内容
0 课时 • 0 测验 • 0 挑战
课程暂未关联课时
当前课程存在，但没有可学习的课时内容。请稍后再试。
☆☆☆☆☆
0.0中级
4h
Agentic RAG
RAG 系统改变了 AI 获取外部知识的方式，而代理型 RAG 则将检索转变为以推理驱动的流程。本课程深入剖析代理智能的基本原理，并将推理与检索相结合，实现更高的事实准确性与自主性。你将探索代理的构成要素，从其记忆和工具，到驱动自我导向行为的编排逻辑。 通过动手实践课程，你将使用 LlamaIndex 构建一个 AI 研究助手，通过组装工具、定义检索策略，并设计能够实现自我修正的推理循环。你将学习如何利用忠实度、上下文召回率和答案质量等指标来调试、评估和优化你的代理工作流，弥合理论与实践之间的差距。 最后，你将构建可扩展、可靠的系统，借助依赖图和部署防护机制，使你的代理型 RAG 项目从原型顺利过渡到生产就绪的可靠性状态。
5 课时
Agentic RAG
RAG 系统改变了 AI 获取外部知识的方式，而代理型 RAG 则将检索转变为以推理驱动的流程。本课程深入剖析代理智能的基本原理，并将推理与检索相结合，实现更高的事实准确性与自主性。你将探索代理的构成要素，从其记忆和工具，到驱动自我导向行为的编排逻辑。
通过动手实践课程，你将使用 LlamaIndex 构建一个 AI 研究助手，通过组装工具、定义检索策略，并设计能够实现自我修正的推理循环。你将学习如何利用忠实度、上下文召回率和答案质量等指标来调试、评估和优化你的代理工作流，弥合理论与实践之间的差距。
最后，你将构建可扩展、可靠的系统，借助依赖图和部署防护机制，使你的代理型 RAG 项目从原型顺利过渡到生产就绪的可靠性状态。
RAG 系统改变了 AI 获取外部知识的方式，而代理型 RAG 则将检索转变为以推理驱动的流程。本课程深入剖析代理智能的基本原理，并将推理与检索相结合，实现更高的事实准确性与自主性。你将探索代理的构成要素，从其记忆和工具，到驱动自我导向行为的编排逻辑。
通过动手实践课程，你将使用 LlamaInd...
你将学到什么
设计能够自主规划、反思和优化的推理驱动型 RAG 系统的能力
了解如何使用 LlamaIndex 构建和编排多工具代理
使用结构化指标调试、评估和优化检索工作流的能力
设计能够自主规划、反思和优化的推理驱动型 RAG 系统的能力
评价
阅读参加过此课程的学生的评价，并分享您的学习体验。