《Llamalndex大模型RAG開發(fā)實踐》是一本深入探討基于 Llamalndex 和 RAG 技術(shù)構(gòu)建 LLM 應(yīng)用和智能體的實踐指南，旨在幫助讀者掌握生成式 AI的核心技能。本書介紹了工LM 與 RAG 的概念，闡述了如何通過 Uamalndex 增強ILM 的檢索推理與回答能力。此外，本書還涵蓋了工作流效率提升、RAG 項目的定制開發(fā)與部署、性能追蹤與評估技術(shù)、智能體構(gòu)建和提示工程最佳實踐等多方面內(nèi)容。
《Llamalndex大模型RAG開發(fā)實踐》是一本深入探討基于 Llamalndex 和 RAG 技術(shù)構(gòu)建 LLM 應(yīng)用和智能體的實踐指南，旨在幫助讀者掌握生成式 AI的核心技能。本書介紹了工LM 與 RAG 的概念，闡述了如何通過 Uamalndex 增強ILM 的檢索推理與回答能力。此外，本書還涵蓋了工作流效率提升、RAG 項目的定制開發(fā)與部署、性能追蹤與評估技術(shù)、智能體構(gòu)建和提示工程最佳實踐等多方面內(nèi)容。
穿越了生成式 AI 和大語言模型快速發(fā)展所引起的最初熱潮，我們得以觀察這項技術(shù)的優(yōu)勢和局限性。大語言模型是一種多功能且強大的工具，代表自然語言生成（natural language generation，NLG）技術(shù)的前沿應(yīng)用，并推動了多個領(lǐng)域的創(chuàng)新發(fā)展。盡管大語言模型潛力巨大，但它也有局限性，如無法訪問實時數(shù)據(jù)、難以辨別真?zhèn)巍⑻幚黹L篇文檔時難以保持上下文連貫性，以及在推理和事實記憶方面表現(xiàn)出不可預測的錯誤。檢索增強生成技術(shù)（retrieval-augmented generation，RAG）試圖解決這些問題，而 LlamaIndex 可能是進入這一開發(fā)新范式的最簡單、最友好的方式。開源框架 LlamaIndex 由一個繁榮且不斷壯大的社區(qū)推動，它為各種 RAG 場景提供了豐富的工具，這也是本書編寫的原因。作者第一次接觸 LlamaIndex 框架時，對其全面的官方文檔印象深刻。但很快發(fā)現(xiàn)，對于初學者來說，眾多的選項可能會令人感到不知所措。因此，本書的目標是提供一個適合初學者的指南，幫助讀者了解并使用 LlamaIndex 框架的功能。隨著對 LlamaIndex 內(nèi)部機制的深入了解，讀者會更加欣賞它的高效性。本書通過簡化復雜概念并提供實際案例，旨在確保讀者能自信地構(gòu)建 RAG 應(yīng)用，同時避免常見的陷阱。
所以，請跟隨我們一起踏上探索 LlamaIndex 生態(tài)系統(tǒng)的旅程：從理解 RAG 的基礎(chǔ)概念到掌握高級技術(shù)，讀者將學會如何從多樣化的數(shù)據(jù)源導入數(shù)據(jù)、構(gòu)建索引和查詢數(shù)據(jù)、創(chuàng)建針對特定需求優(yōu)化的索引，并構(gòu)建能夠展示生成式 AI 全部潛能的聊天機器人和交互式應(yīng)用。本書提供了大量實用的代碼示例、提示工程最佳實踐以及故障排錯技巧，這些都將協(xié)助讀者應(yīng)對構(gòu)建基于大語言模型的應(yīng)用程序并結(jié)合私有數(shù)據(jù)所面臨的挑戰(zhàn)。在閱讀完本書后，讀者將擁有使用 LlamaIndex 和 Python 創(chuàng)建強大、交互式、AI 驅(qū)動的應(yīng)用程序所需的所有技能和專業(yè)知識。此外，讀者還將掌握成本評估、隱私處理和應(yīng)用部署的技能，助力讀者成為生成式 AI 領(lǐng)域備受青睞的技術(shù)專家。
適用讀者
本書適用于各技術(shù)層次的開發(fā)者，可助力其深入探索生成式 AI 技術(shù)的應(yīng)用潛能，著重聚焦 RAG 檢索增強生成技術(shù)體系。本書專為已具備 Python 編程基礎(chǔ)且對生成式 AI 有所了解的讀者提供系統(tǒng)性的入門指導。
本書核心受眾
