写在前面
学了RAG基础和调优，那真实的企业RAG项目长什么样？本课拆解了一个大赛冠军项目，让你看到企业级RAG的真实复杂度。
企业RAG项目架构
| 模块 | 功能 | 技术方案 | 难度 |
| 文档解析 | 处理PDF/Word中的表格、图片 | MinerU + 自定义解析器 | ★★★★ |
| 表格序列化 | 把表格转成可检索的文本 | HTML/Markdown格式存储 | ★★★ |
| 多知识库 | 按公司/产品分库 | 路由分发 + 多FAISS索引 | ★★★★ |
| Rerank | 重新排序召回结果 | LLM或专用Rerank模型 | ★★★ |
| 测试评估 | 金标准测试集 | 自动打分 + 人工校验 | ★★★★ |
�� PM启发
企业RAG的核心难点不是“技术多复杂”，而是“数据治理”。多家公司的文档格式不统一、表格复杂、知识冲突——这些才是真正耗时的地方。
◆ 知识点¹：一个RAG系统的标准出厂流程
不管多大的企业RAG项目，都绕不开这四个核心步骤：
| 步骤 | 中文名 | 关键说明 |
| Parsing | 解析 | 将PDF转为结构化文本，保留表格、标题、列表等格式 |
| Ingestion | 内容提取 | 对文本分块并向量化，建立向量数据库 |
| Retrieval | 检索 | 基于用户查询，返回最相关的文本块 |
| Generation | 生成 | 将检索内容+用户提问一起发给LLM，返回最终答案 |
没有什么奇巧：想要高质量的输出，每个环节都得认真。
‘垃圾进→垃圾出’在RAG里同样适用。
◆ 知识点²：PDF解析：那些年我们被测试过的坑
课程老师尝试了20+种解析器后给出结论：
●大型表格可能被旋转90度，导致乱码
●没有任何解析器能处理所有细节，100分不可能
●最终选择Docling，并重写部分源码来弥补其短板
Docling的优化方向
●输出包含元数据的JSON文件，再转为Markdown或HTML
●用正则表达式清理解析错误的文本
●表格优先采用HTML格式进入LLM（语言模型对HTML的理解明显高于Markdown）
| 一个反直觉的实验结论表格序列化（Serialization）理论上能提升相关性，但实验发现它不仅未改善系统，反而略微降低了有效性——真正的技术优化需要实验验证，而非理论推演。 |
◆ 知识点³：分块与向量化的工程学分析
如何对文档切分？
●最简单：整页为一个块（页面少有超过几千token）
●更好：每页切割为300个token的块（约15个句子）
道理很直接：能回答问题的信息通常集中在某个小段落里。小块 > 大块 在语义相似度排名中占优。
如何管理向量数据库？
冠军方案的选择很实用：为每家公司单独建一个Faiss库，而不是混入同一个库里。
●结构更清晰：查哪个公司直接从对应库检索
●减少噪音：不同公司的同名指标不会相互干扰
●效率提升：搜索范围缩小100倍
◆ 知识点⁴：LLM重排序：小技巧带来大提升
普通重排序模型（Jina/bge-reranker）基于模型权重评分。冠军方案却直接用LLM来评分，原理如下：
●Step1: 向量检索Top30块（快、便宜）
●Step2: 每个块通过元数据定位到对应的完整页面
●Step3: 用LLM评价每页与查询的相关性（0-1分）
●Step4: 加权合并店内分数和Llm分数，取Top10进入上下文
向量权重=0.3，LLM权重=0.7——这个比例说明：语义理解比关键词匹配更重要。
| 成本注意对于1000页的文档，如果对每页都用LLM打分，单个问题可能花费约25分钟。因此一定要先用向量检索做初筛，再用LLM对候选页重排序。 |
◆ 知识点⁵：三种查询路由——冠军方案的核心设计
| 路由类型 | 适用场景 | 对应技术 |
| 路由到数据库 | 问题中包含公司名 | 提取实体→ 匹配对应Faiss库 |
| 路由到提示词 | 不同答案类型 | 按类型选择不同的Prompt模板 |
| 复合查询路由 | 涵盖多家公司比较 | 拆解子问题→ 并行查询 → 综合判断 |
路由层的设计往往是RAG项目中最容易被忽视、却決定最终效果的环节。
◆ 知识点⁶：思维链+结构化输出的实战组合
CoT（思维链）让模型先‘出声思考’再给答案；结构化输出则确保答案格式可被程序解析。两者结合，实现：
✅ step_by_step_analysis：初步推理（CoT本身）
✅ reasoning_summary：输出简洁摘要，便于跟踪模型逻辑
✅ relevant_pages：引用页码，防幻觉、可验证
✅ final_answer：按比赛要求格式化的简洁答案
这种设计的妙处：即使不用人工解析冗长推理，也能直接从 JSON 中提取 final_answer。
◆ CASE: 打造自己的企业RAG系统
课程给出了完整的实跟路径，感兴趣的同学可以按这个方向自己去练习：
●跟通RAG-Challenge-2开源项目，理解其核心模块
●用DashScope API KEY替换OpenAI（成本更低）
●用MinerU替换Docling进行PDF解析
●替换成自己的中文知识库（投研报告等）
●用streamlit或gradio搞一个可视化界面
这是个将课程内容变成可落地之物的好题目。
◆ 对PM的启发
一、系统化思维，不是“一个技术点”
这套冠军方案的成功，来自对每个环节的系统化优化：解析质量、分块策略、检索路由、重排序模块、提示词设计。PM在推进 AI 项目时，也需要这种思维——「每个环节都得认资」。
二、做需求时如何向开发提问 RAG 系统
●“我们的知识库答错了，是哪个环节的问题？解析、检索还是生成？”
●“表格数据答错的概率多大？现在用的是Markdown还是HTML输入给LLM？”
●“用户问的是多公司对比类问题，现在的路由如何处理？”
三、建立指标与验证集的习惯
课程中很重要的一点：在比赛前一周，团队人工回答了100个问题作为验证集。这不仅方便了指标量化，更重要的是“发现隐性规则”——哪些边界情况应该包含在答案里？这个习惯对PM做产品来说同样适用。
课堂真实问答
| 同学提问 | 老师回答 |
| “一个FAISS就是一个库吗？” | 是的，按公司/产品分库是常见做法 |
| “用Ragflow能不能简单很多？” | 能，但复杂场景下灵活度不够 |
| “从0到1搭建RAG的完整流程是什么？” | 文档→知识架构→框架选型→测试 |
下次写需求时
企业RAG项目需求文档里必须包含“数据治理方案”
明确知识库的分库策略：按公司、按产品、按业务线
设计测试集：覆盖各类型问题，建立金标准
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
