"如果你想利用大语言模型来回答关于特定业务的问题，那可能要失望了。大语言模型或许对此一无所知，甚至可能编造答案。RAG是一种能够解决这类问题的方法。该模型首先从你的知识存储(搜索索引、向量数据库或一组文档)中检索出最相关的信息，然后以用户的提问和检索到的材料为背景生成答案。这样既能避免模型“幻觉”(虚构事实)，又能让你决定它输出的内容。 《构建RAG系统：原理、架构与工程实践》是一本以通俗易懂的语言介绍RAG的指南。本书易于理解，且包含大量贴合实际的Python代码示例。它会循序渐进地引导你，从初次接触RAG的基础知识，到探索使用LangChain等工具和Python库简化RAG应用的高级方法。为确保你真正理解RAG的工作原理，即使你是人工智能领域的新手，本书也将助力你亲手搭建一个完整的系统！ 主要内容： ?RAG的组件与应用 ?RAG系统评估 ?实现RAG的工具与框架"

Abhinav Kimothi是一位经验丰富的数据与人工智能专家。他在数据科学、机器学习和人工智能领域担任顾问与领导职务超过15年，目前是Sigmoid公司的数据科学总监。

译 者 序 2022年11月30日，ChatGPT横空出世，此后，“生成式AI”与“大语言模型”这两个术语迅速从学术圈走进大众视野。然而，随着使用深入，大语言模型的短板也日渐显现——它们会“一本正经地胡说八道”，会因所学知识的截止日期而无法回答关于近期事件的问题，更对私有数据一无所知。 正是在这样的背景下，检索增强生成(RAG)技术应运而生，并迅速成为AI领域发展最快的技术方向之一。RAG的核心思想朴素而精妙：它不试图让大语言模型记住所有知识，而是教会它在回答之前先去“查资料”——从外部知识库中检索相关信息，再用这些信息增强提示词，最后让模型基于可靠的上下文生成答案。这一技术路线有效缓解了幻觉问题，让大语言模型的回答变得可追溯、可验证、可信任。 这是一本为初学者铺路、为实践者指路的书。全书分为四部分，共九章，内容编排循序渐进。书中穿插了大量基于LangChain框架的Python代码示例，读者即使没有大语言模型的背景知识，也可以跟随书中指引，从零开始搭建一个完整的RAG系统。 翻译这本书的过程，也是译者系统梳理RAG知识体系的过程。从数据加载、文本分块、向量嵌入到向量数据库的选型，从检索策略、提示工程到系统评估与部署，每一个环节都凝聚着作者在实战中积累的宝贵经验。尤其令译者印象深刻的是，作者始终保持“以简驭繁”的写作风格——无论多么复杂的概念，他总能用清晰的逻辑和生动的类比讲清楚，让读者真正理解“为什么这样做”而不只是“怎么做”。这种化繁为简的专业功底，源于他多年躬身实践中的深刻洞察。 在翻译中，译者力求忠实传达原作的准确与清晰，同时兼顾中文表达的流畅与自然。...