网站建设的前端和后端/seo检测

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。

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。

希望本书能能助您快速入门大模型RAG，后台留言、github提issue均可。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

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，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。【保证100%免费】🆓

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI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。（全套教程文末领取哈）

👉4.大模型落地应用案例PPT👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