Merge pull request #135 from Weihong-Liu/RAG

update RAG course

content/Building and Evaluating Advanced RAG Applications/.streamlit/config.toml

@@ -0,0 +1,6 @@
+[theme]
+primaryColor="#0A2C37"
+backgroundColor="#FFFFFF"
+secondaryBackgroundColor="F5F5F5"
+textColor="#0A2C37"
+font="sans serif"

content/Building and Evaluating Advanced RAG Applications/.streamlit/credentials.toml

@@ -0,0 +1,2 @@
+[general]
+email=""

content/Building and Evaluating Advanced RAG Applications/1. 简介 Introduction.md

@@ -0,0 +1,24 @@
+# 第一章 简介
+
+本课程深入探讨如何利用检索增强生成（Retrieval-Augmented Generation, RAG）技术，使大型语言模型（Large Language Models, LLMs）能够在用户自有数据上回答问题。本课程的目标是介绍构建和实现高质量RAG系统所需的关键技术和评估框架。
+
+## 一、背景
+在本课程中，我们首先探讨了RAG技术的重要性，它通过有效的检索技术为LLM提供高度相关的上下文信息，从而生成准确的答案。此外，我们还将介绍如何通过有效的评估框架，在初始开发和部署后维护期间，高效地迭代和改进RAG系统。
+
+## 二、课程内容概览
+- **高级检索方法**：介绍了两种先进的检索方法——句子窗口检索和自动合并检索，这些方法比传统方法能够为LLM提供更好的上下文信息。
+- **评估指标**：解释了如何使用三个评估指标（上下文相关性、根据性和答案相关性）来评估LLM问答系统的性能。
+- **实践应用**：本课程后半部分将提供实践操作，教授如何使用这些检索方法和评估方法迭代优化RAG系统，并展示如何使用系统化的实验跟踪来建立基线并快速改进。
+
+## 三、专家指导
+- **Jerry Liu**：作为LlamaIndex的联合创始人兼CEO，Jerry将分享他在社交媒体上关于RAG实践进化的见解。
+- **Anupam Datta**：作为TruEra的联合创始人兼首席科学家，Anupam将利用他在可信AI领域以及如何监控、评估和优化AI应用效果的十多年研究经验，为课程提供深入洞察。
+
+## 四、课程亮点
+- **句子窗口检索和自动合并检索**：这两种方法通过提供更连贯的文本块，优化了LLM的上下文理解能力。
+- **RAG三元组评估体系**：介绍了一套有效的度量标准来评估RAG系统在检索、理解和生成答案方面的性能。
+- **实践操作**：课程将通过代码演示和实际案例，让学员亲自实践这些高级检索和评估方法。
+
+## 五、致谢
+感谢所有参与本课程创建的人员，包括LlamaIndex团队的Logan Markehwich，TruEra团队的Shayak Sen、Joshua Reini、Barbara Lewis，以及DeepLearning.ai团队的Eddie Shyu和Dialla Ezzeddine。
+