郑恩赐

我们将学习混合检索技术的核心原理和实践方法，掌握稀疏检索与稠密检索的融合策略，了解RRF等结果融合算法，为RAG系统构建兼顾精确匹配和语义理解的高效检索能力 🎯。

我们将学习稀疏检索技术的核心原理和实践方法，掌握TF-IDF和BM25等经典算法，了解稀疏检索的适用场景和局限性，为RAG系统构建高效的关键词检索能力。

我们将学习稠密检索技术的核心原理和实践方法，掌握向量相似度计算、近似最近邻搜索算法和向量索引技术，构建高效的语义检索系统，为RAG应用提供准确的检索能力。

我们将学习向量数据库的核心概念、主流产品对比、索引技术以及实践构建方法，掌握如何选择和优化向量数据库以支持RAG系统的语义检索需求。

通过前5篇文档的学习，我们已经完成了RAG流水线的数据准备阶段。现在我们需要将这些文本片段转换为计算机能理解的数学表示。本文档将学习Embedding向量化技术，包括模型原理、主流模型对比、向量...

本文档讲解文本分块策略——将长文本切分成适合检索的小片段。涵盖固定大小、递归、语义、结构四种分块方法，助你根据场景选择最优方案，提升RAG检索质量。

本文档系统讲解智能文档解析技术——从传统规则到深度学习，涵盖版面分析、表格提取、复杂版式处理与多模态理解，助你掌握从PDF/图片到结构化数据的完整技术栈。

本文档将指导我们完成 LayoutParser 的安装配置。LayoutParser 是一个功能强大的文档布局分析工具包，支持多种深度学习后端，但我们需要根据实际需求选择合适的安装方式，避免安装...

本文系统讲解 RAG 数据预处理全流程，涵盖文档加载解析、清洗规范化、文本分块、向量化处理、索引构建及流水线优化等核心技术，助你构建高质量知识库。