检索增强生成（Retrieval-Augmented Generation, RAG）的核心在于将用户感兴趣的数据无缝连接至大型语言模型（LLM），实现数据驱动的生成式AI功能。

这一过程充分结合了生成式AI的强大能力与数据资源的深度融合，使得LLM能够更高效地提供精准且上下文相关的回答。

RAG 系统的潜力远不止于传统意义上服务于聊天机器人类型的应用程序，还将在改进业务决策、预测分析等创新型 AI 应用场景中扮演关键角色，推动智能化发展迈向新的高度。

RAG 的有用性已得到广泛认可，随着技术的不断演进，我们有充分理由期待更多变革性应用的出现，这些应用将彻底改变我们学习和与信息交互的方式。

在众多数据形式中，重要的半结构化数据往往存储在复杂的文件类型中，尤其是我们熟知的难以处理的 PDF 文件。考虑到许多重要文件通常以 PDF 格式呈现，典型示例包括财报电话会议记录、投资者报告、新闻文章、10K/10Q 文档以及 ARXIV 上的研究论文等，这些文档在各个领域中的普遍存在。

为了将这些关键数据有效地纳入 RAG 管道，我们亟需一种方法，能够从 PDF 文件中干净、准确且高效地提取其中的嵌入信息，包括文本、表格、图像、图形等元素。这一过程的优化不仅能够提升数据的可用性，还能加速信息的提取与应用，推动智能问答和决策系统的更大突破。

LlamaParse 是一种先进的 AI 驱动生成式文档解析技术，专为处理包含表格、图形等嵌入对象的复杂文档而设计。它能够高效地解析和提取多种结构化和半结构化数据，从而使文档中的关键信息得以精准、便捷地提取并转化为可用于进一步处理的格式。

LlamaParse 不仅支持传统文本的解析，还能够有效处理包含图像和图表等非文本信息的复杂文件，极大提升了文档数据在智能应用中的可用性和应用场景的广度。

LlamaParse 的核心功能是支持在这些复杂文档（如 PDF）上创建检索系统。LlamaParse 通过从这些文档中提取数据并将其转换为易于摄取的格式（如 markdown 或文本）来实现这一点。转换数据后，可以将其嵌入并加载到 RAG 管道中。

以下代码介绍了使用 LlamaParse 提取 PDF 文件的 RAG 管道的实施。

!pip install llama-index``!pip install llama-index-core``!pip install llama-index-embeddings-openai``!pip install llama-parse``!pip install llama-index-vector-stores-kdbai``!pip install pandas``!pip install llama-index-postprocessor-cohere-rerank``!pip install kdbai_client

from llama_parse import LlamaParse``from llama_index.core import Settings``from llama_index.core import StorageContext``from llama_index.core import VectorStoreIndex``from llama_index.core.node_parser import MarkdownElementNodeParser``from llama_index.llms.openai import OpenAI``from llama_index.embeddings.openai import OpenAIEmbedding``from llama_index.vector_stores.kdbai import KDBAIVectorStore``from llama_index.postprocessor.cohere_rerank import CohereRerank``from getpass import getpass``import os``import kdbai_client as kdbai

为 LlamaCloud、OpenAI 设置 API 密钥：

# llama-parse is async-first, running the async code in a notebook requires the use of nest_asyncio``import nest_asyncio``nest_asyncio.apply()

# API access to llama-cloud``os.environ["LLAMA_CLOUD_API_KEY"] = (`    `os.environ["LLAMA_CLOUD_API_KEY"]`    `if "LLAMA_CLOUD_API_KEY" in os.environ`    `else getpass("LLAMA CLOUD API key: ")``)

# Using OpenAI API for embeddings/llms``os.environ["OPENAI_API_KEY"] = (`    `os.environ["OPENAI_API_KEY"]`    `if "OPENAI_API_KEY" in os.environ`    `else getpass("OpenAI API Key: ")``)

设置 KDB。AI 矢量数据库

#Set up KDB.AI endpoint and API key``KDBAI_ENDPOINT = (`    `os.environ["KDBAI_ENDPOINT"]`    `if "KDBAI_ENDPOINT" in os.environ`    `else input("KDB.AI endpoint: ")``)``KDBAI_API_KEY = (`    `os.environ["KDBAI_API_KEY"]`    `if "KDBAI_API_KEY" in os.environ`    `else getpass("KDB.AI API key: ")``)

#connect to KDB.AI``session = kdbai.Session(api_key=KDBAI_API_KEY, endpoint=KDBAI_ENDPOINT)

