کتاب RAG with Python Cookbook: Practical Recipes from Data Preprocessing to LLM Agents 1st Edition (کتاب راهنمای عملی RAG با پایتون: دستورالعملهای عملی از پیشپردازش داده تا عاملهای مبتنی بر مدلهای زبانی بزرگ، ویرایش اول) نوشتهی «دومینیک پولتسر» (انتشارات O’Reilly، ویرایش اول)، یک راهنمای عملی و مبتنی بر دستورالعمل (cookbook) برای ساخت سیستمهای تولید مبتنی بر بازیابی اطلاعات (RAG) است. این کتاب با بیش از ۷۰ دستورالعمل کاربردی، چالش اتصال مدلهای زبانی بزرگ به دادههای خارجی و لحظهای را پوشش میدهد.
در ادامه مقدمهای از کتاب RAG with Python Cookbook را از زبان نویسنده شرح خواهیم داد.
مقدمهای بر کتاب RAG with Python Cookbook:
در سال ۲۰۱۷، محققان گوگل مقاله «توجه تنها چیزی است که نیاز دارید» را منتشر کردند و معماری ترنسفورمر را معرفی نمودند؛ دستاوردی که هوش مصنوعی مدرن را متحول ساخت. در سالهای بعد، مدلهای بنیادی بزرگ نشان دادند که وقتی این ایدهها در مقیاس وسیع به کار گرفته میشوند، چه اتفاقی میافتد. مدلها شروع به نوشتن متنی منسجم، پاسخ به سؤالات پیچیده و تولید کدهای قابل اجرا کردند. برای اولین بار، سیستمهای نرمافزاری میتوانستند با زبان به گونهای تعامل کنند که در کاربردهای واقعی به طور کلی مفید به نظر میرسید، نه فقط در دموهای تحقیقاتی چشمگیر.
با این حال، این مدلها محدودیت مهمی داشتند. آنها قدرتمند اما منزوی بودند، مستعد توهم زدن حقایق، فاقد دسترسی به اطلاعات بهروز، و ناتوان از کار با دادههای خصوصی شرکتها. تولید مبتنی بر بازیابی اطلاعات (RAG) با اتصال مدلهای زبانی به منابع دانش خارجی، این شکافها را پر میکند. من RAG و RAG عاملی (agentic RAG) را گامی کلیدی به سوی سیستمهای هوش مصنوعی میدانم که از حل مسئله به سبک انسان تقلید میکنند.
آنها به طور فعال اطلاعات جدید جمعآوری میکنند، آن را در بافت خود تفسیر مینمایند و بر اساس یافتههایشان، گامهای بعدی خود را پیوسته برنامهریزی میکنند. با اتصال مدلهای بنیادی به منابع دانش خارجی، RAG خروجی مدل را در دادههای قابل تأیید ریشهدار میکند و سیستمها را قادر میسازد هنگام انجام وظایف پیچیده، بر روی اطلاعات معتبر استدلال کنند.
کتاب RAG with Python Cookbook درباره ساختن سیستمهای RAG آماده تولید (production-ready) است. هر دستورالعمل (recipe) بر روی یک چالش مهندسی مشخص تمرکز دارد که هنگام حرکت از نمونه اولیه به یک برنامه قابل اعتماد ظاهر میشود و مبادلات (trade‑offs) پشت تصمیمات کلیدی طراحی را توضیح میدهد. شما یاد خواهید گرفت که چگونه خطوط لوله را طراحی کنید، استراتژیهای بازیابی را انتخاب کنید، کیفیت سیستم را ارزیابی کنید و سیستمهای RAG را در مقیاس بزرگ به کار گیرید. هدف این است که به شما کمک کنیم راهحلهایی بسازید که دقیق، مقیاسپذیر و قابل نگهداری باشند — سیستمهایی که نه تنها در دموها، بلکه در محیطهای واقعی به طور قابل اعتماد عمل میکنند.
کتاب RAG with Python Cookbook برای چه کسانی است؟
این کتاب برای توسعهدهندگان و دانشمندان داده نوشته شده است که میخواهند برنامههای کاربردی عملی هوش مصنوعی مولد بسازند. باید با پایتون راحت باشید و با APIها، پردازش داده و توسعه نرمافزار عمومی آشنایی داشته باشید. پیشینه عمیق یادگیری ماشین الزامی نیست. مفاهیم لازم هنگام ظهور معرفی میشوند، اما باید آماده باشید که در طول مسیر کد بنویسید، اجرا کنید و اشکالزدایی نمایید.
آنچه یاد خواهید گرفت و چگونه کتاب سازماندهی شده است
۱۱ فصل کتاب RAG with Python Cookbook، روند طبیعی ساخت یک سیستم RAG را از مفاهیم پایه تا استقرار در تولید دنبال میکنند:
- فصلهای ۱ و ۲ مبانی را پوشش میدهند. شما موارد استفاده با ارزش بالا را شناسایی میکنید، محیط خود را راهاندازی مینمایید، با پرامپتها کار میکنید و مدلهای بنیادی مناسب را انتخاب میکنید.
- فصلهای ۳ و ۴ بر روی خط لوله داده تمرکز دارند. شما دادهها را از اسناد، پایگاههای داده، تصاویر، صدا و ویدئو بارگذاری کرده، سپس آنها را از طریق پاکسازی، تکهتکه کردن (chunking) و غنیسازی با فراداده آماده میسازید.
- فصلهای ۵ و ۶ کتاب RAG with Python Cookbook به توکارسازیها (embeddings) و ذخیرهسازی میپردازند. شما یاد میگیرید که چگونه توکارسازیها معنای معنایی را نمایش میدهند، مدلهای توکارسازی را انتخاب کنید و بر اساس نیازهایتان پایگاههای داده برداری را برگزینید.
- فصل ۷ تکنیکهای پیشرفته بازیابی مانند فیلتر کردن فراداده، بازیابی چندپرامپتی، HyDE، بازرتبهبندی (reranking) و تجزیه پرس و جو را برای بهبود دقت معرفی میکند.
- فصلهای ۸ و ۹ سیستمهای هوشمند را بررسی میکنند. شما گردشهای کاری عاملی (agentic workflows) را با ابزارها میسازید و یاد میگیرید که چگونه گرافهای دانش، روابط بین موجودیتها را حفظ میکنند.
- فصلهای ۱۰ و ۱۱ به آمادگی برای تولید میپردازند. شما سیستمهای RAG را با معیارهای خودکار و قضاوت انسانی ارزیابی میکنید، دادههای آزمون مصنوعی تولید مینمایید و برنامهها را با Streamlit، Docker و خدمات وب آمازون (AWS) مستقر میسازید.
هر فصل شامل دستورالعملهای عملی با کدهای کاری است که میتوانید در پروژههای خود تطبیق داده و گسترش دهید.
سرفصلهای کتاب RAG with Python Cookbook:
- Preface
- 1. Getting Started with RAG
- 2. Foundation Models
- 3. Loading Data
- 4. Data Preparation
- 5. Embeddings
- 6. Vector Databases and Similarity Searches
- 7. Retrieval
- 8. Agentic RAG
- 9. Graph RAG
- 10. Evaluating RAG Systems
- 11. RAG Web Apps
- Index
- About the Author
جهت دانلود کتاب RAG with Python Cookbook میتوانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.