企业级真实演示：直观展示 Amazon Bedrock Knowledge Bases 如何支持 RAG，实现高质量问答与上下文增强。
让你的AI回答更聪明、更准确，不再“胡编乱造”！
在这节课里，我们将带你认识一种能显著提升大模型回答质量的技术——RAG（Retrieval Augmented Generation，检索增强生成）。通过RAG，你可以让AI结合最新、最相关的外部知识来回答问题，从而减少幻觉、增加可信度。
课程中不仅会讲解原理，还会通过真实案例和现场演示，让你学会如何在自己的业务或项目中落地这项技术。
认识课程导师
Melanie Li
AWS 高级生成式 AI 解决方案架构师（Senior Specialist Solutions Architect, GenAI）
Melanie 长期服务于 Amazon Web Services（AWS），专注于生成式AI、模型定制化、向量检索和企业级AI架构。她曾为医疗、金融、零售等多个行业提供AI解决方案，拥有丰富的项目经验。Melanie擅长把复杂的技术讲得浅显易懂，并会在课堂中带来真实Demo，让同学们学到的知识能够直接应用到实践中。
为什么你需要这节课？
传统大模型的痛点
- 回答看似流畅，但部分内容是“编的”
- 无法理解专业领域术语
- 只能依赖训练时的旧数据，无法引用最新信息
这节课能让你了解什么？
通过RAG，你的AI会先查资料，再回答问题，回答内容有据可依、实时可靠，让它像一个真正的领域专家。
- 直观易懂：用生活化的例子解释复杂概念，让零基础同学也能听懂。
- 案例驱动：每个原理都有对应的实际业务案例。
- 现场演示：Amazon Bedrock全流程操作展示，让你看得到、学得会。
- 可扩展应用：学习如何与开源工具（LangChain）和智能代理（Agents）结合，打造更智能的AI系统。
走近RAG——从原理到价值
什么是RAG？
RAG是将生成式AI与语义检索结合的技术：
- 检索（Retrieval）：从外部知识库找到相关信息
- 增强（Augmentation）：把信息加进提问，提供更多上下文
- 生成（Generation）：模型基于这些信息生成更精准的回答
为什么要定制你的大模型？
通用大模型虽然功能强大，但在面对特定行业时容易出现理解偏差或答非所问。通过定制化，可以：
- 适配行业语言：让模型懂得医疗、金融、法律等专业术语。
- 提升任务表现：在特定任务（如财报分析、客户问答）中提供更高质量的结果。
- 增强上下文意识：理解上下文关系，给出更契合的答案。
RAG能带来的提升
- 大幅减少模型幻觉
- 提高回答的上下文相关性
- 支持实时或专业领域知识引用
了解RAG 的应用场景
- 智能客服与问答机器人：实时、准确地解答客户问题。
- 个性化搜索引擎：根据用户兴趣提供定制化结果。
- 实时数据总结：快速提炼数据库或API中的关键信息。
- 减少模型幻觉：显著降低编造错误信息的风险。
从原理到实战——Amazon Bedrock 演示
在课堂中，你将看到一个完整的RAG实现过程：
- 如何把文档、数据库等信息导入到 Amazon Bedrock Knowledge Bases
- 如何进行数据切分（chunking）和生成语义向量
- 如何用语义检索将最相关的内容传递给大模型
通过这个演示，你将对RAG的数据流转与上下文增强有清晰的理解。
从演示到进阶——与 Agents 和 LangChain 的结合 让RAG更强大
学会在 Amazon Bedrock 中实现RAG只是第一步。接下来，我们会带你走向更强大的应用：
- 与 Agents 结合：让模型不仅能“回答问题”，还能主动执行任务，例如调用API、查询数据库、触发业务流程。
- 与 LangChain 结合：用开源工具构建多步骤的复杂RAG应用，例如链式问答、自动化决策和任务分解。
你将收获什么？
- 深入理解RAG的概念与优势
- 掌握Amazon Bedrock上实现RAG的完整流程
- 学会把RAG与Agents、LangChain结合，打造可执行任务的智能系统
- 获得可直接落地的技术方案与思路
适合人群
- 想让AI应用更精准、更可靠的开发者和产品经理
- 对LangChain、向量数据库、嵌入模型感兴趣的技术爱好者
- 希望用AI优化客服、数据分析、信息检索等业务的企业从业者
- 对Amazon Bedrock等云端AI服务感兴趣的学习者
立即加入课程！
如果你想让AI从“会说”到“说对”，这节课将是你的第一步！
点击报名按钮，和Melanie老师一起掌握RAG的核心技巧，把生成式AI应用的准确率和可信度提升到一个新高度。
