电子工业出版社-网上书店

本书深入解析了检索增强生成技术，该技术通过将大语言模型的内部知识与外部数据源有机结合，显著拓展了模型的认知边界，有效缓解了知识更新滞后与生成幻觉等问题。全书系统性地构建了从理论根基到工程实践的知识脉络，不仅详细剖析了主流RAG技术的实现细节，梳理了从基础范式到智能体驱动的技术演进路径，还构建了多维度的评估体系，并对未来技术趋势进行了前瞻性展望。在实践层面，本书依托主流开发框架与真实案例，提出了适用于不同应用场景的优化策略，帮助读者在医疗、金融等具体领域中灵活运用RAG技术。本书不仅为读者全面梳理并呈现了当前RAG技术的系统化知识体系，更为参与及引领新一代RAG技术创新提供了独到的战略视角与可操作的实践路径。全书内容翔实，结构清晰，辅以丰富的图表与开源代码，便于读者自主实践与深入理解。

目录
推荐序 III
前言 V
第 1 章 检索增强生成概述 1
1.1 RAG 提出的背景 2
1.1.1 大语言模型实际落地的挑战 2
1.1.2 检索增强的生成 3
1.1.3 RAG 的应用场景 4
1.2 什么是 RAG 8
1.2.1 RAG 的定义8
1.2.2 RAG 的发展历程 8
1.2.3 RAG 的基本工作流程10
1.3 RAG 与其他大语言模型优化
技术的对比 14
1.3.1 提示工程15
1.3.2 模型微调15
1.3.3 朴素 RAG 的局限性 16
1.4 本章小结18
第 2 章 RAG 关键技术 19
2.1 数据准备20
2.1.1 业界通用实现20
2.1.2 较成熟的数据准备方案21
2.2 数据索引23
2.2.1 分块优化24
2.2.2 表格数据索引优化25
2.2.3 结构化索引 26
2.2.4 检索源与检索粒度30
2.3 语义检索33
2.3.1 检索前处理 33
2.3.2 检索37
2.3.3 检索后处理 45
2.4 大语言模型生成 49
2.4.1 生成前处理 49
2.4.2 生成51
2.4.3 生成后处理 55
2.5 RAG 流程编排56
2.5.1 路由56
2.5.2 检索与生成的流程调度机制57
2.5.3 融合58
2.6 本章小结59
第 3 章 RAG 典型范式与优化思路 60
3.1 RAG 的主要范式 61
3.1.1 高级 RAG 61
3.1.2 模块化 RAG62
3.1.3 三种 RAG 范式的对比64
3.2 模块化 RAG 的基础流程模式 66
3.2.1 线性模式66
3.2.2 条件模式66
3.2.3 分支模式67
3.2.4 循环模式68
3.3 AgenticRAG: 模块化 RAG 的高阶实现72
3.3.1 为什么需要 AgenticRAG 72
3.3.2 预定义 RAG 工作流 75
3.3.3 动态 RAG 工作流77
3.3.4 AgenticRAG 的优势81
3.4 RAG 系统的优化思路83
3.4.1 增强组件83
3.4.2 重组现有模块83
3.4.3 引入新模块 84
3.5 本章小结85
第 4 章 下游任务与评测 86
4.1 下游评测任务87
4.1.1 知识密集型任务 87
4.1.2 深度研究任务88
4.2 评测维度与基准 91
4.2.1 检索阶段91
4.2.2 生成阶段92
4.2.3 评测基准与框架 93
4.3 RAG 与长上下文 94
4.3.1 大海捞针实验94
4.3.2 RAG 与大海捞针95
4.3.3 嵌入模型与大海捞针 97
4.4 RAG 评测的挑战 98
4.5 本章小结99
第 5 章 RAG 实战 100
5.1 常见开源 RAG 框架 101
5.1.1 LangChain 与 LangGraph101
5.1.2 RAGFlow102
5.1.3 LlamaIndex103
5.1.4 Dify 104
5.2 使用 RAGFlow 搭建 RAG系统105
5.2.1 安装 105
