會員登入
｜
加入會員
｜
會員專區
｜
購物車
｜
自資出版
｜
電子書城
｜
客服中心
文學小說
商管創投
人文藝坊
勵志養生
進修學習
科學工程
家庭親子
玩樂天地
書名
出版社
作者
isbn
編號
英語會話
|
成交的秘密
|
霹靂影音寫真特典
|
iPhone 4S JB解禁秘術：Cydia 超限軟體300+
此作者無相關書籍
文學小說
文學
｜
小說
商管創投
財經投資
｜
行銷企管
人文藝坊
宗教、哲學
社會、人文、史地
藝術、美學
｜
電影戲劇
勵志養生
醫療、保健
料理、生活百科
教育、心理、勵志
進修學習
電腦與網路
｜
語言工具
雜誌、期刊
｜
軍政、法律
參考、考試、教科用書
科學工程
科學、自然
｜
工業、工程
家庭親子
家庭、親子、人際
青少年、童書
玩樂天地
旅遊、地圖
｜
休閒娛樂
漫畫、插圖
｜
限制級
比RAG更強：知識增強LLM型應用程式實戰
作者：
王文廣
分類：
電腦與網路
／
綜論
出版社：
深智數位
出版日期：2025/10/20
ISBN：9786267757413
書籍編號：kk0606350
頁數：496
定價：
980
元
一般會員價：
79
折
774
元
特別會員價：
79
折
774
元
書價若有異動，以出版社實際定價為準
訂購後立即為您進貨
訂購後立即為您進貨：目前無庫存量,讀者下訂後,開始進入調書程序,一般天數約為2-10工作日(不含例假日)。
團購數最低為 15 本以上
評價數：
(請將滑鼠移至星星處進行評價)
目前平均評價：
文字連結
複製語法
<a href='http://www.silkbook.com/book_detail.asp?goods_ser=kk0606350'>比RAG更強：知識增強LLM型應用程式實戰</a>
圖片連結
複製語法
<a href='http://www.silkbook.com/book_detail.asp?goods_ser=kk0606350'><img src='http://www.silkbook.com/mall_image/bk/kk0606350.jpg' ALT='比RAG更強：知識增強LLM型應用程式實戰' height='120' width='90'></a>
分
享
內容簡介
作者介紹
書籍目錄
同類推薦
比RAG更強：知識增強LLM型應用程式實戰 內容簡介 ★解析大模型幻覺與知識陳舊的本質問題 ★建立RAG與GraphRAG的完整技術圖譜 ★掌握大語言模型的使用與實踐技巧 ★深入理解向量表示與語義檢索機制 ★精通Milvus與其他主流向量資料庫 ★逐步構建檢索增強生成系統 ★掌握知識圖譜設計與六韜法應用 ★從零實作映射式與取出式圖譜建構 ★操作JanusGraph圖資料庫與Gremlin查詢 ★解析圖模互補應用範式的邏輯結構 ★建立GraphRAG系統並落地應用實例 ★橫跨教育、金融、醫療與製造業的應用案例 本書聚焦於當前人工智慧應用中的一個核心問題：如何讓大模型變得更可信、更實用。透過系統性介紹檢索增強生成（RAG）、知識圖譜、向量資料庫與圖型計算等關鍵技術，本書深入剖析了如何將外部知識結合到大語言模型中，提升其資訊更新能力與邏輯一致性。從向量相似度與Milvus實戰，到GraphRAG的系統建構與應用案例，內容涵蓋理論、實作與部署，技術完整，實用性強。書中也包括圖模互補的應用架構與常見場景，對於希望開發具備知識增強能力的LLM應用者而言，是一本難得的實戰指南。
