Простое руководство по RAG: поисково-дополненная генерация
Это исчерпывающее руководство по технологии Retrieval Augmented Generation (RAG), которая делает современные большие языковые модели (LLM) точными и надежными. Автор пошагово объясняет архитектуру RAG: от создания баз знаний и конвейеров индексирования до продвинутых стратегий оптимизации и оценки.
Книга начинается с объяснения ограничений LLM и того, как RAG решает проблему галлюцинаций и устаревших знаний. Затем подробно рассматриваются компоненты RAG-систем: пайплайн индексации, включая разбиение на чанки, создание эмбеддингов и векторные базы данных, и пайплайн генерации с использованием LLM.
Особое внимание уделяется оценке качества RAG-систем по критериям точности, релевантности и достоверности. Рассматриваются различные подходы: наивный, продвинутый и модульный RAG, а также эволюция стека RAGOps для промышленной эксплуатации.
В заключительных главах описаны варианты RAG: графовый, мультимодальный, агентный и другие, а также общая схема разработки и направления для дальнейшего изучения. Практические примеры на Python помогут инженерам и разработчикам легко внедрить RAG в свои проекты.
