使用大语言模型（LLMs）、检索增强生成（RAG）和知识图谱

构建人工智能智能体（英文版电子书） 文件格式epub 介绍如何结合大型语言模型（LLMs）、检索增强生成（RAG）和知识图谱构建自主化、现代化的 AI 智能体​ 第一部分：AI 智能体引擎 —— 从文本到大型语言模型​ 第 1 章：用深度学习分析文本数据​ 文本表示方法：​ 基础编码：独热编码（One-hot encoding）、词袋模型（Bag-of-words）、TF-IDF​ 高级嵌入：Word2Vec（通过上下文预测学习词向量，支持语义相似性计算与类比推理）​ 深度学习架构：​ 循环神经网络（RNNs）及变体（LSTMs、GRUs）：处理序列数据，解决长程依赖问题​ 卷积神经网络（CNNs）：通过 1D 卷积提取文本局部特征​ 应用案例：结合嵌入与深度学习进行情感分析​ 第 2 章：Transformer—— 现代 AI 革命的核心模型​ 注意力机制：自注意力（Self-attention）允许模型关注输入序列的不同部分，解决 RNN 的并行化缺陷​ 模型结构：​ 由编码器（Encoder）和解码器（Decoder）组成，包含多头注意力、前馈网络、残差连接和层归一化​ 位置编码（Positional Encoding）：通过正弦余弦函数注入序列位置信息​ 训练与应用：​ 掩码语言模型（Masked Language Modeling）预训练任务​ 微调（Fine-tuning）适配下游任务（如文本分类、翻译）​ 第 3 章：探索作为强大 AI 引擎的 LLMs​ LLMs 演进：​ 缩放定律（Scaling law）：模型参数、数据量与计算量的增长与性能正相关​ 涌现能力（Emergent properties）：大模型展现出小模型不具备的复杂推理能力​ 关键技术：​ 上下文长度（Context length）：影响模型处理长文本的能力​ 混合专家模型（Mixture of experts）：通过稀疏计算提高效率​ 指令微调（Instruction tuning）与对齐（Alignment）：提升模型遵循人类指令的能力​ 挑战与优化：幻觉问题（Hallucinations）、伦理法律问题、提示工程（Prompt engineering）​ 第二部分：AI 智能体与知识检索​ 第 4 章：用 LLM 构建网页爬虫智能体​ 智能体框架：​ 核心三组件：大脑（LLM 负责决策）、感知（处理多模态输入）、行动（执行工具调用）​ 关键特性：自主性、反应性、主动性、社交能力​ 分类与工具：​ 单智能体与多智能体系统​ 主流库：LangChain、Haystack、LlamaIndex、Semantic Kernel、AutoGen​ 实践案例：构建网页检索智能体，通过工具调用获取互联网信息​ 第 5 章：用 RAG 扩展智能体以防止幻觉​ RAG 基础：​ 核心流程：索引（Indexing）、检索（Retrieval）、生成（Generation）​ 关键策略：分块（Chunking）、嵌入（Embedding）、向量数据库存储​ 评估与对比：​ 与微调（Fine-tuning）的对比：RAG 更适合动态更新知识，微调适合特定任务适配​ 应用案例：构建电影推荐智能体，结合 RAG 提供个性化推荐​ 第 6 章：信息检索与增强的高级 RAG 技术​ ** naive RAG 的问题 **：检索精度不足、相关信息缺失、生成格式不符等​ 高级技术：​ 分层索引（Hierarchical indexing）、假设性问答（HyDE）、上下文富集（Context enrichment）​ 混合检索（Hybrid search）：结合关键词搜索与语义检索​ 重排序（Reranking）：优化检索结果排序​ ** scalability 与挑战 **：数据规模扩展、并行处理、安全隐私问题​ 第 7 章：创建知识图谱并连接至 AI 智能体​ 知识图谱基础：​ 定义：由实体（Entities）、关系（Relations）和属性（Properties）组成的有向图​ 本体（Ontologies）与分类法（Taxonomies）：规范知识结构​ 构建与应用：​ 用 LLM 提取实体与关系，进行知识清洗与富集​ GraphRAG：结合知识图谱与 RAG，增强推理能力​ 推理技术：知识图谱嵌入、图神经网络（GNNs）、LLM 图谱推理​ 第 8 章：强化学习与 AI 智能体​ 强化学习基础：​ 马尔可夫决策过程（MDPs）：状态、动作、奖励与策略​ 多臂老虎机问题（Multi-armed bandit）：平衡探索与利用​ 深度强化学习：​ 模型 - free 与模型 - based 方法​ 策略梯度（Policy Gradient）、Q-learning、深度 Q 网络（DQN）、近邻策略优化（PPO）​ LLM 与强化学习结合：​ RL 增强 LLMs（如 RLHF 对齐人类偏好）​ LLM 增强 RL（如用 LLM 进行任务规划）​ 第三部分：创建复杂场景的高级 AI​ 第 9 章：构建单智能体与多智能体系统​ 典型系统：Toolformer、HuggingGPT、ChemCrow 等​ 多智能体协作：在法律、医疗等领域的应用，通过通信与分工解决复杂任务​ 服务范式：SaaS（软件即服务）、MaaS（模型即服务）、DaaS（数据即服务）、RaaS（结果即服务）​ 第 10 章：构建 AI 智能体应用​ 开发工具：Streamlit 快速构建前端界面​ 工程实践：​ 机器学习运维（MLOps）与 LLM 运维（LLMOps）​ 异步编程、Docker 容器化、Kubernetes 编排​ 部署考量：推理优化、错误处理、安全防护​ 第 11 章：未来展望​ 应用领域：医疗（生物医学智能体）、游戏、网页交互等​ 挑战：人机交互障碍、多智能体优势不明确、推理能力局限、伦理问题​ 未来方向：迈向人工通用智能（AGI）的路径探索​ 核心亮点​ 技术整合：系统讲解 LLMs、RAG、知识图谱与强化学习的协同方法​ 实践导向：提供代码示例（GitHub 仓库：https://github.com/PacktPublishing/Modern-AI-Agents）与实际案例​ 前沿视角：涵盖多模态模型、模型压缩、伦理安全等前沿话题​ 本书适合软件工程师、数据科学家和研究人员，需具备 Python 编程与机器学习基础知识，旨在帮助读者理解并构建工具型智能体系统，把握 AI 智能体的发展与应用前景。