RAG與LangChain開發實戰(從知識檢索到智能生成)/人工智慧與人類未來叢書
內容大鋼
本書系統講解RAG與LangChain開發的核心技術與實踐，構建了從理論到落地的完整知識體系。
全書共9章。第1章梳理了RAG的技術價值、演進路線及LangChain核心模塊，對比主流框架，介紹了多模型接入案例，並詳解了開發環境配置、技術棧及調試監控工具。第2?5章聚焦知識庫構建優化（文檔解析、智能分塊等）、檢索增強技術（多路召回、重排序等）、生成控制與推理優化（提示工程、微調等），以及模型評估與系統級優化，並輔以實戰案例進行講解。第6、7章深入講解了Agentic RAG（核心概念、框架及模式）和多模態RAG（技術原理、表示學習等），通過實戰案例展示了智能體系統、多模態對話系統的實現過程。第8、9章以完整項目為例，詳細介紹了基於多模型的聊天助手和醫學多模態RAG系統的開發部署全過程。
全書內容兼具理論深度與實踐指導性，不僅為人工智慧研究人員提供了RAG與LangChain技術的系統性知識，也為開發者在實際項目中進行開發部署提供了詳盡的操作指南，助力讀者全面掌握RAG與LangChain的核心技術與應用實踐。
作者介紹
編者:蘇玉聰|責編:劉雲//蒲玉茜
蘇玉聰，浙江大學電腦碩士，通信碩士，浙江大華研發工程師，視覺智能演算法工程師，大模型工程師。精通電腦視覺、圖像處理核心演算法，熟練掌握目標檢測（YOLO系列）、目標識別（ResNet遷移學習）、圖像檢索（特徵提取與匹配）等技術，具備紮實的機器學習與深度學習理論基礎。成功主導了多個視覺演算法落地項目，擅長模型輕量化優化（剪枝、量化）、部署加速（TensorRT推理優化），保障演算法在邊緣設備上的高效運行。參與了集團內多款大模型產品的RAG技術的落地應用，通過RAG架構整合企業知識庫與用戶提問，實現多輪對話與精準答案生成。
目錄
第1章 RAG技術全景與LangChain生態
1.1 RAG技術革命
1.1.1 檢索-生成協同機制：雙輪驅動原理與動態權重調節
1.1.2 RAG技術與傳統微調的對比優勢
1.1.3 RAG技術演進路線圖
1.2 LangChain架構深度解析
1.2.1 Model I/O模塊介紹
1.2.2 Retrieval模塊：多路召回管道設計
1.2.3 Agents模塊：工具動態調用協議
1.2.4 RAG中的Memory模塊：長短期記憶管理策略
1.3 基礎環境配置
1.3.1 容器化部署：構建多模型並行的Docker鏡像
1.3.2 CUDA環境調優
1.3.3 國產環境適配：昇騰910/鯤鵬處理器部署實踐
1.4 RAG和LangChain應用初體驗
1.4.1 DeepSeek大模型的接入應用
1.4.2 百度千帆大模型的接入應用
1.4.3 ChatGLM大模型的接入應用
1.4.4 阿里通義千問大模型的接入應用
第2章 知識庫的構建與優化
2.1 文檔解析
2.1.1 掃描處理技術
2.1.2 結構化提取：樹鄰近上下文演算法
2.2 智能分塊策略
2.2.1 LangChain中的文本分割器
2.2.2 遞歸分割、語義分塊和長文檔處理
2.3 知識庫維護
2.3.1 增量更新機制
2.3.2 知識清洗技術
2.3.3 綜合實戰：基於集成知識清洗和DeepSeek的知識庫問答系統
第3章 檢索增強核心技術
3.1 多路召回融合
3.1.1 BM25+向量檢索與權重動態調節
3.1.2 知識圖譜嵌入
3.2 重排序優化
3.2.1 BgeReranker模型部署
3.2.2 INT8量化技術
3.3 檢索性能優化
3.3.1 向量資料庫分片策略
3.3.2 檢索緩存策略
3.3.3 硬體加速策略
3.3.4 綜合實戰：基於DeepSeek和多維度性能優化的本地RAG系統
第4章 生成控制與推理優化
4.1 提示工程實戰
4.1.1 法律領域強約束模板：JSON Schema校驗
4.1.2 思維鏈提示注入：AutoCoT演算法
4.2 模型微調策略
4.2.1 豆包大模型的LoRA微調
4.2.2 DeepSeek-R1-Distill-Qwen模型的微調
