大型语言模型（LLMs）通过在自然语言任务及其它领域的成功应用，如 ChatGPT、Bard、Claude 等所示，已经彻底改变了 AI 领域。这些 LLMs 能够生成从创意写作到复杂代码的文本。然而

一次对大型语言模型（LLM）的调用可能已经非常强大，但如果将您的逻辑置于一个循环中，目标是完成更复杂的任务，那么您可以将检索增强生成（RAG）开发提升到一个全新的水平。这就是代理（agents）的概念

本章的代码实验室为本书其余部分的代码奠定基础。我们将在整个章节中提供一个完整的检索增强生成（RAG）流水线。接下来，在本书的各个章节中，我们将逐步查看代码的不同部分，随着学习的深入，我们会在代码中添加

当你在开发基于检索增强生成（RAG）的应用时，理解每个组件的细节、它们如何集成以及支持这些系统的技术至关重要。 在本章中，我们将讨论以下主题： 关键组件概述 索引 检索与生成 提示词设计 定义你的LL

几乎所有情况下，检索增强生成（RAG）的开发都涉及创建一个或多个应用程序，简称为“应用”。在最初编写RAG应用程序时，通常会在代码中创建一个变量，表示一个提示（prompt）或其他类型的输入，这些输入

向量是检索增强生成（RAG）中的一个关键组成部分，它们是帮助整个过程顺利运行的秘密武器。在本章中，我们将重新回顾前几章的代码，并重点讨论向量如何影响这些代码。简单来说，本章将讲解什么是向量，如何创建向

本章主要讲解检索增强生成（RAG）中的检索部分（R）。具体而言，我们将讨论与相似度搜索相关的四个领域：索引、距离度量、相似度算法和向量搜索服务。基于此，本章将覆盖以下内容： 距离度量、相似度算法与向量

本章深入探讨了我们之前讨论过的关键技术组件，重点是它们在 LangChain 和检索增强生成（RAG）中的应用。回顾一下，我们的 RAG 系统的关键技术组件按使用顺序依次是向量存储、检索器和大型语言模

我们已经多次提到LangChain，并向您展示了很多LangChain代码，包括实现LangChain特定语言的代码：LangChain表达式语言（LCEL）。现在，您已经熟悉了使用LangChain