适合谁
适合会写 Python、调用过 API 的开发者。你需要 Python 3，以及嵌入模型、Claude 和评委模型的 API 密钥，第 2 课和第 3 课还需要一台装了 pgvector 的 Postgres 服务器。
课程内容
- 1RAG 教程：一步步搭出检索增强生成管线写给开发者的 RAG 教程：切分文档，用 Voyage AI 做嵌入，按相似度检索，再让 Claude 带着引用来回答。
- 2什么是 embeddings（嵌入向量）：模型、维度与 pgvector什么是嵌入向量，怎样使用？挑选模型和维度，用余弦相似度比较向量，再把它们存进 Postgres。
- 3RAG 分块策略：块大小、重叠、上下文检索与混合搜索RAG 分块策略：选好块大小和重叠，按文档结构切分，给每个块补上上下文，再把 BM25 和向量检索结合起来。
- 4如何评估 RAG：检索指标、忠实度与小型测试集如何评估 RAG：做一个小型测试集，用上下文召回率和精确率衡量检索，用 Ragas 给答案的忠实度和相关性打分。
常见问题
这门 RAG 课程免费吗？
免费。每一课都可以免费阅读。跟着做时，你需要嵌入模型、Claude 和评委模型的 API 密钥，这些服务商可能会对使用收费。
学这门课需要 LangChain 或 LlamaIndex 吗？
不需要。第 1 课只用几行 NumPy 做检索，并直接调用模型。它借用了 LangChain 的文本切分器来分块，第 3 课和第 4 课则用到 LangChain 的切分器和 Ragas。
课程用的是哪种向量数据库？
是装了 pgvector 扩展的 Postgres。第 2 课讲它的距离运算符、HNSW 和 IVFFlat 索引、维度限制以及带过滤条件的查询，第 1 课则先把向量放在内存里。
课程跟的是哪个版本的工具？
跟的是 2026 年 11 月 5 日的官方文档，其中包括 pgvector 0.8.7、Voyage 4 系列模型，以及 PyPI 上最新的 Ragas 0.4.3。所依据的 Ragas 页面日期是 2025 年 12 月 9 日，所以请固定你安装的版本。
学完这门课，接下来学什么？
下一门是高级提示词工程课，它是“精通提示词”路径的第一门课。它的第一课教你用示例教模型，之后这条路径会讲推理模型和提示词优化。