編輯推薦

一本全面講解RAG技術(shù)原理、實(shí)戰(zhàn)應(yīng)用與系統(tǒng)構(gòu)建的著作。

內(nèi)容簡介

作者結(jié)合自身豐富的實(shí)戰(zhàn)經(jīng)驗(yàn)，詳細(xì)闡述了RAG的基礎(chǔ)原理、核心組件、優(yōu)缺點(diǎn)以及使用場(chǎng)景，同時(shí)探討了RAG在大模型應(yīng)用開發(fā)中的變革與潛力。書中不僅揭示了RAG技術(shù)背后的數(shù)學(xué)原理，還通過豐富的案例與代碼實(shí)現(xiàn)，引導(dǎo)你從理論走向?qū)嵺`，輕松掌握RAG系統(tǒng)的構(gòu)建與優(yōu)化。

作者簡介

作者汪鵬，資深NLP技術(shù)專家和AI技術(shù)專家，擁有多年NLP落地經(jīng)驗(yàn)。擅長結(jié)合用戶場(chǎng)景，針對(duì)性地設(shè)計(jì)圖譜、問答、檢索、多模態(tài)、AIGC等相關(guān)的算法和落地方案。在Kaggle獲得多枚獎(jiǎng)牌，等級(jí)master。擁有公眾號(hào)“NLP前沿”。

章節(jié)目錄

版權(quán)信息

前言

第一部分 基礎(chǔ)

第1章 RAG與大模型應(yīng)用

1.1 大模型應(yīng)用的方向：RAG

1.2 為什么需要RAG

1.3 RAG的工作流程

1.4 RAG的優(yōu)缺點(diǎn)

1.5 RAG的使用場(chǎng)景

1.6 RAG面臨的挑戰(zhàn)

1.7 本章小結(jié)

第2章 語言模型基礎(chǔ)

2.1 Transformer

2.2 自動(dòng)編碼器

2.3 自回歸模型

2.4 本章小結(jié)

第3章 文本召回模型

3.1 文本召回模型基礎(chǔ)

3.2 稠密向量檢索模型

3.3 稀疏向量檢索模型

3.4 重排序模型

3.5 本章小結(jié)

第二部分 原理

第4章 RAG核心技術(shù)與優(yōu)化方法

4.1 提示詞工程

4.2 文本切塊

4.3 向量數(shù)據(jù)庫

4.4 召回環(huán)節(jié)優(yōu)化

4.5 效果評(píng)估

4.6 LLM能力優(yōu)化

4.7 本章小結(jié)

第5章 RAG范式演變

5.1 基礎(chǔ)RAG系統(tǒng)

5.2 先進(jìn)RAG系統(tǒng)

5.3 大模型主導(dǎo)的RAG系統(tǒng)

5.4 多模態(tài)RAG系統(tǒng)

5.5 本章小結(jié)

第6章 RAG系統(tǒng)訓(xùn)練

6.1 RAG系統(tǒng)的訓(xùn)練難點(diǎn)

6.2 訓(xùn)練方法

6.3 獨(dú)立訓(xùn)練

6.4 序貫訓(xùn)練

6.5 聯(lián)合訓(xùn)練

6.6 本章小結(jié)

第三部分 實(shí)戰(zhàn)

第7章 基于LangChain實(shí)現(xiàn)RAG應(yīng)用

7.1 LangChain基礎(chǔ)模塊

7.2 基于LangChain實(shí)現(xiàn)RAG

7.3 基于Streamlit搭建一個(gè)ChatPDF可視化應(yīng)用

7.4 本章小結(jié)

第8章 RAG系統(tǒng)構(gòu)建與微調(diào)實(shí)戰(zhàn)

8.1 向量模型構(gòu)建

8.2 大模型指令微調(diào)

8.3 復(fù)雜問題處理

8.4 本章小結(jié)

大模型RAG實(shí)戰(zhàn)：RAG原理、應(yīng)用與系統(tǒng)構(gòu)建是2024年由機(jī)械工業(yè)出版社出版,作者汪鵬。

溫馨提示：
得書感謝您對(duì)《大模型RAG實(shí)戰(zhàn)：RAG原理、應(yīng)用與系統(tǒng)構(gòu)建》關(guān)注和支持，如本書內(nèi)容有不良信息或侵權(quán)等情形的，請(qǐng)聯(lián)系本網(wǎng)站。