第 1章 解構(gòu)RAG 1

1.1 LLM應(yīng)用概述 1

1.1.1 LLM應(yīng)用的基本模式 1

1.1.2 LLM應(yīng)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的組成結(jié)構(gòu) 6

1.2.3 RAG的應(yīng)用場(chǎng)景 8

1.3 RAG的技術(shù)體系 9

1.3.1 基礎(chǔ)RAG 9

1.3.2 高級(jí)RAG 9

1.3.3 模塊化RAG 10

1.3.4 智能體RAG 10

本章小結(jié) 11

第 2章 使用LlamaIndex實(shí)現(xiàn)RAG 13

2.1 LlamaIndex概述 13

2.1.1 LlamaIndex的工作流程 14

2.1.2 LlamaIndex RAG技術(shù)組件 15

2.2 提示詞 18

2.2.1 提示詞結(jié)構(gòu) 19

2.2.2 提示詞模板 20

2.2.3 定制化提示詞 22

2.3 文檔與索引 24

2.3.1 文檔加載和解析 24

2.3.2 索引創(chuàng)建和管理 30

2.4 上下文檢索 34

2.4.1 創(chuàng)建多樣化檢索器 34

2.4.2 構(gòu)建高級(jí)檢索機(jī)制 37

2.5 響應(yīng)結(jié)果處理 39

2.5.1 后處理器 40

2.5.2 響應(yīng)整合器 42

2.6 構(gòu)建查詢(xún)引擎 44

2.6.1 查詢(xún)引擎的基礎(chǔ)用法 44

2.6.2 查詢(xún)引擎的高級(jí)用法 45

本章小結(jié) 46

第3章 使用RAG構(gòu)建文檔聊天助手 47

3.1 文檔RAG工作機(jī)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消息類(lèi)型 50

3.2 實(shí)現(xiàn)文檔處理與聊天引擎 52

3.2.1 使用DirectoryReader讀取文檔 52

3.2.2 基于VectorStoreIndex構(gòu)建索引 54

3.2.3 實(shí)現(xiàn)聊天引擎 56

3.3 基于Streamlit運(yùn)行RAG應(yīng)用 60

3.3.1 使用Streamlit構(gòu)建可視化系統(tǒng) 60

3.3.2 整合Streamlit與文檔聊天助手 63

3.3.3 執(zhí)行效果演示 64

本章小結(jié) 66

第4章 使用RAG實(shí)現(xiàn)多模態(tài)內(nèi)容解析器 67

4.1 引入多模態(tài)RAG 67

4.2 LlamaIndex多模態(tài)技術(shù) 69

4.3 實(shí)現(xiàn)圖像解析與存儲(chǔ) 71

4.3.1 處理圖像文件 71

4.3.2 執(zhí)行圖像解析 73

4.3.3 集成圖像持久化 77

4.3.4 執(zhí)行效果演示 79

本章小結(jié) 84

第5章 使用RAG實(shí)現(xiàn)數(shù)據(jù)庫(kù)檢索器 85

5.1 使用非結(jié)構(gòu)化數(shù)據(jù)訪問(wèn)RAG 85

5.2 實(shí)現(xiàn)基礎(chǔ)版數(shù)據(jù)庫(kù)檢索器 87

5.2.1 創(chuàng)建SQLDatabase 87

5.2.2 創(chuàng)建NLSQLTableQueryEngine實(shí)例 90

5.3 LlamaIndex數(shù)據(jù)庫(kù)檢索技術(shù) 91

5.4 實(shí)現(xiàn)高階版數(shù)據(jù)庫(kù)檢索器 92

5.4.1 整合向量存儲(chǔ)和檢索 93

5.4.2 實(shí)現(xiàn)SQLAutoVector檢索 97

5.4.3 實(shí)現(xiàn)SQL Join檢索 104

本章小結(jié) 105

第6章 使用RAG搭建知識(shí)圖譜系統(tǒng) 107

6.1 知識(shí)圖譜與GraphRAG 107

6.1.1 知識(shí)圖譜技術(shù) 107

6.1.2 GraphRAG基本結(jié)構(gòu) 109

6.2 LlamaIndex圖處理技術(shù) 110

6.2.1 使用屬性圖構(gòu)建知識(shí)圖譜 110

6.2.2 圖數(shù)據(jù)庫(kù)集成 111

6.3 知識(shí)圖譜系統(tǒng)實(shí)現(xiàn) 112

6.3.1 使用GraphExtractor構(gòu)建圖結(jié)構(gòu) 112

6.3.2 構(gòu)建PropertyGraphIndex 114

6.3.3 創(chuàng)建Retriever和QueryEngine 118

6.3.4 集成圖數(shù)據(jù)庫(kù) 120

6.4 實(shí)現(xiàn)RAG的可觀測(cè)性 122

6.4.1 鏈路追蹤基本原理 122

6.4.2 基于Phoenix追蹤RAG 123

本章小結(jié) 125

第7章 使用RAG集成工作流引擎 127

7.1 工作流RAG場(chǎng)景分析 128

7.2 LlamaIndex的工作流組件 128

7.2.1 LlamaIndex工作流核心概念 128

7.2.2 LlamaIndex工作流開(kāi)發(fā)模式 130

7.2.3 LlamaIndex工作流功能特性 133

7.2.4 LlamaIndex查詢(xún)管道機(jī)制 136

7.3 基于工作流實(shí)現(xiàn)自定義ReActAgent 138

7.3.1 ReAct工作流設(shè)計(jì) 139

7.3.2 ReAct工作流實(shí)現(xiàn)步驟 141

7.3.3 執(zhí)行效果演示 146

7.4 基于工作流實(shí)現(xiàn)CRAG 148

7.4.1 CRAG基本概念 148

7.4.2 CRAG實(shí)現(xiàn)步驟 149

7.4.3 執(zhí)行效果演示 156

本章小結(jié) 158

第8章 使用RAG構(gòu)建多Agent系統(tǒng) 159

8.1 多Agent系統(tǒng)場(chǎng)景分析與設(shè)計(jì) 159

8.2 LlamaIndex Agent技術(shù)詳解 161

8.2.1 理解Agent機(jī)制 161

8.2.2 LlamaIndex Agent組件 164

8.3 多Agent文檔處理系統(tǒng)實(shí)現(xiàn) 169

8.3.1 實(shí)現(xiàn)兩層文檔處理Agent 170

8.3.2 執(zhí)行效果演示 173

8.4 多Agent智能客服助手實(shí)現(xiàn) 175

8.4.1 業(yè)務(wù)分析和系統(tǒng)設(shè)計(jì) 175

8.4.2 實(shí)現(xiàn)協(xié)調(diào)類(lèi)Agent 177

8.4.3 實(shí)現(xiàn)任務(wù)類(lèi)Agent 184

8.4.4 執(zhí)行效果演示 189

本章小結(jié) 192