更新时间：2024-10-29 18:54:15
封面
版权信息
内容简介
前言
第一部分 基础
第1章 RAG与大模型应用
1.1 大模型应用的方向：RAG
1.1.1 什么是RAG
1.1.2 RAG与模型微调的对比
1.1.3 RAG带来的范式改变
1.2 为什么需要RAG
1.2.1 大模型的知识更新问题
1.2.2 大模型生成结果的不可解释性问题
1.2.3 大模型的数据泄露问题
1.2.4 大模型的训练成本问题
1.3 RAG的工作流程
1.3.1 数据准备
1.3.2 数据召回
1.3.3 答案生成
1.4 RAG的优缺点
1.4.1 RAG的优点
1.4.2 RAG的缺点
1.5 RAG的使用场景
1.6 RAG面临的挑战
1.6.1 LLM的伸缩法则与知识库大小的关系
1.6.2 相似度搜索的性能问题
1.7 本章小结
第2章 语言模型基础
2.1 Transformer
2.1.1 词嵌入
2.1.2 编码器
2.1.3 解码器
2.1.4 解码头
2.2 自动编码器
2.2.1 ELMo
2.2.2 BERT
2.3 自回归模型
2.3.1 GPT
2.3.2 LLaMA
2.4 本章小结
第3章 文本召回模型
3.1 文本召回模型基础
3.2 稠密向量检索模型
3.2.1 SimCSE
3.2.2 SBERT
3.2.3 CoSENT
3.2.4 WhiteBERT
3.2.5 SGPT
3.3 稀疏向量检索模型
3.3.1 朴素词袋模型
3.3.2 TF-IDF
3.3.3 BM25
3.4 重排序模型
3.5 本章小结
第二部分 原理
第4章 RAG核心技术与优化方法
4.1 提示词工程
4.1.1 提示词工程基础
4.1.2 RAG场景下的提示词设计
4.2 文本切块
4.2.1 固定大小文本切块
4.2.2 基于NLTK的文本切块
4.2.3 特殊格式文本切块
4.2.4 基于深度学习模型的文本切块
4.3 向量数据库
4.3.1 Faiss
4.3.2 Milvus
4.3.3 Weaviate
4.3.4 Chroma
4.3.5 Qdrant
4.4 召回环节优化
4.4.1 短文本全局信息增强
4.4.2 召回内容上下文扩充
4.4.3 文本多向量表示
4.4.4 查询内容优化
4.4.5 召回文本重排序
4.4.6 多检索器融合
4.4.7 结合元数据召回
4.5 效果评估
4.5.1 召回环节评估
4.5.2 模型回答评估
4.6 LLM能力优化
4.6.1 LLM微调
4.6.2 FLARE
4.6.3 Self-RAG
4.7 本章小结
第5章 RAG范式演变
5.1 基础RAG系统
5.1.1 基础流程
5.1.2 存在的问题
5.2 先进RAG系统
5.3 大模型主导的RAG系统
5.4 多模态RAG系统
5.5 本章小结
第6章 RAG系统训练
6.1 RAG系统的训练难点
6.2 训练方法
6.3 独立训练
6.4 序贯训练
6.4.1 冻结召回模块