初級開發(fā)者：如果你剛開始接觸 Python 編程，并想踏入生成式 AI 的世界，那么本書將是你的理想選擇。本書將帶你逐步掌握使用 LlamaIndex 框架構(gòu)建穩(wěn)定且富有創(chuàng)意的應(yīng)用程序的方法，你將了解核心組件、基礎(chǔ)工作流和最佳實踐，為 RAG 應(yīng)用開發(fā)奠定堅實基礎(chǔ)。
經(jīng)驗豐富的開發(fā)者：針對那些已掌握生成式 AI 核心知識，并希望進一步提升技能的讀者，本書深度剖析 LlamaIndex 框架中的模塊化設(shè)計理念和高級應(yīng)用主題。你將學會如何運用現(xiàn)有技能開發(fā)和部署更為復雜的 RAG 系統(tǒng)，實現(xiàn)功能拓展和 AI 應(yīng)用場景的多維突破。
大語言模型領(lǐng)域的從業(yè)者：如果你是想通過數(shù)據(jù)驅(qū)動方案提高效能的專業(yè)人員，本書不僅教授理論框架，更賦予你構(gòu)建完整解決方案的能力。針對技術(shù)創(chuàng)新者，本書提供解決復雜問題的方法論體系，助你實現(xiàn)效率和創(chuàng)造力的雙重躍升。
本書內(nèi)容
第 1 章詳細介紹生成式 AI 和大語言模型，闡述它們在現(xiàn)代技術(shù)中的角色、優(yōu)勢及局限性。本章旨在使讀者對 LlamaIndex 所依賴的大語言模型能力有基礎(chǔ)認識。
第 2 章從 LlamaIndex 的基本概念出發(fā)，逐步介紹其整體框架、生態(tài)系統(tǒng)及其如何增強大語言模型的能力。本章還介紹了 LlamaIndex 動手實踐項目個性化智能輔導系統(tǒng)（personalized intelligent tutoring system，PITS），它將貫穿全書并幫助讀者實踐所學知識。
第 3 章詳細闡述 LlamaIndex 中 RAG 應(yīng)用的基本構(gòu)成，如文檔、節(jié)點、索引和查詢引擎等關(guān)鍵組件，并通過典型的工作流程模式和實際案例，帶領(lǐng)讀者逐步構(gòu)建 PITS 項目。
第 4 章深入探討 RAG 工作流程中的數(shù)據(jù)處理部分，重點講解如何將私有數(shù)據(jù)導入 LlamaIndex，特別強調(diào) LlamaHub 連接器的使用。讀者將學會如何將文檔拆解為邏輯清晰、易于索引的數(shù)據(jù)塊。本章還探討數(shù)據(jù)處理流水線、數(shù)據(jù)隱私保護、元數(shù)據(jù)提取以及成本估算方法等內(nèi)容。
第 5 章詳細介紹 LlamaIndex 數(shù)據(jù)索引的相關(guān)話題。通過介紹索引的工作原理以及對比多種索引方法，幫助讀者根據(jù)實際需求選擇最合適的技術(shù)。此外，本章還介紹分層索引、持久索引存儲、成本估算、向量嵌入、向量存儲、相似性搜索和存儲上下文等內(nèi)容。
第 6 章詳細介紹數(shù)據(jù)查詢的第 1 部分上下文檢索，詳細解釋 LlamaIndex 中查詢數(shù)據(jù)的機制和各種查詢策略及架構(gòu)，重點介紹檢索器的使用。本章涵蓋異步檢索、元數(shù)據(jù)過濾器、工具、選擇器、檢索路由器和查詢轉(zhuǎn)換等高級概念，此外還討論密集檢索和稀疏檢索等基本范式及其優(yōu)缺點。
第 7 章深入探討數(shù)據(jù)查詢的第 2 部分后處理和響應(yīng)合成，繼續(xù)討論查詢機制，重點介紹節(jié)點后處理和響應(yīng)合成器在 RAG 工作流程中的作用。本章還介紹查詢引擎的整體構(gòu)造和輸出解析，通過實際操作帶領(lǐng)讀者使用 LlamaIndex 在 PITS 項目中生成個性化內(nèi)容。
第 8 章詳細介紹如何使用 LlamaIndex 構(gòu)建聊天機器人和智能體。通過學習聊天機器人、智能體和對話追蹤的基礎(chǔ)知識，并將這些知識應(yīng)用于實踐項目中，讀者將掌握如何利用 LlamaIndex 實現(xiàn)流暢的對話交互、保留上下文和管理自定義檢索與響應(yīng)策略，這些對于打造高效的對話接口至關(guān)重要。
