本课程使用 Open AI GPT 和 Google Gemini API、LlamaIndex LLM 框架和 ChromaDB 和 Pinecone 等向量数据库，旨在帮助您通过扎实的概念和实践课程学习如何构建 LLM RAG 应用程序。本课程以简洁明了的方式涵盖了学习 LLM RAG 应用程序和框架（如代理、工具、QueryPipelines、检索器、查询引擎）的所有基本方面。它还深入探讨了语言嵌入和矢量数据库的概念，以帮助您开发高效的语义搜索和基于语义相似性的 RAG 应用程序。我们还将介绍多种 Prompt Engineering 技术，这些技术将有助于提高您的 RAG 应用程序的效率。
包含的项目/实践列表：
基本 RAG：使用 VectorStore、Retriever、Nodepostprocessor、ResponseSynthesizer 和 Query Engine 与多个 PDF 文档聊天。
ReAct Agent：使用 ReAct Agent 和工具创建计算器。
带有动态工具的文档代理：动态创建多个 QueryEngineTools 并通过代理协调查询。
语义相似性：尝试语义相似性操作并获得相似度分数。
顺序查询管道：创建简单顺序查询管道。
DAG 管道：开发复杂的 DAG 管道。
数据框管道：使用 Pandas 输出解析器和响应合成器开发复杂的数据框分析管道。
使用 SQL 数据库：使用多种方法开发 SQL 数据库提取机器人。
对于每个项目，您将了解：
– 商业问题
– 使用了哪些 LLM 和 LlamaIndex 组件
– 分析结果
– 您可以使用类似的方法解决哪些其他类似的用例。
此课程面向哪些人：
希望利用 LLM 的强大功能构建 Gan AI RAG 应用程序作为其项目和产品一部分的软件开发人员
软件开发人员希望利用 Gen AI 实现软件工程流程自动化
你将会学到的
LLM RAG 应用程序开发基础知识
使用 Open AI GPT API 开发 RAG 应用程序
提示工程 – 为您的 RAG 应用程序编写优化的提示
使用 LlamaIndex 查询引擎、检索器和查询管道
建立会话记忆
使用数据连接器
构建智能代理和工具
语言嵌入和矢量数据库
使用 SQL 数据库
使用 RAG 中的结构化数据和数据框
将 LlamaIndex RAG 转换为 FAST API