主要观点总结
微软发布GraphRAG开源方案，针对LLM模型的缺点进行了大幅改进，提高了生成质量和结果有用性。RAG结合了信息检索和文本生成，是一项AI领域的重大创新。文章介绍了RAG的学习难点和解决方案，以及《RAG系统实战课》专栏的详细内容。该专栏由盛安德人工智能应用研究院总工程师叶伟民主讲，通过实战项目带你掌握RAG的核心原理和关键技术。
关键观点总结
关键观点1: 微软发布GraphRAG开源方案，针对LLM模型的缺点改进。
GraphRAG是微软发布的最新开源方案，旨在解决LLM模型存在的幻觉问题、可解释性差、抓不住问题重点、隐私和安全问题等缺点，并大幅提升LLM的生成质量和结果有用性。
关键观点2: RAG是AI领域的重大创新。
RAG将信息检索和文本生成巧妙结合起来，让AI更聪明地工作。它通过快速搜寻大量资料库，找到最有用的信息，然后依据这些信息来创造回答或内容。
关键观点3: 《RAG系统实战课》专栏的详细介绍。
该专栏由盛安德人工智能应用研究院总工程师叶伟民主讲，通过实战项目带你掌握RAG的核心原理和关键技术。课程分为热身赛、初级篇、中级篇和马拉松四个部分，逐步深入讲解RAG的应用和开发。配套实战案例代码可下载。
正文
7 月初，微软发布最强 RAG 知识库开源方案 GraphRAG，项目上线即爆火，现在星标量已经达到 16.5 k。
究其火爆的原因，主要还是 LLM 虽然强大，但存在一些明显缺点，比如幻觉问题、可解释性差、抓不住问题重点、隐私和安全问题等。而 RAG 恰好可以
大幅提升 LLM 的生成质量和结果有用性
。
RAG，可以说是 AI 领域一个非常大的创新突破了
。它把信息检索和文本生成巧妙结合起来，可以让 AI 更聪明地工作。简单来说，就是在生成答案或内容之前，AI 会先快速搜寻大量的资料库，找到最有用的信息，然后依据这些信息来创造回答或内容。而且相对于其他 AI 相关项目，
RAG 的入门门槛更低，为普通开发者提供了更为友好的学习路径
。
但是，最近跟不少对 RAG 感兴趣的
同学交流下来，才发现大家在学习的过程中可是踩了不少坑，比如：
-
刚开始接触时，缺乏明确的入手点和实践项目，难以实际操作；
-
很少有资料能讲清楚技术的缺点、局限性和适用场景，总要应用到项目才能发现，又得从头来一遍；
-
不知道怎么去考量项目的业务价值，一上来就挑战了高难度的，结果根本坚持不下来；
-
还有一些国内特有场景，总是等到项目落地了才能发现 bug；
在这儿，分享给你一张
「RAG 学习知识地图」
，能帮助你清晰地掌握 RAG 的学习路线，跟着这个“路径”能够更高效的
按图索骥一步步学习、掌握和提升 RAG 技术。
而且，在学习的过程中，
你还可以结合自己的实践经验不断完善它
。
这样一来，积累越多，画像就越丰富。
这张图出自于极客时间刚刚上线的专栏
《RAG 系统实战课》，
我第一时间就订阅了。这个专栏可以说是最适合初学者的一门 RAG 实战课程了，
通过一个个实战项目带着你攻克 RAG 里的核心原理与关键技术，最终实现通过 RAG 提升你转型 AI 赛道的可能性，可以说，都是实打实的
硬货。
这儿特别介绍下「叶伟民」老师，他目前担任
盛安德人工智能应用研究院总工程师，RAG 技术专家。
在软件开发领域可以说是一名老兵了，已经有将近 15 年的经验。他在 AI 应用开发方面也是颇有建树，曾经为银行、私募资金、翻译公司、外贸公司等开发过不少 AI 应用，也是在这个过程中，叶老师
在 RAG 技术上，沉淀下了非常深厚的理论知识，还积累了丰富的实战经验。值得一提的是，他还是大模型时代PDF解析工具 PDF4AI.cn 的创立者。
具体讲哪些内容？
为了能让你在学习过程中少一些迷茫困惑，叶老师以 RAG 的学习难点出发，特别将课程分为了四个部分
，
分别是热身赛、初级篇、中级篇和马拉松，从章节名字就能看出，课程会循序渐进地带你掌握 RAG。
热身赛—夯实基础
这一部分我们学习 RAG 最基础的两个概念——对话模式和返回结构化数据，就可以引入 RAG 改造传统MIS 系统了。这个案例业务价值比较高，同时技术难度最低，能帮助你消除畏难心理，马上获得成就感，激起继续学习的兴趣。
初级篇—触类旁通
初级篇我们会从 0 到 1 开启一个全新的 RAG 项目，一起开发一个 AI 读报小助手。AI 读报小助手对于我们的日常工作生活比较实用，从而能让我们更有动力持续改进。这个部分会在第一章基础上增加三个重要概念——元数据、文本摘要、机器翻译。
中级篇—举一反三
这一部分我们还会再学习 RAG 的三个重要概念：向量与嵌入模型、向量数据库、通过相似度来检索知识。之后我们来打造一个支持模糊检索的工单辅助系统。其实这个项目相当于面向公司内部的客服系统，这样既充分锻炼了我们的 RAG 开发能力，又可以产出一定的业务价值。