5.2.2 配置模型 107
5.2.3 构建知识库107
5.2.4 构建聊天系统 109
5.2.5 使用 API 访问 113
5.2.6 小结 114
5.3 使用 LangChain 搭建 RAG系统114
5.3.1 安装 LangChain115
5.3.2 Runnable 类的同步调用和
异步调用 116
5.3.3 ChatModel119
5.3.4 Message121
5.3.5 PromptTemplate122
5.3.6 Document、Embeddings、VectorStore 和Retriever 类 123
5.3.7 Graph、State 和 Node 125
5.3.8 Checkpoint 和 MemorySaver 130
5.3.9 搭建朴素 RAG 132
5.4 效果评估139
5.4.1 语义匹配和细颗粒度关键信息 140
5.4.2 评估指标 141
5.4.3 评估数据生成 144
5.5 优化检索模块：语义截断与背景语义缺失 150
5.5.1 语义截断与语义溢出150
5.5.2 背景语义缺失 153
5.6 优化检索模块：嵌入模型155
5.6.1 使用不同的嵌入模型155
5.6.2 微调嵌入模型 157
5.7 优化检索模块：混合检索164
5.8 优化检索模块：添加重排序 167
5.8.1 交叉编码重排序模型167
5.8.2 多向量重排序模型 171
5.9 优化生成模块 172
5.9.1 优化提示词172
5.9.2 选择大语言模型174
5.10 查询预处理 176
5.10.1 查询分解 176
5.10.2 查询等价重写 180
5.10.3 查询泛化重写 181
5.10.4 查询路由 185
5.11 基于智能体的 RAG188
5.12 部署 197
5.12.1 使用腾讯云向量数据库替换本地数据库197
5.12.2 搭建 API 207
5.12.3 使用容器和镜像209
5.12.4 前端 214
5.12.5 监控 221
5.12.6 部署到服务器 222
5.13 本章小结 228
第 6 章 RAG 典型案例 230
6.1 典型工业流程设计 231
6.1.1 OpenAI231
6.1.2 Cohere231
6.1.3 Databricks 232
6.2 RAG 在医疗健康领域的应用233
6.2.1 医学文献知识助手概述 235
6.2.2 系统架构与核心功能设计236
6.2.3 关键技术实现 237
6.2.4 小结 245
6.3 RAG 在金融投资领域的应用245
6.3.1 金融投资助手产生的背景245
6.3.2 关键技术实现 246
6.3.3 小结 255
6.4 本章小结255
第 7 章 挑战与未来展望 257
7.1 RAG 与图结构的融合258
7.1.1 知识组织 258
7.1.2 符号推理 258
7.1.3 任务规划 258
7.1.4 工具使用与管理259
7.2 多模态 RAG259
7.2.1 模态间语义对齐的复杂性259
7.2.2 计算复杂性与系统性能 259
7.2.3 模态间权重动态平衡260
7.2.4 模型可解释性与透明度 260
7.2.5 数据标注与训练的系统性挑战 260
7.2.6 多模态数据协作260
7.3 RAG 与推理能力的结合 261
7.3.1 多步骤复杂任务的挑战 261
7.3.2 逻辑连贯性与知识整合 261
7.3.3 风险传播与安全262
7.3.4 实践应用与场景多样性 262
7.3.5 RAG 的自主流程控制262
7.4 复杂 RAG 系统中的潜在成本 263
7.4.1 计算资源的非线性增长 263
7.4.2 隐性 Token 膨胀264
7.4.3 检索效率的边际下降264
7.4.4 面向效用的 RAG264
7.5 本章小结264
参考文献 265

