第1章 绪论：迎接大模型纪元 0__eol__1.1 大模型崛起 2__eol__1.2 大模型的固有特性 4__eol__1.2.1 幻觉 5__eol__1.2.2 知识陈旧 6__eol__1.3 知识增强大模型 6__eol__1.4 迎接大模型纪元 8__eol__第2章 大语言模型 10__eol__2.1 大模型概述 12__eol__2.2 语言模型简史 14__eol__2.3 大模型为何如此强大 20__eol__2.3.1 语言模型与无监督学习 21__eol__2.3.2 人类反馈强化学习 22__eol__2.3.3 情境学习与思维链 24__eol__2.4 如何使用大模型 29__eol__2.4.1 翻译 30__eol__2.4.2 文本摘要 31__eol__2.4.3 求解数学问题 31__eol__2.4.4 语言学习和考试 32__eol__2.4.5 高效撰写文章 34__eol__2.4.6 自动化编程和辅助编程 35__eol__2.4.7 数据分析 38__eol__2.5 垂直大模型 40__eol__2.5.1 什么是垂直大模型 41__eol__2.5.2 垂直大模型的特点 41__eol__2.6 思考题 42__eol__2.7 本章小结 43__eol__第3章 向量数据库 44__eol__3.1 向量表示与嵌入 46__eol__3.1.1 语言的向量表示 47__eol__3.1.2 图像的向量表示 48__eol__3.1.3 知识图谱的向量表示 49__eol__3.2 向量相似度 49__eol__3.2.1 L2距离 50__eol__3.2.2 余弦相似度 51__eol__3.2.3 内积相似度 52__eol__3.2.4 L1距离 53__eol__3.3 向量索引与检索方法 54__eol__3.3.1 最近邻检索和近似最近邻检索 55__eol__3.3.2 局部敏感哈希算法 56__eol__3.3.3 基于图结构的HNSW算法 58__eol__3.3.4 向量量化与乘积量化 63__eol__3.4 Milvus向量数据库 65__eol__3.4.1 Milvus架构 66__eol__3.4.2 向量索引方法 68__eol__3.4.3 向量检索方法 70__eol__3.4.4 数据一致性 70__eol__3.4.5 用户认证与权限控制 72__eol__3.5 Milvus向量数据库实战指南 73__eol__3.5.1 安装、配置和运行Milvus 73__eol__3.5.2 连接服务器和创建数据库 75__eol__3.5.3 数据准备 76__eol__3.5.4 创建集合 77__eol__3.5.5 创建索引 80__eol__3.5.6 插入数据 81__eol__3.5.7 载入数据 82__eol__3.5.8 标量查询 83__eol__3.5.9 单向量检索 84__eol__3.5.10 混合检索 87__eol__3.6 其他主流的向量数据库系统与工具 91__eol__3.6.1 原生向量数据库 91__eol__3.6.2 数据库的向量处理扩展 92__eol__3.6.3 向量索引和检索库 93__eol__3.7 思考题 94__eol__3.8 本章小结 94__eol__第4章 检索增强生成 96__eol__4.1 检索增强生成概述 98__eol__4.2 为什么需要RAG 99__eol__4.2.1 RAG、SFT与LoRA 99__eol__4.2.2 长上下文与RAG 102__eol__4.2.3 锂电池供应链管理案例 103__eol__4.2.4 RAG的特点 105__eol__4.3 通用的RAG流程 106__eol__4.3.1 创建知识库 107__eol__4.3.2 知识检索 107__eol__4.3.3 大模型生成答案 108__eol__4.3.4 质量评估与迭代优化 109__eol__4.4 使用Dify构建RAG系统 110__eol__4.4.1 Dify概述 110__eol__4.4.2 安装Dify 111__eol__4.4.3 初始化Dify 115__eol__4.4.4 创建知识库 116__eol__4.4.5 简单的RAG应用 119__eol__4.4.6 RAG效果优化 121__eol__4.4.7 引入Elasticsearch 123__eol__4.4.8 