買這商品的人也買了...
-
Python 最強入門邁向頂尖高手之路：王者歸來, 2/e (全彩版)$1,080$853 -
線性代數學習要訣, 7/e$760$684 -
Elasticsearch 數據搜索與分析實戰$599$569 -
最強 AI 投資分析：打造自己的股市顧問機器人，股票趨勢分析×年報解讀×選股推薦×風險管理$750$592 -
$556大規模語言模型：從理論到實踐 -
跟 NVIDIA 學深度學習！從基本神經網路到 ......、GPT、BERT...，紮穩機器視覺與大型語言模型 (LLM) 的建模基礎$880$695 -
Python：股票 × ETF 量化交易實戰 105個活用技巧, 2/e$660$515 -
Diffusion AI 繪圖模型構造與訓練實戰$474$450 -
NLG 的王者 GPT 圖解 - LLM 的原來是這樣建構出來的$780$616 -
Beyond XSS：探索網頁前端資安宇宙$880$695 -
遞迴演算法大師親授面試心法：Python 與 JavaScript 解題全攻略 (The Recursive Book of Recursion)$680$530 -
LLM 大型語言模型的絕世祕笈：27路獨步劍法，帶你闖蕩生成式 AI 的五湖四海 （iThome鐵人賽系列書）$650$507 -
深度神經網絡高效計算：大模型輕量化原理與關鍵技術$594$564 -
AI 訓練師手冊：演算法與模型訓練從入門到精通$414$393 -
機器學習的訓練資料 (Training Data for Machine Learning)$780$616 -
輕量又漂亮的 Python Web 框架 - Streamlit AI 時代非學不可$690$545 -
$407大模型應用開發：RAG 入門與實戰 -
全格局使用 PyTorch - 深度學習和圖神經網路 - 基礎篇, 2/e$880$695 -
多 Agent 智慧體 - LangChain 大型 ReAct 系統開發$880$695 -
$709基於大模型的 RAG 應用開發與優化 — 構建企業級 LLM 應用 -
$454LangChain 實戰派：大語言模型 + LangChain + 向量數據庫 -
AI 文案寫作從入門到精通$360$342 -
$407揭秘大模型：從原理到實戰 -
讓 AI 好好說話！從頭打造 LLM (大型語言模型) 實戰秘笈$680$537 -
$505AI律師助理：律師實務ChatGPT實戰指南
相關主題
商品描述
這是一本全面講解RAG技術原理、實戰應用與系統構建的著作。作者結合自身豐富的實戰經驗，詳細闡述了RAG的基礎原理、核心組件、優缺點以及使用場景，同時探討了RAG在大模型應用開發中的變革與潛力。
書中不僅揭示了RAG技術背後的數學原理，還通過豐富的案例與代碼實現，引導讀者從理論走向實踐，輕鬆掌握RAG系統的構建與優化。無論你是深度學習初學者，還是希望提升RAG應用技能的開發者，本書都將為你提供寶貴的參考與指導。
通過閱讀本書，你將掌握以下知識：透徹理解RAG的召回和生成模塊算法、高級RAG系統的技巧、RAG系統的各種訓練方式方法、深入瞭解RAG的範式變遷、實戰0基礎搭建RAG系統、實戰高級RAG系統微調與流程搭建。
作者簡介
汪鵬，資深NLP技術專家和AI技術專家，擁有多年NLP落地經驗。擅長結合用戶場景，針對性地設計圖譜、問答、檢索、多模態、AIGC等相關的算法和落地方案。在Kaggle獲得多枚獎牌，等級master。擁有公眾號“NLP前沿”。
目錄大綱
前 言
第一部分 基礎
第1章 RAG與大模型應用 2
1.1 大模型應用的方向：RAG 2
1.1.1 什麽是RAG 2
1.1.2 RAG與模型微調的對比 5
1.1.3 RAG帶來的範式改變 5
1.2 為什麽需要RAG 6
1.2.1 大模型的知識更新問題 6
1.2.2 大模型生成結果的不可解釋性問題 8
1.2.3 大模型的數據泄露問題 8
1.2.4 大模型的訓練成本問題 9
1.3 RAG的工作流程 9