作者簡介 王文廣 高級工程師，浙江大學碩士，浦東新區「明珠計畫」菁英人才，省部級科技進步獎獲得者，人工智慧標準編制專家，浦東新區首席技師，騰訊雲最具價值專家（TVP），中國人工智慧產業發展聯盟突出貢獻個人，曾出版《知識圖譜：認知智能理論與實戰》一書，致力於推進通用人工智慧技術的研究和應用。 現為上海市人工智能技術標準化委員會委員、上海市科學技術委員會評審專家、中國計算機協會（CCF）高級會員、中國中文信息學會（CIPS）語言與知識計算專委會委員、中國人工智慧學會（CAAI）深度學習專委會委員，曾參與編制十多項人工智慧領域的標準，發表數十項（篇）人工智慧領域的國家發明專利和學術論文，並參與編寫多本人工智慧方面的圖書。
目錄 ▌第1 章 緒論：迎接大模型紀元 1.1 大模型崛起 1.2 大模型的固有特性 1.2.1 幻覺 1.2.2 知識陳舊 1.3 知識增強大模型 1.4 迎接大模型紀元 ▌第2 章 大語言模型 2.1 大模型概述 2.2 語言模型簡史 2.3 大模型為何如此強大 2.3.1 語言模型與無監督學習 2.3.2 人類回饋強化學習 2.3.3 情境學習與思維鏈 2.4 如何使用大模型 2.4.1 翻譯 2.4.2 文字摘要 2.4.3 求解數學問題 2.4.4 語言學習和考試 2.4.5 高效撰寫文章 2.4.6 自動化程式設計和輔助程式設計 2.4.7 資料分析 2.5 垂直大模型 2.5.1 什麼是垂直大模型 2.5.2 垂直大模型的特點 2.6 思考題 2.7 本章小結 ▌第3 章 向量資料庫 3.1 向量表示與嵌入 3.1.1 語言的向量表示 3.1.2 影像的向量表示 3.1.3 知識圖譜的向量表示 3.2 向量相似度 3.2.1 L2 距離 3.2.2 餘弦相似度 3.2.3 內積相似度 3.2.4 L1 距離 3.3 向量索引與檢索方法 3.3.1 最近鄰檢索和近似最近鄰檢索 3.3.2 局部敏感雜湊演算法 3.3.3 基於圖結構的HNSW 演算法 3.3.4 向量量化與乘積量化 3.4 Milvus 向量資料庫 3.4.1 Milvus 架構 3.4.2 向量索引方法 3.4.3 向量檢索方法 3.4.4 資料一致性 3.4.5 使用者認證與許可權控制 3.5 Milvus 向量資料庫實戰指南 3.5.1 安裝、配置和運行Milvus 3.5.2 連接伺服器和建立資料庫 3.5.3 資料準備 3.5.4 建立集合 3.5.5 建立索引 3.5.6 插入資料 3.5.7 載入資料 3.5.8 純量查詢 3.5.9 單向量檢索 3.5.10 混合檢索 3.6 其他主流的向量資料庫系統與工具 3.6.1 原生向量資料庫 3.6.2 資料庫的向量處理擴充 3.6.3 向量索引和檢索函數庫 3.7 思考題 3.8 本章小結 ▌第4 章 檢索增強生成 4.1 檢索增強生成概述 4.2 為什麼需要RAG 4.2.1 RAG、SFT 與LoRA 4.2.2 長上下文與RAG 4.2.3 鋰電池供應鏈管理案例 4.2.4 RAG 的特點 4.3 通用的RAG 流程 4.3.1 建立知識庫 4.3.2 知識檢索 4.3.3 大模型生成答案 4.3.4 品質評估與迭代最佳化 4.4 使用Dify 建構RAG 系統 4.4.1 Dify 概述 4.4.2 安裝Dify 4.4.3 初始化Dify 4.4.4 建立知識庫 4.4.5 簡單的RAG 應用 4.4.6 RAG 效果最佳化 4.4.7 引入Elasticsearch 4.4.8 