Ebook Hướng Dẫn Đơn Giản Về Retrieval Augmented Generation [Ấn Bản Lần 1, Tháng 6/2025] [PDF, EPUB + CODE] [9364E]
Mọi thứ bạn cần biết về Retrieval Augmented Generation trong một hướng dẫn thân thiện với con người.
Retrieval Augmented Generation, hay RAG, cải thiện dữ liệu có sẵn của LLM bằng cách thêm context từ một knowledge base bên ngoài, do đó, nó có thể trả lời chính xác về nội dung độc quyền, thông tin gần đây và thậm chí là các cuộc trò chuyện trực tiếp. RAG rất mạnh mẽ và với "Hướng dẫn đơn giản về Retrieval Augmented Generation", nó cũng dễ hiểu và triển khai!
Trong "Hướng dẫn đơn giản về Retrieval Augmented Generation", bạn sẽ học được:
- ✓ Các component của một hệ thống RAG.
- ✓ Cách tạo một RAG knowledge base.
- ✓ Indexing & Generation pipeline.
- ✓ Evaluating một RAG system.
- ✓ Các chiến lược RAG nâng cao.
- ✓ RAG tool, technology và framework.
"Hướng dẫn đơn giản về Retrieval Augmented Generation" cung cấp phần giới thiệu dễ hiểu nhưng toàn diện về RAG dành cho người mới bắt đầu sử dụng AI. Bạn sẽ chuyển từ RAG cơ bản sử dụng các indexing & generation pipeline, sang modular RAG và multimodal data từ image, spreadsheet, v.v.
Về công nghệ:
Nếu bạn muốn sử dụng một mô hình ngôn ngữ lớn để trả lời các câu hỏi về kinh doanh cụ thể của mình, thì bạn không có may mắn rồi. LLM có lẽ không biết gì về nó và thậm chí có thể đưa ra một phản hồi. Retrieval Augmented Generation là một phương pháp giải quyết loại vấn đề này. Đầu tiên, mô hình sẽ truy xuất các thông tin có liên quan nhất từ kho kiến thức của bạn (search index, vector database hoặc một tập hợp các document) và sau đó generate câu trả lời của nó bằng cách sử dụng prompt của người dùng và tài liệu đã truy xuất làm context. Điều này tránh được ảo giác và cho phép bạn quyết định nội dung của nó.
Về cuốn sách:
"Hướng dẫn đơn giản về Retrieval Augmented Generation" là hướng dẫn đơn giản về RAG. Cuốn sách dễ hiểu và chứa đầy các ví dụ code Python thực tế. Sách hướng dẫn bạn từng khái niệm một từ những bước đầu tiên với RAG đến các phương pháp tiếp cận nâng cao, khám phá cách các công cụ như LangChain và các thư viện Python giúp RAG trở nên dễ dàng. Và để đảm bảo bạn thực sự hiểu cách RAG hoạt động, bạn sẽ tự mình xây dựng một hệ thống hoàn chỉnh, ngay cả khi bạn mới làm quen với AI!
Bên trong có gì:
- ✓ Các component và ứng dụng của RAG.
- ✓ Evaluating các hệ thống RAG.
- ✓ Các công cụ và framework để triển khai RAG.
Về người đọc:
Dành cho các data scientist, engineer và technology manager, không yêu cầu kinh nghiệm LLM trước đó. Các ví dụ sử dụng code Python đơn giản, được chú thích rõ ràng.
Mục lục:
- ✓ Phần 1. Nền tảng:
- ✓ Chương 1. LLM và nhu cầu cho RAG.
- ✓ Chương 2. Các hệ thống RAG và thiết kế của chúng.
- ✓ Phần 2. Tạo các hệ thống RAG:
- ✓ Chương 3. Indexing pipeline: Tạo một knowledge base cho RAG.
- ✓ Chương 4. Generation pipeline: Generating các contextual LLM response.
- ✓ Chương 5. RAG evaluation: Accuracy, relevance, and faithfulness.
- ✓ Phần 3. RAG trong Production:
- ✓ Chương 6. Progression của các RAG system: Naïve, advanced & modular RAG.
- ✓ Chương 7. Evolving RAGOps stack.
- ✓ Phần 4. Các cân nhắc bổ sung:
- ✓ Chương 8. Graph, multimodal, agentic và các RAG variant khác.
- ✓ Chương 9. RAG development framework và khám phá thêm.
LƯU Ý: Pass mở file pdf là mật khẩu giải nén chung của tài liệu !