建立 2026-09-15 更新 2026-09-15

官方影音

以下來自 IBM Technology、LangChain、Google Cloud、Microsoft Reactor、LlamaIndex 官方頻道。文字教材仍以各家文件為準；本頁只內嵌最適合對照本站觀念的場次。

完整播放清單：

• LangChain：RAG From Scratch（程式：github.com/langchain-ai/rag-from-scratch）
• Microsoft Reactor：RAG Deep Dive
• LangChain YouTube
• LlamaIndex YouTube
• IBM Technology
• Google Cloud Tech

What is Retrieval-Augmented Generation (RAG)?（IBM）

來源： YouTube　頻道： IBM Technology　講者： Marina Danilevsky（IBM 研究員）　時長： 約 9 分鐘　文字版： IBM Think

用 Jupiter 是不是最大行星當例子，說明 LLM 只靠訓練資料會過時或答錯。RAG 多了一個 content store：先依問題取出相關內容，再把「指令 + 檢索結果 + 問題」組成提示。兩個好處講得很清楚——事實比較新、答案可以回溯來源。適合還沒寫過程式、只想建立圖像的人。對應本站 RAG 是什麼。

RAG vs Fine-Tuning vs Prompt Engineering（IBM）

來源： YouTube　頻道： IBM Technology　講者： Martin Keen　文字版： IBM Think

把三種「讓模型答得更好」的方法放在同一張圖：RAG 去外找資料、微調改權重、提示工程改問法。適合已經聽過這三個名詞、分不清何時用哪一種的人。看完對照本站表格即可，不必在這一支裡學實作。

RAG vs Fine Tuning（IBM）

來源： YouTube　頻道： IBM Technology　講者： Cedric Clyburn

更聚焦「RAG 還是微調」：事實常變、要引用來源時選 RAG；要固定風格或任務格式時才考慮微調。可當上一支的補強，時間不多可略過。

RAG From Scratch Part 1：Overview（LangChain）

來源： YouTube　頻道： LangChain　講者： Lance Martin　投影片／程式： 播放清單說明

系列總覽：LLM 接不上私有或近期資料時，用索引 → 檢索 → 生成把外部文件接進去。後面每一集都對準一個零件或一個進階技巧。建議當成地圖先看，再依需要點單集。對應 認識 RAG。

Part 2：Indexing

來源： YouTube　時長： 約 5 分鐘

載入、切塊、嵌入、寫入索引。說明切塊品質如何影響後面所有步驟。對應 建立索引、切塊。

Part 3：Retrieval

來源： YouTube　時長： 約 5 分鐘

用問題的嵌入在向量空間找最近的塊（k-NN）。對應 檢索、嵌入。

Part 4：Generation

來源： YouTube　時長： 約 6 分鐘

把檢索結果填進 prompt template，讓 LLM 依上下文生成。對應 生成。

Part 5：Multi-Query

來源： YouTube　時長： 約 6 分鐘

一次生成多個查詢變體再檢索，提高召回。對應 查詢轉換。

Part 6：RAG Fusion

來源： YouTube

多路檢索之後用 Reciprocal Rank Fusion 合成排名，避免某一句改寫主導結果。

Part 7：Decomposition

來源： YouTube

把複雜問題拆成子問題分別檢索再綜合。適合「比較 A 與 B」這類 Naive RAG 一次撈不齊的問法。

Part 8：Step Back

來源： YouTube

先問更抽象的原則題，再帶著原則回答原題。

Part 9：HyDE

來源： YouTube

先生成一篇「假想中能回答這個問題的文件」，再對假文做嵌入去搜，縮小問句與文件文體的差距。

Part 10：Routing

來源： YouTube

依問題語意或規則，把查詢導向不同資料源或索引。對應 Agentic RAG 的第一層。

Part 11：Query Structuring

來源： YouTube

把自然語言轉成帶 metadata filter 的結構化查詢（或 SQL／Cypher）。有日期、作者、來源類型時很有用。

Part 12：Multi-Representation Indexing

來源： YouTube

用摘要或 proposition 做檢索單位，命中後再取出完整文件。長文、學術論文常用。

Part 13：RAPTOR

來源： YouTube

對文件做階層分群與摘要，讓高階問題（「這本書在講什麼」）與細節問題都能檢索到合適粒度。

Part 14：ColBERT

來源： YouTube

token 級延遲交互（late interaction），比單一向量更能對到細粒度詞義。適合檢索品質卡關、願意付較高計算成本時。

Building adaptive RAG from scratch（LangChain）

來源： YouTube　頻道： LangChain　講者： Lance Martin

用 LangGraph 實作 Adaptive RAG：依問題難度決定走向量庫、網搜或直接生成，並在迴圈裡檢查文件相關性與幻覺。對應 Agentic RAG。CRAG／Adaptive 的連續講解也可在 freeCodeCamp 長課 1:26:32 起一次看完。

Introduction to grounding with Gemini on Vertex AI（Google Cloud）

來源： YouTube　頻道： Google Cloud Tech　文件： Vertex AI RAG Engine

Google 把「接外部資料再生成」稱為 grounding。這支示範用 Google Search 或 Vertex AI Search 當來源，在 Console 與 Python SDK 打開 grounding，讓 Gemini 的回答附上依據。適合已經在 GCP、想用託管檢索而不是自建向量庫的人。

Grounding for Gemini with Vertex AI Search and DIY RAG（Google Cloud）

來源： YouTube　頻道： Google Cloud Tech

對照兩條路：Vertex AI Search 一站式 RAG，以及自己用嵌入 + Vector Search 拼 DIY。看完比較容易決定「託管到哪一步」。補充文件：RAG Engine quickstart。

RAGChat：The RAG solution for Azure（Microsoft）

來源： YouTube　頻道： Microsoft Reactor　講者： Pamela Fox　程式： azure-search-openai-demo　播放清單： RAG Deep Dive

開源 RAGChat 的第一場：從 Azure AI Search 檢索到 Azure OpenAI 生成、引用標記、部署架構。強調 RAG 的核心難題是「只把真正相關的段落送給模型」，不是把整份 PDF 塞進去。適合要看生產級範本而不是 notebook 的人。對應 生成 的引用做法。

RAGChat：Optimal retrieval with Azure AI Search（Microsoft）

來源： YouTube　頻道： Microsoft Reactor　時長： 約 1 小時

向量嵌入、混合搜尋與 RRF、語意排序、手動 ingestion 對上整合向量化。對應 重排序與混合搜尋、向量庫。同一系列還有評估、權限、多媒體 ingestion，請從播放清單挑場次。

Building a multi-strategy RAG workflow（LlamaIndex）

來源： YouTube　頻道： LlamaIndex　講者： Laurie Voss　時長： 約 11 分鐘

用 LlamaIndex Workflows 同時跑 Naive RAG、較大的 top-k、以及 rerank，再用 reflection 判斷查詢夠不夠好、答案選哪一路。適合已經會 VectorStoreIndex、想看事件驅動管線的人。對應 Agentic RAG。

LlamaCloud Index Demo（LlamaIndex）

來源： YouTube　頻道： LlamaIndex　時長： 約 9 分鐘　文件： LlamaCloud Index

示範把複雜 PDF 丟進託管索引，再接到 agent workflow 做問答。適合評估「解析與索引要不要交給雲端」；自建管線仍以本站 建立索引 為準。

逐步跟做的社群長課與繁中大學課程，見 YouTube 優質教學。