构建RAG系统 129__eol__4.5 RAG系统的最佳实践 135__eol__4.5.1 文本分块 135__eol__4.5.2 分层检索 136__eol__4.5.3 查询改写 137__eol__4.5.4 检索路由 138__eol__4.6 其他主流的RAG系统框架 138__eol__4.6.1 LobeChat 138__eol__4.6.2 Quivr 139__eol__4.6.3 LlamaIndex 139__eol__4.6.4 Open WebUI 139__eol__4.7 思考题 140__eol__4.8 本章小结 140__eol__第5章 知识图谱技术体系 142__eol__5.1 什么是知识图谱 144__eol__5.1.1 知识图谱的相关概念及其定义 144__eol__5.1.2 知识图谱实例 146__eol__5.1.3 大脑的联想机制与知识图谱的关系建模 147__eol__5.2 DIKW模型与知识图谱 149__eol__5.2.1 DIKW模型 149__eol__5.2.2 从DIKW模型到知识图谱 150__eol__5.2.3 知识图谱的内涵与外延 151__eol__5.2.4 知识的源流与知识图谱 152__eol__5.3 知识图谱的技术体系 153__eol__5.3.1 知识图谱模式设计与管理 153__eol__5.3.2 知识图谱构建技术 154__eol__5.3.3 知识图谱存储技术 156__eol__5.3.4 知识图谱应用技术 156__eol__5.3.5 用户接口与界面 158__eol__5.4 知识图谱模式设计的基本原则 159__eol__5.4.1 赋予一类事物合适的名字 159__eol__5.4.2 建立事物间清晰的联系 160__eol__5.4.3 明确且正式的语义表达 161__eol__5.5 知识图谱模式设计的六韬法 162__eol__5.6 大模型结合六韬法设计知识图谱模式 165__eol__5.6.1 场景：对齐参与各方的认知 166__eol__5.6.2 复用：站在巨人的肩膀上 168__eol__5.6.3 事物：定义实体类型及属性 169__eol__5.6.4 联系：场景需求之下的普遍联系 173__eol__5.6.5 约束：多层次的约束规范 176__eol__5.6.6 评价：迭代优化的起点 182__eol__5.7 知识图谱模式设计的最佳实践 182__eol__5.7.1 熟知知识图谱及其具体应用领域 183__eol__5.7.2 明确边界，切记贪多嚼不烂 183__eol__5.7.3 高内聚、低耦合 184__eol__5.7.4 充分利用可视化工具 185__eol__5.8 思考题 186__eol__5.9 本章小结 187__eol__第6章 构建知识图谱 188__eol__6.1 知识图谱构建技术概述 190__eol__6.1.1 映射式构建技术 190__eol__6.1.2 抽取式构建技术 192__eol__6.2 抽取实体和实体属性 193__eol__6.2.1 实体、实体属性及其抽取 193__eol__6.2.2 用大模型抽取实体和实体属性 196__eol__6.3 抽取关系和关系属性 205__eol__6.3.1 实体间的关系和关系抽取 205__eol__6.3.2 用大模型抽取关系和关系属性 210__eol__6.4 抽取事件 214__eol__6.4.1 事件、事件要素和事件抽取 214__eol__6.4.2 用大模型抽取事件 217__eol__6.5 多语言和跨语言 222__eol__6.6 知识抽取的评价指标 223__eol__6.7 思考题 226__eol__6.8 本章小结 227__eol__第7章 图数据库与图计算 228__eol__7.1 图数据库概述 230__eol__7.1.1 顶点、边、属性与标签 230__eol__7.1.2 图数据库的存储与查询 231__eol__7.1.3 主流的图数据库 231__eol__7.2 JanusGraph分布式图数据库 232__eol__7.2.1 JanusGraph系统架构 233__eol__7.2.2 CAP理论与JanusGraph 234__eol__7.2.3 与搜索引擎的集成 235__eol__7.2.4 事务和故障修复 235__eol__7.2.5 属性图模式的定