1.3.1 數據準備 10
1.3.2 數據召回 11
1.3.3 答案生成 12
1.4 RAG的優缺點 12
1.4.1 RAG的優點 12
1.4.2 RAG的缺點 13
1.5 RAG的使用場景 14
1.6 RAG面臨的挑戰 16
1.6.1 LLM的伸縮法則與知識庫大小的關系 16
1.6.2 相似度搜索的性能問題 17
1.7 本章小結 19
第2章 語言模型基礎 20
2.1 Transformer 20
2.1.1 詞嵌入 24
2.1.2 編碼器 35
2.1.3 解碼器 39
2.1.4 解碼頭 41
2.2 自動編碼器 41
2.2.1 ELMo 42
2.2.2 BERT 43
2.3 自回歸模型 47
2.3.1 GPT 48
2.3.2 LLaMA 53
2.4 本章小結 56
第3章 文本召回模型 58
3.1 文本召回模型基礎 58
3.2 稠密向量檢索模型 61
3.2.1 SimCSE 61
3.2.2 SBERT 63
3.2.3 CoSENT 64
3.2.4 WhiteBERT 65
3.2.5 SGPT 66
3.3 稀疏向量檢索模型 67
3.3.1 樸素詞袋模型 67
3.3.2 TF-IDF 68
3.3.3 BM25 70
3.4 重排序模型 71
3.5 本章小結 72
第二部分 原理
第4章 RAG核心技術與優化方法 74
4.1 提示詞工程 74
4.1.1 提示詞工程基礎 74
4.1.2 RAG場景下的提示詞設計 81
4.2 文本切塊 83
4.2.1 固定大小文本切塊 84
4.2.2 基於NLTK的文本切塊 85
4.2.3 特殊格式文本切塊 85
4.2.4 基於深度學習模型的文本切塊 86
4.3 向量數據庫 87
4.3.1 Faiss 88
4.3.2 Milvus 92
4.3.3 Weaviate 93
4.3.4 Chroma 93
4.3.5 Qdrant 93
4.4 召回環節優化 94
4.4.1 短文本全域信息增強 94
4.4.2 召回內容上下文擴充 95
4.4.3 文本多向量表示 96
4.4.4 查詢內容優化 98
4.4.5 召迴文本重排序 101
4.4.6 多檢索器融合 102
4.4.7 結合元數據召回 104
4.5 效果評估 107
4.5.1 召回環節評估 107
4.5.2 模型回答評估 109
4.6 LLM能力優化 115
4.6.1 LLM微調 115
4.6.2 FLARE 117
4.6.3 Self-RAG 119
4.7 本章小結 120
第5章 RAG範式演變 121
5.1 基礎RAG系統 121
5.1.1 基礎流程 121
5.1.2 存在的問題 122
5.2 先進RAG系統 125
5.3 大模型主導的RAG系統 127
5.4 多模態RAG系統 131
5.5 本章小結 135
第6章 RAG系統訓練 136
6.1 RAG系統的訓練難點 136
6.2 訓練方法 138
6.3 獨立訓練 138
6.4 序貫訓練 139
6.4.1 凍結召回模塊 140
6.4.2 凍結生成模塊 141
6.5 聯合訓練 143
6.5.1 異步更新索引 143
6.5.2 批近似 147
6.6 本章小結 149
第三部分 實戰
第7章 基於LangChain實現RAG應用 152
7.1 LangChain基礎模塊 152
7.2 基於LangChain實現RAG 156
7.3 基於Streamlit搭建一個ChatPDF可視化應用 158
7.4 本章小結 161
第8章 RAG系統構建與微調實戰 162
8.1 向量模型構建 162
8.1.1 模型選型 162
8.1.2 訓練數據構造 163
8.1.3 向量模型訓練 166
8.1.4 向量模型聯合訓練 167
8.2 大模型指令微調 175
8.3 復雜問題處理 179
8.3.1 微調數據構造 180
8.3.2 微調數據處理 194
8.3.3 復雜問題推理處理 200
8.4 本章小結 203