4.3 輸出安全控制
4.3.1 英偉達的NeMo Guardrails政策引擎
4.3.2 格式校驗：Pydantic結構化輸出
4.3.3 內容審核
4.3.4 綜合實戰：法律領域的RAG安全控制系統
第5章 模型評估與優化策略
5.1 模型評估基礎
5.1.1 模型評估的過程
5.1.2 常用的評估指標
5.2 模型的性能評估
5.2.1 單模態模型的性能評估
5.2.2 多模態模型融合性能評估
5.2.3 效率評估
5.2.4 端到端評估指標
5.3 模型驗證方法論
5.3.1 數據準備和分割
5.3.2 交叉驗證與對抗樣本測試
5.3.3 模型魯棒性驗證
5.4 模型優化技術進階
5.4.1 檢索器優化
5.4.2 生成器優化
5.4.3 系統級優化
5.5 基於RAG、GRPO和DeepSeek的問答系統
5.5.1 項目介紹
5.5.2 準備訓練環境
5.5.3 載入並配置DeepSeek-R1模型
5.5.4 初始化向量資料庫集合
5.5.5 模型評估
5.5.6 基於GRPO的RAG
5.5.7 基於RAG與GRPO的訓練
5.5.8 文本嵌入和數據準備
5.5.9 主函數
第6章 Agentic RAG的自主認知與行動
6.1 Agentic RAG核心概念
6.1.1 傳統RAG的局限性與挑戰
6.1.2 智能體的基本範式：Reasoning+Action
6.1.3 Agentic RAG的定義與核心價值
6.2 LangChain中的Agent框架
6.2.1 定義工具
6.2.2 創建代理
6.2.3 運行代理
6.2.4 代理調用工具
6.2.5 XML代理
6.2.6 JSON代理
6.2.7 ReAct代理
6.2.8 綜合實戰：基於DeepSeek模型驅動的智能Agent系統
6.3 Agentic RAG的核心模式與實戰
6.3.1 自適應檢索
6.3.2 多步查詢與遞歸檢索
6.3.3 路由與元數據過濾
6.4 綜合實戰：基於DeepSeek的端到端多功能研究助手
6.4.1 功能模塊介紹
6.4.2 準備工作
6.4.3 具體實現
第7章 多模態RAG
7.1 多模態技術的基本原理
7.1.1 數據融合與對齊
7.1.2 多模態表示學習
7.1.3 多模態推理
7.2 多模態表示學習
7.2.1 多模態表示學習介紹
7.2.2 多模態表示學習方法介紹
7.3 表示對齊
7.3.1 表示對齊方法
7.3.2 實戰演練：實現多模態模型之間的表示對齊
7.4 多模態嵌入
7.4.1 圖像特徵提取
7.4.2 文本嵌入
7.4.3 綜合實戰：基於ViLT的視覺問答系統
7.5 RAG應用中的多模態
7.5.1 多模態RAG的架構演進過程
7.5.2 多模態向量存儲
7.5.3 多模態檢索器的實現
7.5.4 綜合實戰：基於LLaVA的多模態RAG對話系統
7.6 綜合實戰：多模態圖像搜索引擎
7.6.1 項目介紹
7.6.2 CLIP模型的配置參數
7.6.3 數據集處理
7.6.4 實現Bangla CLIP模型
7.6.5 基於文本的圖像搜索
7.6.6 基於Streamlit的Web客戶端
第8章 基於多模型的聊天助手（DeepSeek/Ollama/ChromaDB/JWT/OpenAI+LangChain）
8.1 背景介紹
8.2 項目介紹
8.3 系統配置
8.3.1 配置API密鑰
8.3.2 Docker配置
8.4 後端模塊
8.4.1 資料庫模型
8.4.2 大模型服務封裝
8.4.3 向量資料庫的封裝與管理
8.4.4 文件存儲與身份安全封裝
8.4.5 業務服務與API路由
8.4.6 Docker與部署
8.4.7 FastAPI主界面
8.5 前端模塊
8.5.1 入口與布局
8.5.2 頁面模塊
8.6 調試運行
第9章 基於Med-LVLM模型的醫學多模態RAG系統
9.1 背景介紹
9.2 項目介紹
9.2.1 Med-LVLM介紹
9.2.2 功能模塊介紹
9.3 數據集
9.4 模型的構建和訓練
9.4.1 模型構建
9.4.2 模型訓練
9.4.3 模型服務
[