RAG 驱动的生成人工智能：第二版

构建 MAS-RAG（RAG 多代理 AI 系统），使用混合检索和可扩展架构对实际数据进行推理以供生产使用。

随书免费：无 DRM 的 PDF 版本 + 访问 Packt 的下一代阅读器*

主要功能

• 将矢量搜索与结构化企业数据的 SQL 过滤相结合，掌握 DualRAG
• 在 Oracle Database 23ai 中本地实现 GraphRAG、Spatial-RAG 和矢量搜索
• 利用人工反馈循环和微调模型构建多模式视频管道

书籍说明

停止将数据转移到人工智能。第二版定义了革命性的架构转变：将人工智能引入数据。通过使用 Oracle Database 23ai 作为本书中的融合引擎，您将构建主权 AI 系统，消除传统数据提取中固有的碎片、延迟和巨大的安全风险。

您将使用 DualRAG，将非结构化向量语义与结构化 SQL、图形和空间检索的确定性事实同步。这使您的系统能够对经过验证的公司数据而不是概率猜测进行推理，从而从源头减少幻觉。除了简单的管道之外，您还将构建 MAS-RAG（RAG 多代理系统），其中自治代理在混合检索工作流程、多模式视频管道和基于图形的知识结构之间进行协调。

这些蓝图专为开发人员和架构师设计，将断开连接的数据孤岛转变为统一的引擎，以构建可通过 RLHF 和模型微调进行扩展的自主企业智能。读完本书后，您将能够设计和部署企业人工智能系统，结合检索、推理和结构化数据来构建可靠的生成人工智能应用程序。

你将学到什么

• 直接为 Oracle Database 23ai 中的数据带来智能
• 利用 DualRAG 战胜幻觉和数据中毒，将向量语义与结构化 SQL 同步
• 利用 Planner、Agent Registry 和 MCP 标准化主权代理构建 MAS-RAG 管道
• 使用混合自适应 RAG 设计推理时间路由器，在推理、检索和人工反馈之间切换
• 将向量相似度、Oracle Spatial 和 SQL 属性图遍历融合到聚合超级查询中
• 多模态视频 RAG，具有版本控制的架构注册表和对视觉资产的语义向量搜索

这本书适合谁

本书适合希望构建基于企业数据的可投入生产的生成式 AI 系统的 AI 工程师、ML 工程师、数据科学家和 MLOps 专业人士。它还将使希望使用现代检索架构将大型语言模型与结构化和非结构化数据源集成的解决方案架构师、数据库工程师和软件开发人员受益。读者应该熟悉 Python，并对机器学习概念有基本的了解。先前使用生成人工智能或矢量数据库的经验将帮助您充分利用本书。

目录

1. 为什么采用检索增强生成？
2. Oracle 矢量存储中的 RAG 嵌入
3. 建立实时招聘代理
4. 建立主权企业代理
5. 构建通用上下文引擎
6. 操作通用上下文引擎
7. 通过微调 RAG 数据增强 AI 模型
8. 通过人工反馈提高 RAG 性能
9. 构建会话式 RAG 代理
10. 使用 Spatial-RAG 和 GraphRAG 构建代理
11. 使用 Oracle Exadata 扩展 AI 工作负载
12. 自治数据库架构师