第 9 章給出如何定制化 LlamaIndex 項目和部署的詳細指南，內(nèi)容涵蓋 RAG 流水線組件的調(diào)整方法、Streamlit 部署指引、高級追蹤和調(diào)試技巧，以及 LlamaIndex 應(yīng)用評估和微調(diào)技術(shù)。
第 10 章介紹提示工程技術(shù)及其最佳實踐，詳細講解提示工程在提升 RAG 流水線效率方面所起到的關(guān)鍵作用，以及提示工程在 LlamaIndex 框架內(nèi)部的運作機制。通過本章學習，讀者將掌握定制和優(yōu)化提示工程的訣竅，以充分挖掘 LlamaIndex 的潛力，確保更可靠和個性化的 AI 輸出。
第 11 章作為全書的總結(jié)，概述 LlamaIndex 框架的主要特點，指出其他相關(guān)項目和進階學習路徑，并提供一系列精選附加學習資源供讀者進一步探索。
技術(shù)需求
讀者應(yīng)具備基本的 Python 編程基礎(chǔ)，同時建議擁有使用生成式 AI 模型的相關(guān)經(jīng)驗。本書中的所有示例都是專門為本地 Python 環(huán)境設(shè)計的，因此建議讀者的計算機至少預留 20 GB 的存儲空間以容納所需的各種庫。
由于本書中的大部分示例都依賴 OpenAI API，讀者需要獲取一個 OpenAI API 密鑰。
閱讀本書電子版時，建議動手輸入代碼或從本書的 GitHub 代碼庫（稍后將提供鏈接）獲取代碼，這有助于避免因復制/粘貼代碼而可能出現(xiàn)的錯誤。
注意，運行本書中依賴 OpenAI API 的代碼示例會產(chǎn)生費用。盡管我們已經(jīng)盡可能優(yōu)化以減少開支，但作者與出版商概不承擔由此產(chǎn)生的費用。此外，使用如 OpenAI 提供的公共 API 時，也請留意相關(guān)安全問題。如果讀者打算使用自己的私有數(shù)據(jù)進行實驗，請務(wù)必提前查閱 OpenAI 的隱私政策。
作者簡介
安德烈·喬爾基烏（Andrei Gheorghiu）是一位經(jīng)驗豐富的IT專業(yè)人士和ITAcademy的資深培訓師，擁有超過20年的培訓、咨詢和審計經(jīng)驗。安德烈擁有包括ITIL Master、CISA、ISO2700 Lead Auditor和CISSP等多項認證，這些證書彰顯了安德烈在IT服務(wù)管理、信息安全、IT治理和審計等領(lǐng)域的深厚造詣。安德烈曾經(jīng)為數(shù)千名學生提供了關(guān)于ERP和CRM系統(tǒng)的實施，以及安全評估和審計的培訓。
譯者簡介
楊森，Epsilla（YC S23）聯(lián)合創(chuàng)始人，AI Infra領(lǐng)域?qū)＜摇Ｄ暇┖娇蘸教齑髮W本碩，曾在貝爾、英特爾、眾安保險、達達、得物等多家企業(yè)擔任核心技術(shù)崗位，主導過雙云雙活、彈性調(diào)度等重大項目。現(xiàn)聚焦AI在企業(yè)私有數(shù)據(jù)場景的應(yīng)用實踐，賦能企業(yè)釋放數(shù)據(jù)價值，推動智能化轉(zhuǎn)型與商業(yè)增長。
秦婧，Epsilla（YC S23）聯(lián)合創(chuàng)始人，前TigerGraph高級工程師，人工智能與圖數(shù)據(jù)基礎(chǔ)設(shè)施專家。畢業(yè)于南加州大學計算機碩士，具備多年大型圖數(shù)據(jù)庫系統(tǒng)開發(fā)經(jīng)驗，參與多個企業(yè)級產(chǎn)品落地�，F(xiàn)致力于打造面向私有數(shù)據(jù)的AI智能體平臺，為AI應(yīng)用提供堅實的數(shù)據(jù)與知識基礎(chǔ)。
宋壬初，Epsilla（YC S23）聯(lián)合創(chuàng)始人兼CEO，圖數(shù)據(jù)庫與RAG技術(shù)專家。畢業(yè)于復旦大學與康奈爾大學，曾任Meta高級工程師、TigerGraph云工程總監(jiān)，具備豐富的圖技術(shù)與企業(yè)級AI平臺構(gòu)建經(jīng)驗�，F(xiàn)專注于打造基于私有數(shù)據(jù)的AI智能體平臺，助力領(lǐng)域?qū)＜腋咝?gòu)建垂直AI應(yīng)用。熱衷技術(shù)創(chuàng)新，擁有多項軌跡計算專利與頂會論文，致力于以技術(shù)推動商業(yè)與社會進步。