连接到“default”数据库，为 KDB 创建一个架构。AI 表，定义索引，然后创建表：

schema = [`        `dict(name="document_id", type="str"),`        `dict(name="text", type="str"),`        `dict(name="embeddings", type="float32s"),`    `]``indexFlat = {`        `"name": "flat",`        `"type": "flat",`        `"column": "embeddings",`        `"params": {'dims': 1536, 'metric': 'L2'},`    `}``   ``# Connect with kdbai database``db = session.database("default")``   ``KDBAI_TABLE_NAME = "LlamaParse_Table"``# First ensure the table does not already exist``try:`    `db.table(KDBAI_TABLE_NAME).drop()``except kdbai.KDBAIException:`    `pass``#Create the table``table = db.create_table(KDBAI_TABLE_NAME, schema, indexes=[indexFlat])

下载示例 PDF，或导入您自己的 PDF：

!wget 'https://arxiv.org/pdf/2404.08865' -O './LLM_recall.pdf'

让我们用LLM：

EMBEDDING_MODEL  = "text-embedding-3-small"``GENERATION_MODEL = "gpt-4o"``llm = OpenAI(model=GENERATION_MODEL)``embed_model = OpenAIEmbedding(model=EMBEDDING_MODEL)``Settings.llm = llm``Settings.embed_model = embed_model``   ``pdf_file_name = './LLM_recall.pdf'``   ``parsing_instructions = '''The document titled "LLM In-Context Recall is Prompt Dependent" is an academic preprint from April 2024, authored by Daniel Machlab and Rick Battle from the VMware NLP Lab. It explores the in-context recall capabilities of Large Language Models (LLMs) using a method called "needle-in-a-haystack," where a specific factoid is embedded in a block of unrelated text. The study investigates how the recall performance of various LLMs is influenced by the content of prompts and the biases in their training data. The research involves testing multiple LLMs with varying context window sizes to assess their ability to recall information accurately when prompted differently. The paper includes detailed methodologies, results from numerous tests, discussions on the impact of prompt variations and training data, and conclusions on improving LLM utility in practical applications. It contains many tables. Answer questions using the information in this article and be precise.'''

documents = LlamaParse(result_type="markdown", parsing_instructions=parsing_instructions).load_data(pdf_file_name)

print(documents[0].text[:1000])

从 Markdown 文件中提取base_nodes（文本）和对象节点（表）：

# Parse the documents using MarkdownElementNodeParser``node_parser = MarkdownElementNodeParser(llm=llm, num_workers=8).from_defaults()``   ``# Retrieve nodes (text) and objects (table)``nodes = node_parser.get_nodes_from_documents(documents)

构建RAG

from openai import OpenAI``client = OpenAI()``def embed_query(query):`    `query_embedding = client.embeddings.create(`            `input=query,`            `model="text-embedding-3-small"`        `)`    `return query_embedding.data[0].embedding``def retrieve_data(query):`    `query_embedding = embed_query(query)`    `results = table.search(vectors={'flat':[query_embedding]},n=5,filter=[('<>','document_id','4a9551df-5dec-4410-90bb-43d17d722918')])`    `retrieved_data_for_RAG = []`    `for index, row in results[0].iterrows():`      `retrieved_data_for_RAG.append(row['text'])`    `return retrieved_data_for_RAG``def RAG(query):`  `question = "You will answer this question based on the provided reference material: " + query`  `messages = "Here is the provided context: " + "\n"`  `results = retrieve_data(query)`  `if results:`    `for data in results:`      `messages += data + "\n"`  `response = client.chat.completions.create(`      `model="gpt-4o",`      `messages=[`          `{"role": "system", "content": question},`          `{`          `"role": "user",`          `"content": [`              `{"type": "text", "text": messages},`          `],`          `}`      `],`      `max_tokens=300,`  `)`  `content = response.choices[0].message.content`  `return content

在本篇文章中，我们深入探讨了如何在复杂的 PDF 文档上构建一个高效的检索增强生成（RAG）管道。通过使用 LlamaParse 技术，我们成功将 PDF 文档转换为 Markdown 格式，提取了其中的文本和表格信息，并将这些数据顺利摄取到 KDB 中，为后续的 AI 检索提供支持。

由于 RAG 系统已经实现了产品化，能够处理和摄取存储在复杂文档类型中的知识，确保了在各种应用场景中提取和利用关键信息的高效性。LlamaParse 技术正是实现这一目标的关键工具，它为处理和转换复杂文档数据提供了强有力的支持。

参考代码：https://github.com/KxSystems/kdbai-samples/blob/main/LlamaParse_pdf_RAG/llamaParse_demo.ipynb

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】