連結：https://www.sakunaharinda.xyz/ragatouille-book/intro.html
Retrieval-Augmented Generation (RAG) 是一種前沿技術，透過整合外部知識源來增強生成模型的能力，提高生成內容的質量和可靠性。LangChain是一個強大的框架，專為構建和部署穩健的語言模型應用而設計。本教學系列將提供全面的、分步驟的指南，幫助您使用LangChain實作RAG，從基礎RAG流程的介紹開始，逐步深入到查詢轉換、文檔嵌入、路由機制、查詢構建、索引策略、檢索技術以及生成階段，最終將所有概念整合到一個實際場景中，展示RAG的強大和靈活性。
需求人群：
- 本產品適合對人工智慧和自然語言處理有興趣的開發者和研究人員，尤其是那些尋求提高生成模型效能和準確性的專業人士。
使用場景示例：
- 使用RAG技術生成資訊摘要。
- 結合RAG和LangChain開發智慧客服系統。
- 利用RAG技術進行學術文獻的自動摘要和檢索。
產品特色：
- 介紹基本RAG流程，理解檢索系統和生成模型的結合方式。
- 查詢轉換，確保語言模型準確理解並處理使用者查詢。
- Hypothetical Document Embeddings，生成潛在文檔的多向量表示，評估其相關性。
- 智慧選擇最合適的資料來源進行查詢回答，確保資訊的相關性和來源的優越性。
- 構建可執行查詢，有效索引策略，以及使用不同的檢索技術。
- 語言模型綜合檢索到的資訊，生成連貫準確的響應。
使用教學：
第一步：瞭解RAG的基本原理和LangChain框架。
第二步：學習如何進行查詢轉換，以確保語言模型準確理解使用者意圖。
第三步：掌握Hypothetical Document Embeddings技術，評估文檔的相關性。
第四步：熟悉路由機制，選擇最合適的資料來源。
第五步：學習如何構建可執行查詢和有效的索引策略。
第六步：掌握不同的檢索技術，如自適應RAG和CRAF。
第七步：學習如何在生成階段綜合檢索到的資訊，生成準確的響應。
第八步：將所有概念整合到一個實際場景中，展示RAG的實用性。