第一篇 生成式 AI 和 LlamaIndex 入門
第 1 章 大語言模型入門 2
1.1 生成式 AI 與大語言模型 3
1.1.1 什么是生成式 AI 3
1.1.2 什么是大語言模型 3
1.2 大語言模型在現(xiàn)代技術(shù)中的角色 5
1.3 大語言模型面臨的挑戰(zhàn) 7
1.4 使用 RAG 技術(shù)增強大語言模型 11
1.5 本章小結(jié) 13
第 2 章 LlamaIndex 生態(tài)概覽 14
2.1 技術(shù)需求 14
2.2 優(yōu)化語言模型微調(diào)、RAG 和 LlamaIndex 的關(guān)系 15
2.2.1 RAG 是唯一的解決方案嗎 16
2.2.2 LlamaIndex：構(gòu)建可注入數(shù)據(jù)的大語言模型應(yīng)用 17
2.3 漸進式揭示復雜性的優(yōu)勢 19
2.4 實踐項目個性化智能輔導系統(tǒng) PITS 簡介 21
2.5 配置開發(fā)環(huán)境 23
2.5.1 安裝 Python 23
2.5.2 安裝 Git 24
2.5.3 安裝 LlamaIndex 25
2.5.4 注冊 OpenAI 獲取 API 密鑰 25
2.5.5 Streamlit 快速構(gòu)建和部署應(yīng)用的理想工具 28
2.5.6 安裝 Streamlit 29
2.5.7 完成環(huán)境配置 29
2.5.8 最終檢查 30
2.6 熟悉 LlamaIndex 代碼倉庫的組織結(jié)構(gòu) 31
2.7 本章小結(jié) 33
第二篇 LlamaIndex 從入門到實踐
第 3 章 LlamaIndex 入門 36
3.1 技術(shù)需求 36
3.2 LlamaIndex 的核心構(gòu)建塊文檔、節(jié)點和索引 37
3.2.1 文檔 37
3.2.2 節(jié)點 41
3.2.3 手動創(chuàng)建節(jié)點 42
3.2.4 從文檔中提取節(jié)點 43
3.2.5 節(jié)點間的關(guān)系 45
3.2.6 為什么節(jié)點間的關(guān)系很重要 46
3.2.7 索引 47
3.2.8 檢索和響應(yīng)合成 49
3.2.9 查詢引擎的工作原理 50
3.2.10 快速回顧關(guān)鍵概念 51
3.3 構(gòu)建第 1 個交互式增強型大語言模型應(yīng)用 52
3.3.1 借助 LlamaIndex 日志特性理解邏輯并調(diào)試應(yīng)用 53
3.3.2 使用 LlamaIndex 定制大語言模型 54
3.3.3 三步完成大語言模型定制 55
3.3.4 Temperature 溫度系數(shù) 56
3.3.5 如何使用 Settings 用于定制 58
3.4 動手實踐構(gòu)建個性化智能輔導系統(tǒng) PITS 59
3.5 本章小結(jié) 64
第 4 章 RAG 工作流中的數(shù)據(jù)整合 65
4.1 技術(shù)需求 65
4.2 通過 LlamaHub 導入數(shù)據(jù) 66
4.3 LlamaHub 概述 67
4.4 使用 LlamaHub 數(shù)據(jù)讀取器導入內(nèi)容 68
4.4.1 從網(wǎng)頁導入數(shù)據(jù) 69
4.4.2 從數(shù)據(jù)庫導入數(shù)據(jù) 70
4.4.3 從多種文件格式的數(shù)據(jù)源批量導入數(shù)據(jù) 72
4.5 將文檔解析為節(jié)點 76
4.5.1 簡單的文本切分器 76
4.5.2 高級的節(jié)點解析器 79
4.5.3 節(jié)點關(guān)系解析器 82
4.5.4 節(jié)點解析器和文本切分器的區(qū)別 83
4.5.5 理解 chunk_size 與 chunk_overlap 84
4.5.6 使用 include_prev_next_rel 包含關(guān)系 85
