聚焦LLM關鍵技術，RAG觀念與實作並重
?

【內容簡介】

在生成式AI的浪潮下，檢索增強生成（Retrieval-Augmented Generation，RAG）已成為大型語言模型（LLM）的關鍵技術。由於LLM受限於訓練資料的時效性與涵蓋範圍，面對即時議題時容易引用過時知識，而在處理企業內部問題時，也常因缺乏私有數據而產生幻覺現象（Hallucination），為了改善上述問題，RAG技術應運而生，透過在生成答案前先從外部資料庫檢索相關資料，並提供給LLM作為回答依據，成為目前業界最主流的解決方案。


本書共分為6章，第0章完成開發環境建置，第1至5章依序帶入向量檢索增強生成（Vector RAG）、圖譜檢索增強生成（Graph RAG）、混合檢索增強生成（Hybrid RAG）、假想性文件嵌入（Hypothetical Document Embeddings，HyDE）與代理檢索增強生成（Agentic RAG）。各章以深入淺出的方式，帶領讀者從零開始、循序漸進地學習RAG的基礎知識與運作原理，並以「圖書館智慧問答系統」為情境，透過NVIDIA NIM微服務取得免費LLM資源，並搭配Docker Desktop部署Milvus向量資料庫與Neo4j圖資料庫進行實務開發，讓讀者觀念與實作並重，在短時間內快速上手。


【精彩內容】

?完成開發環境建置：在Windows 11安裝Python、Docker Desktop與VS Code，完成NVIDIA NIM帳號註冊、API Key申請與模型挑選，並學習Git與GitHub版本控制的基本操作。

?認識檢索增強生成（RAG）：瞭解LLM在未整合RAG時常見的幻覺現象（Hallucination）、引用過時知識、缺乏企業私有數據等問題。

?認識向量檢索增強生成（Vector RAG）：瞭解Vector RAG是如何突破傳統「關鍵字字面比對」的限制，改以語意檢索（Semantic Search）找出語意相關的資料。

?認識圖譜檢索增強生成（Graph RAG）：瞭解Graph RAG是如何透過三個主要階段，將外部文件轉化為可查詢的知識圖譜，並從中檢索與使用者提問相關的實體關聯脈絡。

?認識混合檢索增強生成（Hybrid RAG）：瞭解Vector RAG與Graph RAG在檢索架構上的優缺點。

?認識假想性文件嵌入（HyDE）：瞭解HyDE是如何透過LLM生成假想文件，縮短使用者問題與文件片段間的語意落差，進而提升檢索精準度。

?認識代理檢索增強生成（Agentic RAG）：瞭解AI Agent是如何運用工具（Tool）、技能（Skill）與ReAct迴圈，自主完成檢索任務。




?