首本系统性讲解大模型RAG书籍出版--大模型RAG实战：大模型RAG实战：RAG原理、应用与系统构建（附PDF）

本文链接：https://blog.csdn.net/DEVELOPERAA/article/details/147161177

随着ChatGPT的爆火，推动了新一轮的AI技术进步。但大模型自身存在幻觉、知识更新难等问题，阻碍了其直接进行落地应用。RAG（Retrieval-Augmented Generation）技术将LLM与文本信息检索相结合，解决了在一些场景下模型知识不足的问题。RAG的大致流程如下图所示，将候选文本向量化后当作索引存入向量数据库。用户提出问题后，也将问题向量化，并从数据库中召回和问题相关的候选文本，一并加入到LLM的上下文中，进行回答。使用RAG技术能帮助工程师们在实际应用场景下将LLM快速落地。

RAG大致流程，图片来自：https://www.promptingguide.ai/research/rag

本书开始写作于2023年11月，当时在一家大厂做LLM应用相关工作已经有一段时间了，我们算做RAG比较早的部门，记得23年5月份开始就接触RAG了（leader岁数比较大，不过还是挺能接受新技术的）。最开始这套东西被叫做RAG还不是特别广泛，我在23年6月写了一篇知乎文章，还叫《大模型外挂(向量)知识库》。当时网上还没有特别多的相关资料，看的都是SentenceTransformers官方文档。大概23年10月份左右，认识了本书的另外一位作者，一拍即合，想把一些RAG比较零碎的东西整合起来，比较系统的写一本书。

写书是个比较慢的过程，工作之余，断断续续，大概用了4个月，主要内容便写完了。然后就是校稿、修改，封面设计等，直到24年9月份《大模型RAG实战：大模型RAG实战：RAG原理、应用与系统构建》才正式出版。感觉我们的进度不是很快，没想到还是能占到“第一本RAG书籍”的坑。

LLM相关技术近两年发展速度大家也有目共睹，学不完，根本学不完。因此本书不免会有一些新技术没有涵盖，我们也维护了一个github仓库，书的代码以及一些新的RAG技术也会更新到这个仓库里:

https://github.com/Nipi64310/RAG-Book

接下来，介绍一些本书所涵盖的大致内容，方便读者判断是否适合购买这本书，本书一共有8章。

第一章：介绍了RAG的发展，和LLM微调的对比，优缺点、以及RAG解决了LLM直接落地时候的哪些难点。

第二章:介绍了Transformer相关的基本原理，包括embedding、编码器、解码器等。

第三章：介绍了RAG环节里比较核心的文本向量化模型。首先介绍了和文本向量化模型比较相关的基础概念，比如对齐性、均匀性、句向量表示方法、对称检索非对称检索等。然后介绍了一些稠密向量检索模型，包括SimCSE、SBERT、CoSENT、WhiteBERT、SGPT等。注意，本章并没有特别介绍排行榜上的各种模型（如bge等），榜上的大部分模型（在写作本书的时间点上）基本都是按照SimCSE的方式训练的，本章更侧重介绍不同的向量化模型训练范式，让读者了解更本质的文本向量表示方法。最后，也介绍了稀疏向量检索模型和重排序模型。

第四章：这一张比较琐碎，内容也比较多：

（1）LLM基础的提示词工程以及在RAG场景下的提示词技巧。

（2）文本切块方法，包含基于规则的以及基于模型的。

（3）向量数据库的基本原理以及一些开源向量数据库

（4）召回环节优化策略：短文本全局信息增强、上下文扩充、文本多向量表示、元数据召回、重排序等。

（5）召回环节的评估以及模型回答评估

（6）RAG场景下的LLM优化，包括微调FLARE、Self-RAG等。

第五章：介绍了RAG的范式演变，从基础的RAG系统开始到agent再到多模态RAG

第六章：介绍了RAG系统相关的训练内容。除了文本向量化模型和LLM可以独立训练外，还可以将二者联合起来，进行序贯训练以及联合训练。

第七章：介绍了如何基于langchain构建一个简单的RAG系统。包括langchain基础模块介绍，以及构建一个ChatPDF可视化应用。

第八章：本章从实战角度出发，讲解了向量化模型和LLM的选型、训练数据构造、训练方法等。

希望本书能能助您快速入门大模型RAG，有问题随时联系笔者，加微信、后台留言、github提issue均可。如您也有大模型相关公众号且愿意宣传本书，也可联系笔者，免费提供抽奖所用书籍。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望