4.5.7 節(jié)點生成的三種實踐方式 86
4.6 善用元數(shù)據(jù)優(yōu)化上下文理解 88
4.6.1 摘要提取器 90
4.6.2 問答提取器 91
4.6.3 標題提取器 92
4.6.4 實體提取器 92
4.6.5 關(guān)鍵詞提取器 94
4.6.6 Pydantic 程序提取器 95
4.6.7 Marvin 元數(shù)據(jù)提取器 95
4.6.8 自定義提取器 96
4.6.9 元數(shù)據(jù)越多越好嗎 97
4.7 元數(shù)據(jù)提取的成本評估 98
4.7.1 遵循最佳實踐以最小化成本 98
4.7.2 在真正運行前評估最大成本 99
4.8 通過元數(shù)據(jù)提取器保護隱私 101
4.9 通過數(shù)據(jù)導入流水線提高效率 104
4.10 處理包含文本和表格數(shù)據(jù)的文檔 109
4.11 動手實踐將學習資料導入 PITS 項目 110
4.12 本章小結(jié) 112
第 5 章 LlamaIndex 索引詳解 113
5.1 技術(shù)需求 113
5.2 索引數(shù)據(jù)概覽 114
5.3 理解 VectorStoreIndex 116
5.3.1 VectorStoreIndex 使用示例 116
5.3.2 理解向量嵌入 118
5.3.3 理解相似度搜索 120
5.3.4 LlamaIndex 如何創(chuàng)建向量嵌入 124
5.3.5 如何選擇合適的嵌入模型 125
5.4 索引持久化和重用 127
5.4.1 理解存儲上下文 128
5.4.2 向量存儲和向量數(shù)據(jù)庫的區(qū)別 131
5.5 LlamaIndex 的其他索引類型 132
5.5.1 摘要索引 132
5.5.2 文檔摘要索引 134
5.5.3 關(guān)鍵詞表索引 136
5.5.4 樹索引 139
5.5.5 知識圖譜索引 143
5.6 使用 ComposableGraph 構(gòu)建組合索引 146
5.6.1 ComposableGraph 的基本使用 147
5.6.2 ComposableGraph 的概念解釋 148
5.7 索引構(gòu)建和查詢的成本評估 149
5.8 動手實踐為 PITS 項目的學習資料構(gòu)建索引 154
5.9 本章小結(jié) 156
第三篇 索引數(shù)據(jù)的檢索和使用
第 6 章 數(shù)據(jù)查詢上下文索引 158
6.1 技術(shù)需求 158
6.2 查詢機制概述 159
6.3 基本檢索器的原理 160
6.3.1 向量存儲索引檢索器 161
6.3.2 摘要索引檢索器 163
6.3.3 文檔摘要索引檢索器 166
6.3.4 樹索引檢索器 168
6.3.5 關(guān)鍵詞表索引檢索器 172
6.3.6 知識圖譜索引檢索器 174
6.3.7 檢索器的共同特點 178
6.3.8 檢索機制的高效使用異步操作 178
6.4 構(gòu)建更高級的檢索機制 179
6.4.1 樸素的檢索方法 180
6.4.2 實現(xiàn)元數(shù)據(jù)過濾器 180
6.4.3 使用選擇器實現(xiàn)更高級的決策邏輯 184
6.4.4 工具的重要性 186
6.4.5 轉(zhuǎn)換和重寫查詢 188
6.4.6 生成更具體的子查詢 190
6.5 密集檢索和稀疏檢索 193
6.5.1 密集檢索 193
6.5.2 稀疏檢索 194
6.5.3 在 LlamaIndex 中實現(xiàn)稀疏檢索 196
6.5.4 探索其他高級檢索方法 199
6.6 本章小結(jié) 200
第 7 章 數(shù)據(jù)查詢后處理和響應(yīng)合成 201
7.1 技術(shù)需求 201
7.2 后處理器對節(jié)點進行重排、轉(zhuǎn)換和過濾 202
7.2.1 探索后處理器如何對節(jié)點進行過濾、轉(zhuǎn)換和重排 203
7.2.2 相似度后處理器 205
7.2.3 關(guān)鍵詞節(jié)點后處理器 207
7.2.4 前后節(jié)點后處理器 209
7.2.5 長文本記錄后處理器 210