建構RAG 系統 4.5 RAG 系統的最佳實踐 4.5.1 文本分塊 4.5.2 分層檢索 4.5.3 查詢改寫 4.5.4 檢索路由 4.6 其他主流的RAG 系統框架 4.6.1 LobeChat 4.6.2 Quivr 4.6.3 LlamaIndex 4.6.4 Open WebUI 4.7 思考題 4.8 本章小結 ▌第5 章 知識圖譜技術系統 5.1 什麼是知識圖譜 5.1.1 知識圖譜的相關概念及其定義 5.1.2 知識圖譜實例 5.1.3 大腦的聯想機制與知識圖譜的關係建模 5.2 DIKW 模型與知識圖譜 5.2.1 DIKW 模型 5.2.2 從DIKW 模型到知識圖譜 5.2.3 知識圖譜的內涵與外延 5.2.4 知識的源流與知識圖譜 5.3 知識圖譜的技術系統 5.3.1 知識圖譜模式設計與管理 5.3.2 知識圖譜建構技術 5.3.3 知識圖譜儲存技術 5.3.4 知識圖譜應用技術 5.3.5 使用者介面與介面 5.4 知識圖譜模式設計的基本原則 5.4.1 賦予一類事物合適的名字 5.4.2 建立事物間清晰的聯繫 5.4.3 明確且正式的語義表達 5.5 知識圖譜模式設計的六韜法 5.6 大模型結合六韜法設計知識圖譜模式 5.6.1 場景：對齊參與各方的認知 5.6.2 重複使用：站在巨人的肩膀上 5.6.3 事物：定義實體類型及屬性 5.6.4 聯繫：場景需求之下的普遍聯繫 5.6.5 約束：多層次的約束規範 5.6.6 評價：迭代最佳化的起點 5.7 知識圖譜模式設計的最佳實踐 5.7.1 熟知知識圖譜及其具體應用領域 5.7.2 明確邊界，切記貪多嚼不爛 5.7.3 高內聚、低耦合 5.7.4 充分利用視覺化工具 5.8 思考題 5.9 本章小結 ▌第6 章 建構知識圖譜 6.1 知識圖譜建構技術概述 6.1.1 映射式建構技術 6.1.2 取出式建構技術 6.2 取出實體和物理屬性 6.2.1 實體、物理屬性及其取出 6.2.2 用大模型取出實體和物理屬性 6.3 取出關係和關係屬性 6.3.1 實體間的關係和關係取出 6.3.2 用大模型取出關係和關係屬性 6.4 取出事件 6.4.1 事件、事件要素和事件取出 6.4.2 用大模型取出事件 6.5 多語言和跨語言 6.6 知識取出的評價指標 6.7 思考題 6.8 本章小結 ▌第7 章 圖資料庫與圖型計算 7.1 圖資料庫概述 7.1.1 頂點、邊、屬性與標籤 7.1.2 圖資料庫的儲存與查詢 7.1.3 主流的圖資料庫 7.2 JanusGraph 分散式圖資料庫 7.2.1 JanusGraph 系統架構 7.2.2 CAP 理論與JanusGraph 7.2.3 與搜尋引擎的整合 7.2.4 事務和損毀修復 7.2.5 屬性圖模式的定義 7.2.6 圖查詢語言Gremlin 7.3 JanusGraph 實戰指南 7.3.1 安裝、運行和配置JanusGraph 7.3.2 在JanusGraph 中定義屬性圖模式 7.3.3 為圖建立索引 7.3.4 索引的狀態及動作 7.3.5 查看屬性圖模式 7.3.6 為圖插入頂點、邊和屬性 7.3.7 查詢的起始與終末 7.3.8 提取圖中元素的資訊 7.3.9 過濾查詢準則 7.3.10 圖的遊走 7.3.11 分組與聚合 7.3.12 分支與迴圈 7.3.13 match、map、filter 和sideEffect 7.3.14 性能最佳化工具的使用 7.4 JanusGraph 