RAG书籍《大模型RAG实战》出版_大模型rag实战 pdf-CSDN博客

本文链接：https://blog.csdn.net/m0_65555479/article/details/142977363

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。在这里插入图片描述
RAG大致流程，图片来自：[www.promptingguide.ai/research/ra…]

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。

在这里插入图片描述

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：这一章比较琐碎，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。

在这里插入图片描述

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述