本书系统讲解RAG技术从原理到工程实现的完整流程，并结合LangChain框架，深入解析现代智能应用的核心架构与开发方法。全书围绕知识构建、检索增强、生成控制与系统优化展开，覆盖向量数据库、多路召回、重排序、Prompt工程、模型评估以及Agentic RAG等关键技术，并通过多个实战案例演示如何构建可落地的RAG系统。 本书适合大模型应用开发者、AI工程师及相关技术研究者阅读，帮助读者快速掌握RAG系统的工程化设计与实现能力。

苏玉聪，浙江大学计算机硕士，通信硕士，浙江大华研发工程师，视觉智能算法工程师，大模型工程师。精通计算机视觉、图像处理核心算法，熟练掌握目标检测（YOLO系列）、目标识别（ResNet迁移学习）、图像检索（特征提取与匹配）等技术，具备扎实的机器学习与深度学习理论基础。成功主导了多个视觉算法落地项目，擅长模型轻量化优化（剪枝、量化）、部署加速（TensorRT推理优化），保障算法在边缘设备上的高效运行。参与了集团内多款大模型产品的RAG技术的落地应用，通过RAG架构整合企业知识库与用户提问，实现多轮对话与精准答案生成。

目录 第1章 RAG 技术全景与LangChain 生态 1.1 RAG 技术革命 1.1.1 检索-生成协同机制：双轮驱动原理与动态权重调节 1.1.2 RAG技术与传统微调的对比优势 1.1.3 RAG技术演进路线图 1.2 LangChain 架构深度解析 1.2.1 Model I/O模块介绍 1.2.2 Retrieval模块：多路召回管道设计 1.2.3 Agents模块：工具动态调用协议 1.2.4 RAG中的Memory模块：长短期记忆管理策略 1.3 基础环境配置 1.3.1 容器化部署：构建多模型并行的 Docker镜像 1.3.2 CUDA环境调优 1.3.3 国产环境适配：昇腾910/鲲鹏处理器部署实践 1.4 RAG 和LangChain 应用初体验 1.4.1 DeepSeek大模型的接入应用 1.4.2 百度千帆大模型的接入应用 1.4.3 ChatGLM大模型的接入应用 1.4.4 阿里通义千问大模型的接入应用 第2章 知识库的构建与优化 2.1 文档解析 2.1.1 扫描处理技术 2.1.2 结构化提取：树近邻上下文算法 2.2 智能分块策略 2.2.1 LangChain中的文本分割器 2.2.2 递归分割、语义分块和长文档处理 2.3 知识库维护 2.3.1 增量更新机制 2.3.2 知识清洗技术 2.3.3 综合实战：基于集成知识清洗和 DeepSeek的知识库问答系统 第3章 检索增强核心技术 3.1 多路召回融合 3.1.1 BM25+向量检索与权重动态调节 3.1.2 知识图谱嵌入 3.2 重排序优化 3.2.1 BgeReranker模型部署 3.2.2 INT8量化技术 3.3 检索性能优化 3.3.1 向量数据库分片策略 3.3.2 检索缓存策略 3.3.3 硬件加速策略 3.3.4 综合实战：基于DeepSeek和多维度性能优化的本地RAG系统 第4章 生成控制与推理优化 4.1 提示工程实战 4.1.1 法律领域强约束模板：JSON Schema校验 4.1.2 思维链提示注入：AutoCoT算法 4.2 模型微调策略 4.2.1 豆包大模型的LoRA微调 4.2.2 DeepSeek-R1-Distill-Qwen模型的微调 4.3 输出安全控制 4.3.1 英伟达的NeMo Guardrails政策引擎 4.3.2 格式校验：Pydantic结构化输出 4.3.3 内容审核 4.3.4 综合实战：法律领域的RAG安全控制系统 第5章 模型评估与优化策略 5.1 模型评估基础 5.1.1 模型评估的过程 5.1.2 常用的评估指标 5.2 模型的性能评估 5.2.1 单模态模型的性能评估 5.2.2 