RAG from Zero est un cours pratique en deux modules qui vous apprend à construire des pipelines de production Retrieval-Augmented Generation en Rust en utilisant deux outils réels que vous pouvez utiliser le même jour. Le module 1 parcourt le pipeline encode-chunk-index-fuse-retrieve une étape à la fois en utilisant le crate aprender-rag publié - RecursiveChunker(512, 50) avec overlap, MockEmbedder(384) pour l'apprentissage déterministe avec candle pour la production, reciprocal-rank fusion à k=60, et une démo aprender_film_search contre une fixation Sakila de 50 rangs qui affirme quatre contrats de temps d'exécution. Le module 2 présente pmat query, un RAG de recherche de code en production qui classe par intention sémantique plus pagerank plus signaux structurels - --churn (90-day git volatility), --duplicates (MinHash + Locality-Sensitive Hashing clones), --entropy (pattern diversity), --faults, et -G git-history fusion. Le cours se termine par une recherche inter-projets à travers un espace de travail sibling-repo via --include-project et --include-source afin que vous puissiez naviguer dans une base de code multi-crate comme un seul corpus indexé. Pas de fixtures jouets, pas d'API aspirationnelles - aprender-rag est sur crates.io aujourd'hui, pmat est livré depuis paiml/pmat, et le repo compagnon paiml/rag-from-zero fonctionne de bout en bout avec cargo run et zéro infrastructure.

RAG à partir de zéro
Profitez de l'une de nos meilleures offres et renforcez vos compétences avec 50 % de réduction sur Coursera Plus. Économisez maintenant.

RAG à partir de zéro
Ce cours fait partie de Spécialisation "Rust pour l'ingénierie des données"

Instructeur : Noah Gift
Inclus avec
Expérience recommandée
Ce que vous apprendrez
Appliquer le pipeline RAG en cinq étapes (encodage, découpage en blocs, indexation, fusion, récupération) à l'aide de la bibliothèque « aprender-rag » sur un corpus réel
Analyse du chevauchement par découpage récursif et du paramètre k de fusion des rangs réciproques pour le compromis entre le rappel et le bruit
Évaluer les indicateurs d'enrichissement des requêtes pmat (--churn, --duplicates, --entropy, --faults, -G) pour classer les résultats de recherche de code source en fonction de l'intention
Compétences que vous acquerrez
- Catégorie : Pipelines de données
- Catégorie : Génération assistée par récupération
- Catégorie : Modélisation des grandes langues
- Catégorie : Couverture du code
- Catégorie : Apprentissage automatique appliqué
- Catégorie : Génie logiciel
- Catégorie : Développement du programme
- Catégorie : Traitement du langage naturel
- Catégorie : Emboîtements
Outils que vous découvrirez
- Catégorie : Langages de requête
- Catégorie : GitHub
- Catégorie : IA générative
- Catégorie : Bases de données vectorielles
- Catégorie : Rust (langage de programmation)
- Catégorie : grep
Détails à connaître

Ajouter à votre profil LinkedIn
mai 2026
2 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable

Il y a 3 modules dans ce cours
Obtenez un certificat professionnel
Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.
Instructeur

Offert par
En savoir plus sur Développement de logiciels

Pragmatic AI Labs

Pragmatic AI Labs

Pragmatic AI Labs

Pragmatic AI Labs
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Jennifer J.

Larry W.

Chaitanya A.
Foire Aux Questions
Plus de questions
Aide financière disponible,




