下载掌阅APP，畅读海量书库
立即打开
随着人工智能（Artificial Intelligence，AI）技术的迅猛进步，特别是像ChatGPT这样的大模型的问世，知识问答类应用进入了快速发展的时期，RAG（Retrieval-Augmented Generation，检索增强生成）随之获得了业界的高度关注。它通过将“检索”与“生成”两种方法相结合，增强了模型在处理需要深厚背景知识的任务时的表现，例如客服自动化和医疗咨询等场景。
RAG持续优化其知识提取、索引创建和检索策略，这些方面的改进推动了相关应用的成熟化。RAG的一大优势是它可以高效地更新知识库，而不需要复杂的微调过程，从而大幅降低了大型模型产生不准确回答的可能性。
随着对AI技术热情的理性回归，企业越来越重视AI的实际效用。RAG凭借其透明性和可控性，在企业级应用中占据了关键位置。对于开发者，构建一个融合文本和文档处理、图像分析、嵌入式模型、向量数据库等组件，并与大型模型集成的企业级RAG系统，不仅要求他们掌握RAG的概念、设计原则及如LlamaIndex这样的主流开发框架，还需要能够根据特定的业务需求提出有效的解决方案，以确保RAG可以顺利实施并实现技术与业务的无缝结合。
作为全面介绍RAG 应用开发的图书，本书旨在协助开发者更有效地设计和构建RAG应用。
本书具有以下特点。
● 热点主题：在当前的AI领域，大模型的应用落地无疑是最受瞩目的焦点，而其中RAG作为核心应用模式脱颖而出。本书作为一本原创著作，专注于RAG应用开发，涵盖了从基础概念到应用场景、开发方法、技术组件，再到工程实践方案等内容。
● 内容创新：本书聚焦于LlamaIndex——一个主流的数据驱动型RAG开发框架。书中不仅阐述了LlamaIndex的整体架构及其核心技术组件，更关键的是提供了这些组件的应用指南和实践案例。
● 案例驱动：本书采用以业务场景和实际案例为导向的实战方式编写，约四分之三的篇幅致力于介绍RAG的具体应用实例，并提供详尽的设计思路及即插即用的代码示例，旨在为读者提供实用的操作指导。
本书主要面向以下读者。
● 掌握一定编程语言和技术、对大模型特别是RAG应用开发有实际需求的技术人员。
● 对大模型和RAG有兴趣、希望体验AI技术的广大开发者。
● 系统架构分析和设计人员。
第1章着重于RAG的核心概念和技术体系的介绍，解析RAG的基本概念与应用场景，并探讨RAG应用开发中所涉及的关键技术，同时引出主流的开发框架。
第2章详细说明作为RAG应用开发主流框架的LlamaIndex，包括它所提供的各个核心技术组件及其具体应用方式。
第3章~第8章则聚焦于RAG应用开发的具体案例，涵盖文档聊天助手、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系统等应用。对于每一个案例，本书不仅提供具体的应用场景分析和系统设计思路，还结合LlamaIndex这一主流RAG开发框架的功能特性，讲解其在案例中的应用细节与实现过程，并分享背后的实践。
对于没有大模型和RAG开发基础的读者，建议按照章节顺序从第1章开始阅读，并逐步演练每一个示例，以建立坚实的知识基础。
对于已经具备一定RAG基础的读者，则可以根据自身的实际需求，有针对性地阅读各章节中的技术要点，以便深化已有知识或解决具体问题。
针对书中的每一个项目案例，建议先快速通读一遍，形成整体印象，之后，在开发环境中逐一操作每个项目的代码示例，通过实践加深对背后技术组件的理解。
由于作者水平有限，且编写时间仓促，书中可能存在错误或不准确之处，恳请读者批评指正。你可以通过访问Bug勘误表页面提交阅读过程中遇到的问题。此外，书中涉及的代码资源可以通过以下链接下载：https://github.com/tianminzheng/llamaindex-rag-in-action。同时，我也会在此仓库中及时更新并修正相应的功能。
我要特别感谢我的家人，尤其是我的妻子章兰婷女士，在我撰写本书时占用大量晚间和周末时间的情况下，给予我极大的支持与理解。同时，我也要感谢过去和现在的同事们，身处业界领先的公司和团队，我获得了许多宝贵的学习和成长机会。没有大家平日的帮助和支持，这本书的完成将无从谈起。最后，我要感谢人民邮电出版社的编辑团队，本书能够顺利出版，离不开他们的专业协助和悉心指导。
郑天民