推荐序
近年来，以大语言模型为代表的生成式人工智能对产业格局和科研、教育等各行业产生了极大的影响。检索增强生成（RetrievalAugmentedGeneration,RAG）技术能够将大语言模型与不断更新的外部知识库动态链接，为解决语言模型知识滞后、事实可验证性缺失等挑战提供重要的技术路径，被视为推动生成式AI深度融入产业落地的核心技术之一。王昊奋教授等精心撰写的这部著作为RAG技术的研究、学习和实践提供了重要参考。
本书可以看作一份构建“生产级”能力的全栈指南，从数据预处理、索引构建的核心考量，到检索阶段的优化技术，再到生成阶段的上下文提炼与结果验证机制，直至模块化调度的复杂性管理，均有提及。书中对“AgenticRAG”范式的深入探讨，揭示了大语言模型在引入自主决策能力后的巨大潜能与应用边界。这些详尽的介绍为构建可靠、高效的RAG系统提供了重要指引。
本书也是一张厘清RAG发展脉络与技术演进的路线图。面对层出不穷的RAG框架与工具革新，它不是对技术细节的简单罗列，而是对驱动技术进步的核心范式变迁的深入剖析——基础检索与生成的协同进化、高度模块化的设计理念如何提高系统的灵活性与可维护性，以及RAG与推理技术融合带来的突破性前景。这种深入浅出的解读和剖析为研究者和初学者提供了广阔的思维空间。
本书还是一本融合行业洞见与落地策略的实战手册。作者凭借丰富的行业经验，结合医疗、金融等关键领域的真实应用场景，不仅阐述了如何根据特定行业的需求来定制化RAG系统的架构与流程设计，而且介绍了规模化部署中必须考量的核心问题。例如，复杂流程在提升效果的同时可能引发难以察觉的计算资源消耗（需警惕“隐性成本陷阱”），而追求更高自主性的AgenticRAG必然伴随决策透明度（“黑箱”效应）挑战及风险传导路径。这种将实践经验与风险意识相结合的阐述，为系统研发者和决策者提供了评估技术价值与边界的基本框架。
综上所述，对于任何关注人工智能技术发展，尤其是关注大语言模型和RAG技术研发的读者来说，本书的出版都是一件幸事。特此推荐给读者。
宗成庆
中国科学院自动化研究所研究员、博士生导师
IEEE/ACL/CAAI/CCFFellow
欧洲科学院外籍院士

