（RAG）技术结合了大模型（LLM）与内部数据，从而实现更智能且相关性更高的 AI 应用

news2024/10/9 15:34:07

利用先进的生成式 AI 技术（如 RAG），释放数据的潜力，推动创新并获取战略优势

主要功能

使用向量数据库优化数据检索和生成
通过 AI 代理提升决策效率并自动化工作流程
克服实施真实 RAG 系统中的常见挑战
购买印刷版或 Kindle 版书籍即可免费获取 PDF 电子书

图书简介
By finelybook
生成式 AI 正在帮助组织以新的方式挖掘数据潜力，检索增强生成（RAG）技术结合了大型语言模型（LLM）与内部数据，从而实现更智能且相关性更高的 AI 应用。本书的作者结合了他十年机器学习的经验，为您提供在使用 RAG 推动变革性成果时所需的战略见解和技术专长。

本书探讨了 RAG 在增强组织运营中的作用，将理论基础与实用技术相结合。您将通过使用 LangChain 和 Chroma 向量数据库等工具的详细代码示例，获得在 AI 系统中集成 RAG 的实践经验。章节中包含了真实的案例研究和示例应用，展示了 RAG 的多种应用场景，包括搜索引擎和聊天机器人。您将学习如何管理向量数据库、优化数据检索、有效的提示工程（prompt engineering）、以及量化性能评估的方法。本书还介绍了将 RAG 与前沿 AI 代理及新兴的非 LLM 技术的高级集成。

通过本书的学习，您将能够在商业场景中成功部署 RAG，解决常见的挑战，并扩展该革命性 AI 技术的潜力。

您将学到的内容

了解 RAG 的原理及其在生成式 AI 中的重要性
将 LLM 与内部数据集成以增强业务运营
掌握向量化、向量数据库及向量搜索技术
发展专用于 RAG 的提示工程技能并设计精准的 AI 响应
了解 AI 代理在推动复杂 RAG 应用中的角色
克服可扩展性、数据质量和集成问题
探索优化数据检索和 AI 可解释性的策略

本书适合的人群本书适合 AI 研究人员、数据科学家、软件开发人员和业务分析师，他们希望利用 RAG 和生成式 AI 来增强数据检索、提高 AI 精度和推动创新。对于任何具备 AI 基础知识并寻求实践性学习的读者，本书都具有特别的吸引力。书中提供了真实的代码示例和策略，使其对技术和非技术读者都适用。需要具备 Python 和 Jupyter Notebook 的基础知识。

什么是检索增强生成（RAG）
代码实验室——完整的 RAG 流程
RAG 的实际应用
RAG 系统的组成部分
管理 RAG 应用中的安全性
与 RAG 和 Gradio 的接口
向量和向量存储在 RAG 中的关键作用
使用向量进行相似性搜索
RAG 的定量和可视化评估
LangChain 中的关键 RAG 组件
使用 LangChain 提升 RAG 效果
结合 AI 代理和 LangGraph 实现 RAG 的强大功能
通过提示工程改进 RAG 工作
改善结果的 RAG 高级技术

关于作者Keith Bourne 是强生公司的一名高级生成式 AI 数据科学家，拥有超过十年的机器学习和 AI 经验，曾在从初创企业到财富 500 强公司的各种项目中工作。他拥有巴布森学院的 MBA 学位和密歇根大学的应用数据科学硕士学位，曾从零开始开发多个复杂的模块化生成式 AI 平台，使用了包括 RAG、AI 代理和基础模型微调在内的多项先进技术。Keith 希望通过本书向更广泛的读者分享他的知识，致力于为那些希望利用这一前沿技术的组织揭开 RAG 的复杂性。