关注 w&e&i x#i#n 公*号“炼钢AI”，回复“RAG”获得抽奖链接，抽取1~3位幸运读者送出《大模型RAG实战》。
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。
RAG大致流程，图片来自：www.promptingguide.ai/research/ra…
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。
