以音频为主的深度RAG大师课，在YouTube上名为"Master RAG while you sleep"

我是那种喜欢在通勤、做饭、锻炼或睡前放松时收听技术播客、讲座或教育视频的人。这里有一门**以音频为主的RAG大师课**，每个概念、系统架构和数学权衡都完全通过口头逻辑和清晰的类比来解释。没有视觉依赖，没有“如您所见”，也不需要眯着眼看代码。只有平静、稳定、高度详细的概念深入。 # 内容涵盖： 它远远超越了基础的“朴素RAG”教程，真正弥合了与高级生产环境之间的差距。以下是结构： * **核心基础：** 参数化与非参数化记忆，以及为什么微调在结构上不适合事实知识注入。 * **摄取管道：** 文档加载器、布局感知的PDF解析器、表格提取（HTML/Markdown结构），以及处理视觉/多模态文件。 * **分块策略：** 递归字符分割器、基于令牌的分割，以及语义分块如何使用向量距离来发现自然的主题过渡。 * **嵌入与向量存储：** 双编码器与交叉编码器、晚期交互（ColBERT）、HNSW图、IVF聚类和乘积量化（PQ）向量压缩。 * **智能检索器与提示：** 混合搜索（BM25 + 向量）结合倒数排名融合（RRF）、查询扩展（HyDE）以及二级交叉编码器重排序。对抗提示模板中的“中间丢失”注意力偏差。 * **高级非结构化模式：** 父子分块、句子窗口检索、自动合并分块树和文档摘要索引。 * **结构化数据与图RAG：** 带自纠错循环的Text-to-SQL、SQL注入安全，以及图RAG（使用Leiden社区检测进行全局主题综合）。 * **智能体RAG：** 使用ReAct循环、工具路由、纠正性RAG（CRAG）和自反思（Self-RAG）将管道转变为自主系统。 * **评估与生产规模化：** 在CI/CD中使用LLM作为评判（Ragas/TruLens）测量RAG三元组分数（上下文相关性、扎根性、答案相关性），外加生产级语义缓存、多租户ACL元数据过滤以及热/温/冷向量索引。