求知若饥，虚心若愚。

2020年5月，检索增强生成（RAG）框架在Meta发布的论文“Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”中首次被提出。通过一种通用的微调方法赋予预训练的参数化记忆生成模型非参数化记忆，我们称之为检索增强生成（RAG）。建立了RAG模型，其中参数内存是一个预训练的seq2seq转换器，而非参数内存是维基百科的密集向量索引，使用预训练的神经检索器访问。【原文地址】

本书共分为3篇：预备篇、基础篇和高级篇。基础篇聚焦于经典RAG应用开发的核心要素与阶段，介绍关键模块的开发过程，剖析相关的技术原理，为后面的深入学习打下坚实的基础；高级篇聚焦于RAG应用开发的高阶模块与技巧，特别是在企业级RAG应用开发中的优化策略与技术实现，并探索了一些新型的RAG工作流与范式，旨在帮助你了解新的RAG应用技术发展，掌握RAG应用的全方位开发能力。作者结合自身丰富的实战经验，详细阐述了RAG的基础原理、核心组件、优缺点以及使用场景，同时探讨了RAG在大模型应用开发中的变革与潜力。