什么是 Embedding — 文本 → 高维向量空间的映射
Embedding Models vs LLM Chat Models — 用途、API、成本、维度差异
向量相似度计算：Cosine Similarity、Euclidean Distance、Dot Product
主流 Embedding 模型对比：OpenAI text-embedding-3、Cohere embed、BGE
1. 调用 Embedding API 将 100 段文本转为向量
2. 实现 Cosine Similarity 搜索 — 输入 query，返回最相关的 5 段文本
3. 可视化 Embedding 空间（用 t-SNE 降维）
对比不同 Embedding Model 的效果差异
为 ISA 项目准备知识库：
1. 收集 50+ 相关文档
2. 文本切分（Chunking）实验
3. Embedding 并存储为本地向量库
RAG 架构：Query → Retrieve → Augment → Generate
Naive RAG vs Advanced RAG：Pre-retrieval (query rewriting)、Retrieval (hybrid search)、Post-retrieval (re-ranking)
Vector Store 选型：Chroma、Pinecone、Weaviate、FAISS — 对比 hosted vs self-hosted
Project: Building RAG from Scratch in Python
纯 Python（无框架）实现完整 RAG 管线：
1. 文档加载 + Chunking
2. Embedding + 向量存储 (FAISS)
3. 相似度检索
4. Context 拼接 + LLM 生成
这是理解 RAG 原理最好的方式 — 不用框架，每一步自己写
在 RAG from Scratch 基础上，实现 3 个优化：
1. Query Rewriting — 重写用户问题提高检索质量
2. Re-ranking — 对检索结果重新排序
3. Citation — 答案中标注来源段落编号
提交代码 + 优化前后的对比评测
UI 构建：用 Streamlit / Gradio 快速搭建 RAG 前端
PDF Parsing 101：PyPDF2、pdfplumber、Unstructured — 表格和图片怎么处理
LLM Rate Limits：Token 限制、RPM/TPM 限流、指数退避重试、并发控制
API 成本管理：预算设置、cost tracking、model fallback 策略
Project: Production RAG Application
搭建支持 PDF 上传的 RAG 应用：
1. Streamlit UI — 文件上传 + 聊天界面
2. PDF 解析 + 自动 Chunking
3. Rate Limiting 中间件
4. Cost tracking dashboard
可分享给其他人使用的完整应用
P3 职业孵化器 Proposal：
每组选定一个 P3 项目方向
写 proposal：问题定义、技术选型、分工、时间线
P3 项目在 Demo Day 面向企业展示
LangChain 核心概念：LLMs、Prompts、Chains、Memory、Retrievers
LCEL (LangChain Expression Language)：Chains 和 Runnables 的声明式组合
chain = prompt | llm | output_parser — Pipe 语法详解
Memory 实现：ConversationBufferMemory、ConversationSummaryMemory — 多轮对话
1. 用 LCEL 构建一个 3 步 Chain：分析问题 → 检索文档 → 生成答案
2. 添加 Memory — 实现多轮对话上下文保持
3. 自定义 Runnable — 添加日志和错误处理
把 Week 4 的 RAG from Scratch 用 LangChain 重写
对比：代码量、可维护性、扩展性
形成"自建 vs 框架"的理解
LangSmith：Trace 每一次 LLM 调用 — Input/Output/Latency/Cost 全部可观测
Debugging：通过 Trace 定位 RAG 管线中的问题（检索失败 vs 生成偏差）
Dataset & Testing：用 LangSmith 构建测试集，跑回归测试
1. 接入 LangSmith — 在 RAG 应用中添加 tracing
2. 分析 Trace — 找出 latency bottleneck
3. 构建 10 个测试用例，用 LangSmith Evaluate 跑评测
为 ISA 项目接入 LangSmith monitoring
提交：3 个有代表性的 Trace 截图 + 分析报告
为什么需要 GraphRAG — 纯向量检索的局限：无法捕捉实体关系、无法做多跳推理。比如问"张三的老板的老板是谁"，纯 Embedding 检索根本搞不定
Knowledge Graph 构建：从非结构化文本自动提取实体和关系，用 LLM 做 NER + Relation Extraction
GraphRAG 架构：Query → Graph Traversal + Vector Search → 融合排序 → LLM 生成
混合检索策略：Vector Search (语义) + BM25 (关键词) + Graph Traversal (关系) — 三路召回，用 RRF (Reciprocal Rank Fusion) 融合排序
工具选型：Neo4j / Nebula Graph（生产级图数据库） vs 纯 Python networkx（原型验证）
1. 用 LangChain + Neo4j 构建 GraphRAG pipeline — 文档 → 实体抽取 → 图存储 → 图检索
2. 对比纯向量 RAG vs GraphRAG 在多跳问题上的表现（准备 10 个多跳测试问题）
3. 实现混合检索：三路召回 + RRF 融合 — Vector + BM25 + Graph 结果合并排序
为 ISA 项目添加 GraphRAG 能力：
1. 对项目知识库做实体关系抽取，构建 Knowledge Graph
2. 实现 Graph + Vector 混合检索
提交：GraphRAG vs Vector RAG 对比评测报告 — 在多跳问题和单跳问题上分别跑 10 个 case
四大评估指标：
- Context Recall — 检索到了多少相关内容
- Context Precision — 检索结果中有多少是相关的
- Answer Relevancy — 答案和问题的相关性
- Faithfulness — 答案是否忠实于检索到的上下文
RAGAS Framework — 自动化 RAG 评估
Langfuse — 开源 LLM 可观测平台，和 LangSmith 互补
1. 用 RAGAS 评估 Week 4-6 的 RAG 应用（包括 GraphRAG）
2. 接入 Langfuse — 对比 LangSmith vs Langfuse
3. 根据评估结果优化 RAG 管线（调 Chunking / Retrieval / Prompt）
提交 RAG 评估报告：
- GraphRAG vs Naive RAG 的 4 个指标对比
- 每个优化步骤的 diff + 效果
- 最终 RAGAS 综合得分
综合 Phase 2 所有知识，用 LangChain 构建完整 RAG QA 系统：
架构：LangChain + ChromaDB/Neo4j + LangSmith + Streamlit
功能：多文档上传、GraphRAG 支持、对话式 QA、来源引用、历史记录
监控：LangSmith tracing + Langfuse metrics
评估：RAGAS 自动评测 + 人工抽检
Project: Building your First RAG QA Application with LangChain
从零到一完成完整应用：
1. 项目结构搭建
2. 文档 ingestion 管线（支持 Vector + Graph 双路索引）
3. Retrieval + Generation chain
4. Streamlit UI
5. Monitoring 接入
6. 评估 + 优化
部署 RAG QA 应用到云端（Streamlit Cloud 或 AWS）
提交：
- GitHub 仓库链接
- 线上 Demo URL
- RAGAS 评测报告
- README 使用说明