L4 · 由简入深系列 · 应用跃迁

10 天，搞懂 RAG 与 Agent：让大模型「有知识、会做事」

全程中文 · 从开卷考试讲到会自己调工具的智能体 · 三个可动手玩的原理实验台

📌 这是 L4（应用跃迁层）。学完你会真正理解：怎么给大模型接上你们自己的资料（RAG），以及怎么让它不只是「回答」而是「动手」（Agent）。建议先学完 L1~L3，本阶会频繁用到前面的概念。

💡 怎么用：每天点开一张卡片，先读教程再玩下面的演示；学完勾选「我已掌握」，进度条会自动增长（保存在你本机浏览器）。三个演示台建议在浏览器里亲手试——RAG 检索、余弦相似度、Agent 行动循环，亲手跑一遍比读十遍都清楚。

📊 我的学习进度

已完成 0 / 10 天

全部在你的浏览器里实时计算，不联网。说明：Embedding / Agent 本身需要调用大模型，纯网页无法真跑，所以这里是把核心算法/流程做成了可视化演示（检索用真实的关键词向量余弦、Agent 用预设剧本回放），帮你建立直觉。

输入一个问题，看系统怎么在「知识库」里找出最相关的几段，并拼成要喂给模型的提示词。

预设问题

取 top-k

把两段文字各自「变成向量」，看它们语义方向有多接近（余弦相似度）。这就是 RAG 判断「资料和问题像不像」的数学。

文本 A

文本 B

示例

选一个任务，看 Agent 怎么「思考→调工具→看结果」一步步把事办成（ReAct 循环）。步骤为原理回放，真实 Agent 由模型实时生成。

任务

提示：点「自动播放」观察 Think→Act→Observe 如何循环；点「单步」可一步步看。

🪜 由简入深阶梯： L1 提示词 · L2 大模型原理 · L3 深度学习 · L4 RAG与Agent · L5 微调 · L6 RLHF · L7 AIGC · L8 多模态/MCP（待建）