前言
近年来，人工智能领域经历了显著的变革，大语言模型的飞速发展极大地推动了多个行业的创新。它们具备强大的语言理解和高效的代码编写能力，不仅提高了信息处理的效率，还在决策支持中展现出了卓越的能力。然而，尽管大语言模型在应用上取得了显著成就，但仍然存在一些缺陷，比如生成内容的准确性和时效性不足，尤其在动态变化和知识密集的环境中，这种局限性更为明显。
在此背景下，检索增强生成（Retrieval-AugmentedGeneration,RAG）技术应运而生，成为推动AI落地的重要动力之一。通过与动态知识检索机制相结合，RAG显著提高了生成内容的准确性、时效性与可解释性。此外，RAG系统也正在不断演进，不再是最基础的检索–生成流程，而是逐渐融合重排序、图索引、迭代检索、多步推理等，能够有效应对大语言模型的“幻觉”问题，并为企业实现知识赋能提供了可行路径。当今，RAG的重要性愈发凸显，不仅提高了模型利用和处理信息的能力，也为各行业的数字化转型奠定了基础，成为生成式人工智能发展的核心驱动力之一。
创作背景
在当今技术快速发展的背景下，RAG的发展呈现“实践领先于理论”的显著特征。一方面，无论是学术研究，还是LangChain、LlamaIndex等开源框架的迭代速度都远超传统教材的更新周期；另一方面，行业对RAG的认知仍多停留在工具使用层面，缺乏对检索–生成协同机制、RAG流程设计思路等深层问题的系统探讨。
然而，遗憾的是，现有的著作或聚焦于某一特定技术模块（如向量数据库），或局限于某些框架的教程（如LangChain），并未形成一部全面覆盖RAG的本质、架构设计与调优方法论的系统性著作。当前，大语言模型技术正以惊人的速度发展，然而图书的撰写和出版往往无法跟上。如果仅依赖特定框架的教程，那么读者可能会发现内容容易过时。因此，本书的目的是从整体上梳理RAG范式的发展脉络，帮助读者全面理解RAG及其知识体系，并指导读者设计RAG系统。
出版价值
本书旨在填补当前三大关键缺口：
（1）知识体系化缺口。本书将整合各种零散的技术方案，例如查询扩展策略、重排序算法和混合检索架构，揭示各个模块的耦合关系，以及系统设计背后的哲学思考。
（2）工程实践缺口。本书涵盖基础RAG的实现方法、各模块的优化思路，并通过具体行业的案例分析，展示在生产环境中面对延迟控制和成本优化等挑战时的成熟实践方案。
（3）前沿适配缺口。结合模块化RAG、GraphRAG、AgenticRAG和DeepResearch等新兴方向，本书将构建面对技术演变的综合解决方案。我们相信，只有打通“技术原理—实现路径—场景适配”的闭环，才能充分发挥RAG在构建可信赖的实际应用系统中的价值。
主要内容
本书内容分为7章，各章内容安排如下。
第1章：检索增强生成概述。本章将介绍RAG的背景，包括其提出的动机、定义、发展历程、所解决的问题和常见的应用场景，帮助读者建立对RAG的初步认识。此外，进一步将RAG与主流大模型优化方法进行对比，明确RAG动态接入外部知识库而无须重训模型的特点，从而帮助读者判断何时应引入RAG。
第2章：RAG关键技术。本章将全面探讨RAG的核心技术与流程。首先介绍数据准备的重要性，包括行业应用的具体实现和成熟的数据准备方案。接着深入分析数据索引的优化方法，涵盖分块优化、表格数据索引等技术；在语义检索部分，将讨论检索环节的前后处理以及检索器自身优化方式。最后探讨RAG的生成环节与流程的编排，旨在提供一个系统且清晰的视角，展示RAG各个环节中的前沿技术。
第3章：RAG典型范式与优化思路。本章将梳理RAG的发展脉络，探讨其典型范式、基础工作流程设计模式，重点分析线性、条件、分支和循环模式，并进一步分析前沿AgenticRAG的设计思路。本章系统性地总结了RAG的三种优化思路，为下一代RAG系统设计提供方法。第4章：下游任务与评测。本章将介绍RAG的评估方法，构建涵盖检索质量、生成可靠性和系统效率等多维度的综合评测体系，并结合典型任务和数据集，分析不同情境下的评估指标。此外，本章还将特别关注在处理长上下文时，RAG系统的适用性与挑战，旨在为实际应用提供理论指导与实践依据。
第5章：RAG实战。本章将从RAGFlow和LangChain等主流开源框架入手，提供详细的入门指导，包括安装、配置、API调用等关键步骤，通过搭建朴素的RAG系统，并针对语义截断、背景语义缺失等问题展示优化策略，涉及向量模型定制化微调、基于智能体的RAG等前沿实践，帮助读者快速掌握框架用法并构建高效系统。
第6章：RAG典型案例。本章聚焦RAG的行业落地应用，例如在医疗、金融等专业领域的实践案例，通过实战分享揭示RAG如何突破传统大语言模型的局限，在垂直领域中实现知识增强、精准推理与高效决策，帮助读者深入理解其广泛应用场景。
第7章：挑战与未来展望。本章将阐述RAG面临的挑战，如计算资源非线性增长、隐性Token膨胀等新兴问题，并探讨未来值得探索的方向，包括RAG与图结构、多模态处理、复杂推理能力结合等技术前沿，为未来的研究与实践提供指引。
致谢
本书从构思到成稿，承蒙众多专家、同人与朋友的鼎力支持与热忱帮助。在写作过程中，我们广泛参阅了相关著作与研究文献，且长期受益于开源社区的卓越工作，特此致以诚挚的谢意。
衷心感谢中国科学院宗成庆研究员为本书撰写推荐序，亦感谢浙江大学陈华均教授、中国人民大学窦志成教授及得到CTO“快刀青衣”提供的推荐与宝贵建议，各位专家为本书的整体框架与研究脉络提供了重要启发与专业指导。
本书的大量实验与案例依托于开放生态。Jina、LangChain、LlamaIndex、RAGFlow等项目及其维护者与贡献者，在向量检索、管线编排、评估与复现等方面的持续深耕，为本书的论述奠定了坚实根基，谨致谢忱。
在本书的编写过程中，有幸得到产业界和学术界的宝贵支持。腾讯云向量数据库团队熊鑫基于多年的工程实践经验，为本书贡献了大量来自一线的实战案例。这些案例涵盖了RAG系统在企业级应用中的架构设计、索引构建与工程化部署等关键环节，使本书不仅具备理论价值，更具备实际落地的应用价值。
同济大学知识图谱与语义计算实验室的同学们参与了本书的校对工作，就学术规范与技术细节提出了宝贵建议，提升了本书的严谨性与完整性。特别感谢毕羽西设计师为本书精心绘制的插图，将RAG系统中抽象的技术架构、数据流转过程、算法逻辑等复杂概念转化为直观易懂的可视化表达，极大地降低了读者的理解门槛，提升了本书的可读性。
特别感谢电子工业出版社博文视点及宋亚东编辑对本书的高度重视。宋编辑从选题策划到最终出版全程参与，提出了许多建设性的意见和建议，为本书的顺利面世付出了辛勤劳动。
谨向所有给予帮助的专家、同事与朋友表示最诚挚的感谢。若有疏漏或谬误，恳请不吝指正。
作者
2025年8月

本书配套资源下载

对不起，暂无音视频资源！

检索增强生成：理论与实践