7.2.6 隱私信息屏蔽后處理器 211
7.2.7 元數(shù)據(jù)替換后處理器 212
7.2.8 句子嵌入優(yōu)化后處理器 214
7.2.9 基于時間的后處理器 215
7.2.10 重排后處理器 217
7.2.11 關(guān)于節(jié)點后處理器的小結(jié) 222
7.3 響應(yīng)合成器 222
7.4 輸出解析技術(shù) 226
7.4.1 使用輸出解析器提取結(jié)構(gòu)化輸出 227
7.4.2 使用 Pydantic 程序提取結(jié)構(gòu)化輸出 231
7.5 查詢引擎的構(gòu)建和使用 232
7.5.1 探索構(gòu)建查詢引擎的各種方法 232
7.5.2 查詢引擎接口的高級用法 234
7.6 動手實踐在 PITS 項目中構(gòu)建測驗 241
7.7 本章小結(jié) 244
第 8 章 構(gòu)建聊天機器人和智能體 246
8.1 技術(shù)需求 246
8.2 理解聊天機器人和智能體 247
8.2.1 聊天引擎 ChatEngine 249
8.2.2 不同的聊天模式 251
8.3 在應(yīng)用中實現(xiàn)自主智能體 261
8.3.1 智能體的工具和 ToolSpec 類 261
8.3.2 智能體的推理循環(huán) 264
8.3.3 OpenAI 智能體 266
8.3.4 ReAct 智能體 271
8.3.5 如何與智能體互動 273
8.3.6 借助實用工具提升智能體 273
8.3.7 使用 LLMCompiler 智能體處理更高級的場景 278
8.3.8 使用底層智能體協(xié)議 API 281
8.4 動手實踐在 PITS 項目中實施對話追蹤 284
8.5 本章小結(jié) 289
第四篇 定制化、提示工程與總結(jié)
第 9 章 LlamaIndex 項目定制與部署 292
9.1 技術(shù)需求 292
9.2 定制 RAG 組件 293
9.2.1 LLaMA 和 LLaMA 2 推動開源領(lǐng)域變革 294
9.2.2 使用 LM Studio 運行本地大語言模型 295
9.2.3 使用 Neutrino 或 OpenRouter 等服務(wù)智能路由大語言模型 302
9.2.4 自定義嵌入模型 304
9.2.5 利用 Llama Packs 實現(xiàn)即插即用 305
9.2.6 使用 Llama CLI 307
9.3 高級追蹤和評估技術(shù) 309
9.3.1 使用 Phoenix 追蹤 RAG 工作流 310
9.3.2 評估 RAG 系統(tǒng) 313
9.4 利用 Streamlit 進行部署 320
9.5 動手實踐部署指南 322
9.6 本章小結(jié) 328
第 10 章 提示工程指南和最佳實踐 330
10.1 技術(shù)需求 330
10.2 為什么提示詞是秘密武器 331
10.3 理解 LlamaIndex 如何使用提示詞 334
10.4 自定義默認提示詞 337
10.5 提示工程的黃金法則 342
10.5.1 表達的準確性和清晰度 342
10.5.2 提示的指導性 342
10.5.3 上下文質(zhì)量 343
10.5.4 上下文數(shù)量 343
10.5.5 上下文排列 344
10.5.6 輸出格式要求 344
10.5.7 推理成本 345
10.5.8 系統(tǒng)延遲 345
10.5.9 選擇適合任務(wù)的大語言模型 345
10.5.10 創(chuàng)造有效提示詞的常用方法 349
10.6 本章小結(jié) 352
第 11 章 結(jié)論與附加資源 353
11.1 其他項目和深入學習 353
11.1.1 LlamaIndex 示例集合 354
11.1.2 Replit 任務(wù)和挑戰(zhàn) 357
11.1.3 LlamaIndex 社區(qū)的力量 358
11.2 要點總結(jié)、展望和勉勵 359
11.2.1 生成式 AI 背景下 RAG 的未來展望 360
11.2.2 一段值得深思的哲理分享 363
11.3 本章小結(jié) 364
書單推薦