的視覺化 7.4.1 JanusGraph-Visualizer 7.4.2 其他視覺化工具 7.5 遍歷與最短路徑演算法 7.5.1 廣度優先搜索 7.5.2 深度優先搜索 7.5.3 路徑和最短路徑 7.6 中心性 7.6.1 中心性的概念及應用 7.6.2 度中心性 7.6.3 親密中心性 7.6.4 仲介中心性 7.6.5 特徵向量中心性 7.6.6 PageRank 7.7 社區檢測 7.7.1 社區檢測概述 7.7.2 社區檢測演算法一覽 7.7.3 Leiden 演算法實戰 7.7.4 社區檢測演算法的應用場景 7.8 思考題 7.9 本章小結 ▌第8 章 圖模互補應用範式 8.1 圖模互補概述 8.2 圖模互補中的知識圖譜 8.2.1 知識的確定性和一致性 8.2.2 知識來源可追溯 8.2.3 知識的即時與及時更新 8.2.4 可解釋與可追溯的演繹推理 8.2.5 校正機制與知識的持續維護 8.2.6 基於圖機器學習與圖神經網路的機率推理 8.2.7 知識圖譜的全域視野 8.3 圖模互補中的大模型 8.3.1 從任務描述到任務需求的理解 8.3.2 利用知識圖譜檢索、整合和推理結果 8.3.3 高品質的自然語言生成 8.3.4 結合多源知識生成創新性內容 8.3.5 機率推理能力與通用性 8.3.6 知識取出 8.3.7 知識補全 8.3.8 跨語言知識對齊 8.4 圖模互補應用範式的特點 8.5 大模型對知識圖譜的增強 8.5.1 增強知識圖譜的建構 8.5.2 增強知識圖譜的補全 8.5.3 增強對知識的描述 8.5.4 增強知識圖譜的推理 8.5.5 增強知識圖譜的查詢 8.6 知識圖譜對大模型的增強 8.6.1 減少大模型的幻覺 8.6.2 內嵌知識圖譜的大模型 8.6.3 提升大模型的推理能力 8.6.4 知識圖譜增強生成 8.6.5 提升大模型生成內容的可解釋性 8.6.6 應用案例 8.7 基於圖模互補應用範式的智慧系統的典型流程 8.8 思考題 8.9 本章小結 ▌第9 章 知識圖譜增強生成與GraphRAG 9.1 知識圖譜增強生成的原理 9.1.1 深度推理和即時推理 9.1.2 全域視野與深度洞察 9.1.3 知識整合 9.2 知識圖譜增強生成的通用框架 9.3 為知識圖譜建立索引 9.3.1 圖索引 9.3.2 文字索引 9.3.3 向量索引 9.3.4 混合索引 9.4 從知識圖譜中檢索知識 9.4.1 檢索方法 9.4.2 檢索過程 9.4.3 知識粒度 9.5 知識表示形式 9.5.1 鄰接表和邊表 9.5.2 自然語言文字 9.5.3 程式語言 9.5.4 語法樹 9.5.5 頂點序列 9.6 GraphRAG 概述 9.7 GraphRAG 實戰 9.7.1 安裝GraphRAG 和資料資源準備 9.7.2 轉為實體的關係屬性的DataFrame 9.7.3 計算實體、關係的排序值 9.7.4 為實體生成描述文字及向量化 9.7.5 為關係生成描述文字及向量化 9.7.6 社區分類和社區描述文字 9.7.7 呼叫API 生成GraphRAG 可用資料 9.7.8 大模型的初始化 9.7.9 局部搜索與全域搜索 9.8 思考題 9.9 本章小結 ▌第10 章 知識增強大模型應用 10.1 應用框架 10.2 知識來源 10.2.1 非結構化知識 10.2.2 結構化資料庫 10.2.3 知識圖譜 10.3 知識營運 10.3.1 知識的品質 10.3.2 資料管理流程 