宣布一门新的Coursera课程：检索增强生成（RAG） 在这门由@ZainHasan6教授的实践性深入课程中，您将学习如何构建高性能、生产就绪的RAG系统，这位讲师是一位经验丰富的AI和ML工程师、研究员和教育者。 RAG是今天许多基于LLM的应用程序中的关键组成部分，包括客户支持、内部公司问答系统，甚至许多使用网络搜索回答您问题的领先聊天机器人。本课程深入教授如何使RAG有效工作。 LLM可能会产生通用或过时的响应，特别是在被问及其训练数据未涵盖的专业问题时。RAG是解决这个问题的最广泛使用的技术。它从新的数据源中引入数据，例如内部文档或最新新闻，为LLM提供与私密、最新或专业信息相关的上下文。这使其能够生成更有根据和准确的响应。 在本课程中，您将学习设计和实现RAG系统的每个部分，从检索器到向量数据库，再到生成和评估。您将了解RAG背后的基本原理，以及如何在组件和整个系统层面上优化它。 随着AI的发展，RAG也在不断演变。新的模型可以处理更长的上下文窗口，更有效地推理，并可以成为复杂代理工作流的一部分。一个令人兴奋的增长领域是代理RAG，在这个领域中，AI代理在运行时（而不是在开发时硬编码）自主决定检索哪些数据，以及何时/如何深入。即使在这种演变中，运行时访问高质量数据仍然至关重要，这就是为什么RAG是如此多应用程序的关键部分。 您将通过实践经验学习： - 构建一个具有检索和提示增强的RAG系统 - 比较检索方法，如BM25、语义搜索和互惠排名融合 - 使用Weaviate向量数据库和新闻数据集进行文档的分块、索引和检索 - 开发一个聊天机器人，使用由Together AI托管的开源LLM，为一个虚构的商店回答产品和常见问题 - 使用评估来推动可靠性的提高，并结合多模态数据 RAG是一项重要的基础技术。通过这门课程掌握它！ 请在此注册：