多模态模型融合性能评估 5.2.3 效率评估 5.2.4 端到端评估指标 5.3 模型验证方法论 5.3.1 数据准备和分割 5.3.2 交叉验证与对抗样本测试 5.3.3 模型鲁棒性验证 5.4 模型优化技术进阶 5.4.1 检索器优化 5.4.2 生成器优化 5.4.3 系统级优化 5.5 基于RAG、GRPO 和DeepSeek 的问答系统 5.5.1 项目介绍 5.5.2 准备训练环境 5.5.3 加载并配置DeepSeek-R1模型 5.5.4 初始化向量数据库集合 5.5.5 模型评估 5.5.6 基于GRPO的RAG 5.5.7 基于RAG与GRPO的训练 5.5.8 文本嵌入和数据准备 5.5.9 主函数 第6章 Agentic RAG 的自主认知与行动 6.1 Agentic RAG 核心概念 6.1.1 传统RAG的局限性与挑战 6.1.2 智能体的基本范式：Reasoning+Action 6.1.3 Agentic RAG的定义与核心价值 6.2 LangChain 中的Agent 框架 6.2.1 定义工具 6.2.2 创建代理 6.2.3 运行代理 6.2.4 代理调用工具 6.2.5 XML代理 6.2.6 JSON代理 6.2.7 ReAct代理 6.2.8 综合实战：基于DeepSeek模型驱动的智能Agent系统 6.3 Agentic RAG 的核心模式与实战 6.3.1 自适应检索 6.3.2 多步查询与递归检索 6.3.3 路由与元数据过滤 6.4 综合实战：基于DeepSeek 的端到端多功能研究助手 6.4.1 功能模块介绍 6.4.2 准备工作 6.4.3 具体实现 第7章 多模态RAG 7.1 多模态技术的基本原理 7.1.1 数据融合与对齐 7.1.2 多模态表示学习 7.1.3 多模态推理 7.2 多模态表示学习 7.2.1 多模态表示学习介绍 7.2.2 多模态表示学习方法介绍 7.3 表示对齐 7.3.1 表示对齐方法 7.3.2 实战演练：实现多模态模型之间的表示对齐 7.4 多模态嵌入 7.4.1 图像特征提取 7.4.2 文本嵌入 7.4.3 综合实战：基于ViLT的视觉问答系统 7.5 RAG 应用中的多模态 7.5.1 多模态RAG的架构演进过程 7.5.2 多模态向量存储 7.5.3 多模态检索器的实现 7.5.4 综合实战：基于LLaVA的多模态RAG对话系统 7.6 综合实战：多模态图像搜索引擎 7.6.1 项目介绍 7.6.2 CLIP模型的配置参数 7.6.3 数据集处理 7.6.4 实现Bangla CLIP 模型 7.6.5 基于文本的图像搜索 7.6.6 基于Streamlit的Web客户端 第8 章 基于多模型的聊天助手（DeepSeek/ Ollama/ChromaDB/JWT/ OpenAI+Langchain） 8.1 背景介绍 8.2 项目介绍 8.3 系统配置 8.3.1 配置API密钥 8.3.2 Docker配置 8.4 后端模块 8.4.1 数据库模型 8.4.2 大模型服务封装 8.4.3 向量数据库的封装与管理 8.4.4 文件存储与身份安全封装 8.4.5 业务服务与API路由 8.4.6 Docker与部署 8.4.7 FastAPI主界面 8.5 前端模块 8.5.1 入口与布局 8.5.2 页面模块 8.6 调试运行 第9章 基于Med-LVLM 模型的医学多模态 RAG 系统 9.1 背景介绍 9.2 项目介绍 9.2.1 Med-LVLM介绍 9.2.2 功能模块介绍 9.3 数据集 9.4 模型的构建和训练 9.4.1 模型构建 9.4.2 模型训练 9.4.3 模型服务 9.5 检索增强生成 9.5.1 实现CLIP模型 9.5.2 跨模态检索损失函数 9.5.3 文本分词与编码 9.5.4 分布式训练