大模型实战 从零实现RAG与AGENT系统

实践导向：将理论与实践紧密结合，使读者能够在实际操作中学习和掌握RAG技术。
案例丰富：将综合项目案例系统拆分成多个子系统，帮助读者深入理解RAG在不同场景下的应用。
全面覆盖：从基础概念到架构设计，涵盖RAG的各个方面，为读者提供全面的学习路径。
易于理解：以清晰的结构和语言，确保复杂的概念易于理解，便于读者快速掌握RAG的核心思想。

本书深入探讨了RAG技术体系及其应用，内容涉及从基础概念到高级应用的各个方面。首先，解构了大模型应用的基本模式与局限性，并引入RAG作为增强生成能力的一种方法，讲解了RAG的核心概念、组成结构及应用场景，还涵盖了RAG的基础、高级、模块化和智能体形式的技术体系。其次，以LlamaIndex为工具，展示了如何实现RAG，包括提示词设计、文档与索引创建、上下文检索及查询引擎构建等具体步骤。最后，介绍了基于RAG构建文档聊天助手、多模态内容解析器、数据库检索器、知识图谱系统、工作流引擎及多Agent系统的实践案例，每个案例均包含技术细节与实现效果演示。
本书适合人工智能领域的开发者、研究人员，以及自然语言处理、知识图谱、智能客服等专业人士阅读。

郑天民，日本足利工业大学信息工程学硕士，拥有十余年软件行业从业经验，目前在一家大健康领域的创新型科技公司担任CTO，负责产品研发与技术团队管理工作。他开发过十余个面向开发人员的技术和管理类培训课程项目，在架构设计和技术管理方面有丰富的经验。他是阿里云MVP、腾讯云TVP、TGO鲲鹏会会员。他著有《Apache ShardingSphere实战》《Spring响应式微服务：Spring Boot 2+Spring 5+Spring Cloud实战》《系统架构设计》《微服务设计原理与架构》《Spring Security原理与实践》等图书。

第 1章 解构RAG 1
1.1 LLM应用概述 1
1.1.1 LLM应用的基本模式 1
1.1.2 LLM应用的局限性 3
1.2 引入RAG 4
1.2.1 RAG核心概念 4
1.2.2 RAG的组成结构 6
1.2.3 RAG的应用场景 8
1.3 RAG的技术体系 9
1.3.1 基础RAG 9
1.3.2 高级RAG 9
1.3.3 模块化RAG 10
1.3.4 智能体RAG 10
本章小结 11
第 2章 使用LlamaIndex实现RAG 13
2.1 LlamaIndex概述 13
2.1.1 LlamaIndex的工作流程 14
2.1.2 LlamaIndex RAG技术组件 15
2.2 提示词 18
2.2.1 提示词结构 19
2.2.2 提示词模板 20
2.2.3 定制化提示词 22
2.3 文档与索引 24
2.3.1 文档加载和解析 24
2.3.2 索引创建和管理 30
2.4 上下文检索 34
2.4.1 创建多样化检索器 34
2.4.2 构建高级检索机制 37
2.5 响应结果处理 39
2.5.1 后处理器 40
2.5.2 响应整合器 42
2.6 构建查询引擎 44
2.6.1 查询引擎的基础用法 44
2.6.2 查询引擎的高级用法 45
本章小结 46
第3章 使用RAG构建文档聊天助手 47
3.1 文档RAG工作机制 47
3.1.1 初始化OpenAI模型 48
3.1.2 OpenAI模型的功能特性 50
3.1.3 OpenAI消息类型 50
3.2 实现文档处理与聊天引擎 52
3.2.1 使用DirectoryReader读取文档 52
3.2.2 基于VectorStoreIndex构建索引 54
3.2.3 实现聊天引擎 56
3.3 基于Streamlit运行RAG应用 60
3.3.1 使用Streamlit构建可视化系统 60
3.3.2 整合Streamlit与文档聊天助手 63
3.3.3 执行效果演示 64
本章小结 66
第4章 使用RAG实现多模态内容解析器 67
4.1 引入多模态RAG 67
4.2 LlamaIndex多模态技术 69
4.3 实现图像解析与存储 71
4.3.1 处理图像文件 71
4.3.2 执行图像解析 73
4.3.3 集成图像持久化 77
4.3.4 执行效果演示 79
本章小结 84
第5章 使用RAG实现数据库检索器 85
5.1 使用非结构化数据访问RAG 85
5.2 实现基础版数据库检索器 87
5.2.1 创建SQLDatabase 87
5.2.2 创建NLSQLTableQueryEngine实例 90
5.3 LlamaIndex数据库检索技术 91
5.4 实现高阶版数据库检索器 92
5.4.1 整合向量存储和检索 93
5.4.2 实现SQLAutoVector检索 97
5.4.3 实现SQL Join检索 104
本章小结 105
第6章 使用RAG搭建知识图谱系统 107
6.1 知识图谱与GraphRAG 107
6.1.1 知识图谱技术 107
6.1.2 GraphRAG基本结构 109
6.2 LlamaIndex图处理技术 110
6.2.1 使用属性图构建知识图谱 110
6.2.2 图数据库集成 111
6.3 知识图谱系统实现 112
6.3.1 使用GraphExtractor构建图结构 112
6.3.2 构建PropertyGraphIndex 114
6.3.3 创建Retriever和QueryEngine 118
6.3.4 集成图数据库 120
6.4 实现RAG的可观测性 122
6.4.1 链路追踪基本原理 122
6.4.2 基于Phoenix追踪RAG 123
本章小结 125
第7章 使用RAG集成工作流引擎 127
7.1 工作流RAG场景分析 128
7.2 LlamaIndex的工作流组件 128
7.2.1 LlamaIndex工作流核心概念 128
7.2.2 LlamaIndex工作流开发模式 130
7.2.3 LlamaIndex工作流功能特性 133
7.2.4 LlamaIndex查询管道机制 136
7.3 基于工作流实现自定义ReActAgent 138
7.3.1 ReAct工作流设计 139
7.3.2 ReAct工作流实现步骤 141
7.3.3 执行效果演示 146
7.4 基于工作流实现CRAG 148
7.4.1 CRAG基本概念 148
7.4.2 CRAG实现步骤 149
7.4.3 执行效果演示 156
本章小结 158
第8章 使用RAG构建多Agent系统 159
8.1 多Agent系统场景分析与设计 159
8.2 LlamaIndex Agent技术详解 161
8.2.1 理解Agent机制 161
8.2.2 LlamaIndex Agent组件 164
8.3 多Agent文档处理系统实现 169
8.3.1 实现两层文档处理Agent 170
8.3.2 执行效果演示 173
8.4 多Agent智能客服助手实现 175
8.4.1 业务分析和系统设计 175
8.4.2 实现协调类Agent 177
8.4.3 实现任务类Agent 184
8.4.4 执行效果演示 189
本章小结 192