10.3.3 法律符合規範、隱私與智慧財產權 10.3.4 可觀測性工具 10.4 應用指南 10.4.1 應用價值 10.4.2 進取者：全面推進導向的策略 10.4.3 保守者：試點驅動導向的策略 10.4.4 選型的「四三二一」原則 10.4.5 最佳實踐要點 10.5 行業應用案例 10.5.1 文件幫手 10.5.2 教育領域應用場景 10.5.3 智慧金融應用場景 10.5.4 智慧醫療應用場景 10.5.5 智慧製造應用場景 10.6 思考題 10.7 本章小結 ▌參考文獻
NotebookLM
零基礎玩轉LLM應用
大模型時代：從 Ch
電子商務與ChatG
不懂程式也能自架專屬
一學就會的 AI 影
AI超神應用術：Go
人工智慧漫畫全圖解：
Python修仙之路
ChatGPT 5實
Q1：若我已報名付了1000元訂金，接下來我要做什麼？ A：感謝您報名，後續相關事情及服務我們會以e-mail和電話跟您聯絡. 您也可以主動來信(andy@book4u.com.tw)詢問。謝謝！ Q2：我本身並沒有產品和服務，也沒什麼實務上的經驗，那又能如何賺錢呢？這個課程真的有實際成效嗎？ A：我們這個課程共有11項贈品，其中第2項贈品便是資訊產品創造藍圖，它將教您如何用最簡潔而快速的方法創出屬於您自己的資訊產品。一般的課程大多是教您如何捕魚，但多數的成功致富者，其成功的關鍵卻不是仰賴捕魚技術，而是仰賴借力之術，因為唯有借力才能無中生有！才能快速成長！也才能快速致富！本課程3天共有三套樣版，其中一套樣版便是教您打造在沒有任何商品與服務，也沒有任何資源的情況下，就能快速借力致富的樣版！本課程二位講師都是白手起家，對於沒有實務經驗的新手會格外用心，請放心。 Q3：請問贈品中魚池矩陣直效聯盟VVIP是什麼？ A：這是一個強大的系統，而我們送的是體驗版，會提供你Email追客系統。國外有一種函授課程，亦即每幾天發一個課程給學員， 就是用EMAIL追客系統來實踐。EMAIL追客系統簡單的說就是今天有一個客戶在你的網站上購買產品或註冊，系統會自動回覆一封確認信，之後你可以自行設計發送內容和發信時間一次一對多發給客戶，而且每封信還會帶入客戶本身的姓名。讓客戶以為是我們專門為客戶所量身訂作的信件。所以Email追客系統可以讓你培養跟客戶的信任感，進而成交。 Q4：請問贈品中資訊產品創造藍圖是什麼？ A：這是一位叫林星?老師的課程，課程售價是9800元，現在免費送給你。此課程包含： ● 何謂資訊型產品？ ● 資訊型產品的種類大解析！以及如何組織你的資訊型產品賺錢？ ● 如何找到你的利基市場？ ● 為什麼錯的利基市場，再好的產品與行銷也很難有效！ ● 29個國外已經證實能讓你賺到錢的利基市場！ ● 如何確保你做出來的產品客戶會很想購買？以及實際可執行的步驟！ ● 創造資訊型產品計劃書 ● 15個步驟建立你的資訊型產品事業 ● E-mail精準行銷的10個法則 ● 10個別人沒有告訴你的有效文案撰寫法則 Q5：請問贈品中自動財富系統 6片DVD是什麼？ A：此6片DVD定價3200元。內容為《借力淘金！最吸利的鈔級魚池賺錢術》作者之一王紫杰所錄製的DVD，內容為有關網路行銷的知識和技巧，非常豐富且實用，免費送給您。
為了保障您的權益，新絲路網路書店所購買的商品均享有到貨七天的鑑賞期（含例假日）。退回之商品必須於鑑賞期內寄回（以郵戳或收執聯為憑），且商品必須是全新狀態與完整包裝(商品、附件、內外包裝、隨貨文件、贈品等)，否則恕不接受退貨。
