给大家详细介绍一波，就是这本《大模型RAG实战-RAG原理、应用与系统构建》
内容简介：
这是一本全面讲解RAG技术原理、实战应用与系统构建的著作。作者结合自身丰富的实战经验，详细阐述了RAG的基础原理、核心组件、优缺点以及使用场景，同时探讨了RAG在大模型应用开发中的变革与潜力。书中不仅揭示了RAG技术背后的数学原理，还通过丰富的案例与代码实现，引导读者从理论走向实践，轻松掌握RAG系统的构建与优化。无论你是深度学习初学者，还是希望提升RAG应用技能的开发者，本书都将为你提供宝贵的参考与指导。
这份《大模型应用开发：动手做AI Agent》PDF已经整理好，还有完整版的大模型 AI 学习资料，朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】👇👇
通过阅读本书，你将掌握以下知识：
- 透彻理解RAG的召回和生成模块算法
- 高级RAG系统的技巧
- RAG系统的各种训练方式方法
- 深入了解RAG的范式变迁
- 实战0基础搭建RAG系统
- 实战高级RAG系统微调与流程搭建
章节介绍：
第一章：介绍了RAG的发展
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。然后介绍了一些稠密向量检索模型和稀疏检索模型。
第四章：这一张比较琐碎，内容也比较多：
（1）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、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。比如，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。
书籍目录：
第一部分 基础
第1章 RAG与大模型应用 2
- 1.1 大模型应用的方向：RAG 2
- 1.2 为什么需要RAG 6
- 1.3 RAG的工作流程 9
- 1.4 RAG的优缺点 12
- 1.5 RAG的使用场景 14
- 1.6 RAG面临的挑战 16
- 1.7 本章小结 19
第2章 语言模型基础 20
- 2.1 Transformer 20
- 2.2 自动编码器 41
- 2.3 自回归模型 47
- 2.4 本章小结 56
第3章 文本召回模型 58
- 3.1 文本召回模型基础 58
- 3.2 稠密向量检索模型 61
- 3.3 稀疏向量检索模型 67
- 3.4 重排序模型 71
- 3.5 本章小结 72
第二部分 原理
第4章 RAG核心技术与优化方法 74
- 4.1 提示词工程 74
- 4.2 文本切块 83
- 4.3 向量数据库 87
- 4.4 召回环节优化 94
- 4.5 效果评估 107
- 4.6 LLM能力优化 115
- 4.7 本章小结 120
第5章 RAG范式演变 121
- 5.1 基础RAG系统 121
- 5.2 先进RAG系统 125
- 5.3 大模型主导的RAG系统 127
- 5.4 多模态RAG系统 131
- 5.5 本章小结 135###第6章 RAG系统训练 136
- 6.1 RAG系统的训练难点 136
- 6.2 训练方法 138
- 6.3 独立训练 138
- 6.4 序贯训练 139
- 6.5 联合训练 143
- 6.6 本章小结 149
第三部分 实战
第7章 基于LangChain实现RAG应用 152
- 7.1 LangChain基础模块 152
- 7.2 基于LangChain实现RAG 156
- 7.3 基于Streamlit搭建一个ChatPDF可视化应用 158
- 7.4 本章小结 161
第8章 RAG系统构建与微调实战 162
- 8.1 向量模型构建 162
- 8.2 大模型指令微调 175
- 8.3 复杂问题处理 179
- 8.4 本章小结 203
这份《大模型应用开发：动手做AI Agent》PDF已经整理好，还有完整版的大模型 AI 学习资料，朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】👇👇
