极客时间-RAG与Agent性能调优50讲

如果你正在做 RAG 或 Agent 相关的项目，大概率遇到过这类问题：切片切得太碎，召回率上不去；切得太粗，模型又抓不住重点。多阶段召回设计完，覆盖率没涨，延迟先涨了。OCR 出来的文本错漏百出，喂给模型反而添乱。Agent 跑起来之后，调用链路一长，性能和稳定性就开始失控。

这门《RAG与Agent性能调优50讲》针对的就是这些具体故障点。它不是从零讲 RAG 是什么、Agent 是什么的入门课，而是假设你已经跑通过一两个 demo，现在卡在「能跑但不好用」的阶段。课程把调优拆成可操作的工程动作，每个点对应一个你迟早会撞上的问题。

它解决的是哪类工作场景

最典型的场景是：你有一份文档库，想做成问答或知识助手。demo 阶段随便切一切、丢进向量库，感觉还行。一旦真实用户开始用，问题就集中爆发——该召回的没召回，不该召回的噪声太多，多轮对话里上下文拼得乱七八糟。课程里关于动态重叠切片、混合检索架构、多阶段召回的设计，就是冲着这些环节去的。

另一个场景是图像类文档的处理。很多企业知识库里的 PDF、扫描件、截图，直接 OCR 会丢版面和结构信息。课程里讲到文本图像矫正、版面区域检测、OCR 结果结合 LLM 纠错，这些动作对做合同、报表、工单类 RAG 的人有直接帮助。不是泛泛讲「图像很重要」，而是落到切分策略和纠错流程上。

学完能独立做什么

比较务实的预期是：你能独立设计并调优一条检索链路。具体包括——根据文档类型选择合适的切片方式，而不是默认按固定长度切；搭建混合检索，让关键词和向量各管一段；在多阶段召回里控制每一级的候选数量和质量，平衡覆盖率和延迟。

对于 Agent 部分，课程涉及性能调优的实战内容。如果你的 Agent 要调用外部工具、要处理多步推理、要在并发下保持响应速度，这部分会给出排查思路和优化手段。学完不一定能立刻做出生产级系统，但至少知道瓶颈可能在哪、该从哪个指标入手。

资料适合什么基础

不适合完全没接触过 RAG 和 Agent 的人。如果你连向量检索、embedding、prompt 编排这些概念都还陌生，建议先补基础，否则看调优内容会缺少参照系。适合的人群是：已经做过一版 RAG 或 Agent 原型，被召回质量、响应速度、多模态处理中的某一环卡住，想系统排查和优化。

需要一点工程能力。课程偏实战，涉及架构设计和调优策略，纯产品岗或只做 prompt 编写的人，可能会觉得部分内容距离日常操作较远。有 Python 基础、跑过 LangChain 或类似框架的人，吸收起来会顺很多。

怎么用这份资料

不建议从头到尾匀速刷。先看开篇介绍，判断自己当前最痛的点落在哪个模块。召回不准，就集中看切片和混合检索那几讲；图像处理有问题，就跳到版面检测和 OCR 纠错部分；Agent 性能不行，直接进对应实战章节。

每看完一个调优策略，最好回到自己的项目里试一遍。这门课的价值不在「看完」，而在「对照着改」。如果你只是收藏起来等以后再看，它和一堆没拆封的课没有区别。先挑一个当下最折磨你的问题，用课程里的方法跑一轮对比，再决定要不要继续投入时间。