- عنوان کتاب: RAG in Practice -Building AI Apps That Answer From Real Data
- نویسنده: Nolan Hart
- حوزه: RAG AI
- سال انتشار: 2026
- تعداد صفحه: 250
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 3.35 مگابایت
اگر زمانی را صرف ساخت برنامههای کاربردی بر روی مدلهای زبانی بزرگ کرده باشید، تنش را احساس کردهاید. یک LLM میتواند پاسخی به ظاهر قابل قبول در مورد موضوعی که هرگز در آموزش ندیده است – با اطمینان اشتباه یا به طرز ناامیدکنندهای مبهم – ارائه دهد. راهحل، یک مدل بزرگتر نیست؛ بلکه دادن یک منبع قابل اعتماد از حقیقت به مدل است. این همان چیزی است که نسل بازیابی-تقویتشده (RAG) وعده میدهد: پاسخهایی مبتنی بر دادههایی که شما کنترل میکنید. این کتاب برای توسعهدهندگانی نوشته شده است که با APIهای LLM آزمایش کردهاند و میخواهند از نسخههای نمایشی به سیستمهای تولیدی که در واقع با اسناد واقعی، پایگاههای داده و انتظارات کاربر کار میکنند، منتقل شوند. شما از قبل پایتون را میشناسید، چند فراخوانی API نوشتهاید و خطوط لوله داده اولیه را درک میکنید. چیزی که شما نیاز دارید یک نقشه راه سیستماتیک است: چگونه فایلهای نامرتب را دریافت کنید، آنها را بدون از دست دادن معنی تکهتکه کنید، جاسازیها را در یک پایگاه داده برداری ذخیره کنید، قطعات مناسب را در زمان پرسوجو بازیابی کنید و پاسخها را با استنادهایی ارائه دهید که کاربر بتواند به آنها اعتماد کند. همچنین باید بدانید چه زمانی سیستم شما دچار مشکل میشود و چگونه آن را برطرف کنید. من این کتاب را نوشتم چون دیدم تیمهای زیادی خطوط لوله RAG میسازند که در دفترچههای یادداشت کار میکنند اما تحت تأثیر دادههای دنیای واقعی از بین میروند: PDFهایی با قالببندی مختلط، پرسوجوهایی که به تطابق دقیق نیاز داشتند، بودجههای تأخیری که نمیتوانستند یک مرحله رتبهبندی مجدد کامل را تحمل کنند. مشکل به ندرت LLM بود – مشکل آمادهسازی دادهها، تنظیم بازیابی، معیارهای ارزیابی بود که هیچکس قبل از ارسال تعریف نکرده بود. این کتاب به آن لایهها، یکی یکی، به ترتیب جریان دادهها از طریق یک سیستم میپردازد. این کتاب در شش بخش سازماندهی شده است و خط لوله را از دادههای خام تا برنامه کاربردی مستقر دنبال میکند. بخش 1 توضیح میدهد که چرا RAG ضروری است و چگونه خط لوله با هم هماهنگ میشود. بخش 2 شامل دریافت، قطعهبندی و فراداده است – پایهای که کیفیت بازیابی را تعیین میکند. بخش 3 ستون فقرات جستجوی معنایی را با جاسازیها و پایگاههای داده برداری میسازد. بخش 4 بازیابی را با جستجوی ترکیبی، رتبهبندی مجدد و فیلترها بهینه میکند. بخش 5 بر معیارهای تولید، استنادها و ارزیابی که میتوانید برای اندازهگیری کیفیت استفاده کنید، تمرکز دارد. بخش ۶ همه چیز را با یک راهنمای کامل پروژه، مقاومسازی در تولید و یک دفترچه راهنمای اشکالزدایی برای رایجترین شکستها به هم پیوند میدهد. نکتهای در مورد ابزارها: اکوسیستم RAG به سرعت تغییر میکند. تا زمانی که شما این را میخوانید، نسخههای خاص کتابخانه و نقاط پایانی API تغییر کردهاند. من تصمیم گرفتهام بهجای ارائه مستندات جامع و مفصل برای API، بر الگوهای معماری و قراردادهای رابط (interface contracts) تمرکز کنم. قطعهکدهای ارائهشده مختصر و صرفاً برای روشنسازی موضوع هستند؛ آنها منطق کار را نشان میدهند، نه تکتکِ گزینههای پیکربندی را. به مثالهای هر فصل به چشم الگوهایی نگاه کنید که میتوانید آنها را با هر ابزاری که انتخاب میکنید، متناسبسازی نمایید. نکتهی حائز اهمیت، درک دلیل وجود هر مرحله و نحوهی ارتباط آن با مرحلهی بعدی است.
If you’ve spent any time building applications on top of large language models, you’ve felt the tension. An LLM can produce a plausible-sounding answer about a topic it never saw in training—confidently wrong, or frustratingly vague. The solution isn’t a bigger model; it’s giving the model a reliable source of truth. That’s what retrieval-augmented generation (RAG) promises: answers grounded in data you control. This book is written for developers who have experimented with LLM APIs and want to move past demos into production systems that actually work with real documents, databases, and user expectations. You already know Python, you’ve written a few API calls, and you understand basic data pipelines. What you need is a systematic roadmap: how to ingest messy files, chunk them without losing meaning, store embeddings in a vector database, retrieve the right pieces at query time, and present answers with citations a user can trust. You also need to know when your system is failing and how to fix it. I wrote this book because I saw too many teams build RAG pipelines that worked in notebooks but collapsed under real-world data: PDFs with mixed formatting, queries that needed exact matches, latency budgets that couldn’t tolerate a full re-ranking step. The problem was rarely the LLM—it was the data preparation, the retrieval tuning, the evaluation metrics that nobody defined before shipping. This book addresses those layers, one at a time, in the order data flows through a system. The book is organized in six parts, following the pipeline from raw data to deployed application. Part 1 establishes why RAG is necessary and how the pipeline fits together. Part 2 covers ingestion, chunking, and metadata— the foundation that determines retrieval quality. Part 3 builds the semantic search backbone with embeddings and vector databases. Part 4 optimizes retrieval with hybrid search, reranking, and filters. Part 5 focuses on generation, citations, and evaluation metrics you can actually use to measure quality. Part 6 ties everything together with a full project walkthrough, production hardening, and a debugging playbook for the most common failures. A note on tools: the RAG ecosystem changes fast. By the time you read this, specific library versions and API endpoints will have shifted. I’ve chosen to focus on architectural patterns and interface contracts rather than exhaustive API documentation. The code snippets are minimal and illustrative—they demonstrate the logic, not every configuration flag. Frame each chapter’s examples as templates you can adapt to whatever tooling you choose. The important thing is understanding why each stage exists and how it connects to the next.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: RAG in Practice
نظرات کاربران