《Python RAG实战指南:学习基于LLM和智能AI的RAG原理,包含120多个示例》

我每天都关注时下最新的新书资讯，每天为读者推荐新书好书

RAG with Python Cookbook: Learn principles of RAG with LLM and agentic AI, with 120+ recipes 

《Python RAG实战指南：学习基于LLM和智能AI的RAG原理，包含120多个示例》

作者：Deepak Dhyani。

发布日期：2026年2月11日

概述：在当今企业依赖精准、情境感知型AI系统的时代，检索增强生成（RAG）已成为一项关键技术。随着LLM在各行各业的扩展，RAG使团队能够构建更值得信赖、更贴近事实、更符合现实世界知识的解决方案，使其成为现代工程师、分析师、数据科学家和软件开发人员的必备技能。本书提供了一份全面的实践指南，帮助读者掌握Python RAG。

本书从嵌入、向量数据库和检索管道的基础知识入手，逐步深入到提示工程、混合搜索策略以及诸如思维链和MapReduce等提示工程策略，以提升响应质量。随后，本书涵盖了评估、优化和智能体工作流。

本书各章节均提供清晰易懂的讲解，帮助您预处理数据、构建可扩展的管道、集成LLM（逻辑逻辑模型）、自动化推理，并部署针对实际应用场景量身定制的端到端RAG（结果、可用性、可获取性）系统。读完本书，读者将能够自信地设计、实现和优化稳健的RAG解决方案。

他们将掌握构建检索感知型应用程序、增强企业工作流程、开发智能代理以及应用行业验证技术等技能，从而直接提升自身专业能力。本书是构建基于LLM应用程序的数据科学家、人工智能工程师、软件开发人员、解决方案架构师和技术产品经理的理想之选。

它指导希望掌握实用、可用于生产环境的技术，以便在实际环境中设计、优化、排查故障和部署高性能RAG系统的专业人士。

您将学到：

● 使用 Python 和现代框架构建可靠的 RAG 管道。

● 应用高效的文档加载和拆分策略。

● 为语义检索任务生成高质量的词嵌入。

● 优化向量存储，实现可扩展、快速且准确的信息访问。

● 设计针对检索增强型工作流程的提示。

● 将 LLM 高效集成到 RAG 系统中。

● 实现用于动态自适应检索流程的智能体 AI。

本书适合哪些读者：

本书非常适合构建基于 LLM 的应用程序的数据科学家、AI 工程师、软件开发人员、解决方案架构师和技术产品经理。它指导希望掌握实用、可用于生产环境的技术，以便在实际环境中设计、优化、排查故障和部署高性能 RAG 系统的专业人士。

目录

1. 检索增强生成的基础

2. RAG 流水线的文档加载器

3. 文档分割技术

4. 向量检索的嵌入策略

5. 用于语义检索的向量存储

6. 从向量存储中高效检索

7. RAG 系统中基于 LLM 的响应生成

8. RAG 系统的提示工程

9. RAG 系统的有效搜索

10. 使用链实现 RAG

11. 具有动态检索的智能体 RAG  

代找（电子书）

VIP群为书友提供最新书籍免费阅读