳！🚀 在前面的课程中，我们学习了通过多节点组、多路召回等策略提升RAG系统的召回效果。

围绕医学这个专业领域，一步步搭建出一个集众多本领于一身的小型智能AI医学问答系统。涉及多路召回多模态RAG、多模态问答、Chat-BI、Agent、LLM微调、多模态模型微调等等。