描述
包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787121519253
Infiniflow（RAGFlow）联合创始人金海，YouMind、语雀创始人玉伯、晨晖创投投资总监廖怡然作序推荐。
提供完整可运行的源代码，基于一线实战经验，构建可落地的生产级大模型应用。
10个企业级案例：涵盖“业务挑战→核心架构设计→技术实现→工程经验与架构演进”的完整过程。
3种技术范式：呈现“知识问答应用→自动化业务流程→自主决策智能体”的技术发展路径。
涵盖多层次技术栈：从原生Python库到主流开发框架、从低代码/无代码平台到企业级Agent框架。
第1章 理解RAG：外部知识的检索与融合 3
1.1 概念缘起与应用价值 3
1.1.1 RAG的基本概念 3
1.1.2 大模型的内在局限 4
1.1.3 RAG的核心应用价值 5
1.1.4 RAG的主要应用场景 6
1.2 核心工作原理解析 7
1.2.1 文档解析与加载 8
1.2.2 文本分块策略 9
1.2.3 向量化与索引构建 12
1.2.4 检索器设计与优化 14
1.2.5 生成器配置与多轮对话增强 15
1.3 技术生态与实践路径 18
1.3.1 技术栈分层全景 18
1.3.2 框架与平台选型策略 19
1.3.3 RAG应用范式演进 20
1.4 本章小结 21
第2章 构建AI工作流：复杂任务的编排与自动化 22
2.1 概念缘起与应用价值 22
2.1.1 AI工作流的基本概念 23
2.1.2 单点AI应用的内在局限 24
2.1.3 AI工作流的核心应用价值 25
2.1.4 AI工作流的主要应用场景 26
2.2 核心工作原理解析 27
2.2.1 节点类型与连接机制 28
2.2.2 条件分支与循环控制 30
2.2.3 状态管理与数据传递机制 32
2.2.4 并行执行与同步机制 33
2.2.5 错误处理与容错机制 34
2.3 技术生态与实践路径 36
2.3.1 AI工作流技术栈分层全景 36
2.3.2 框架与平台选型策略 38
2.3.3 AI工作流应用范式演进 39
2.4 本章小结 41
第3章 探索AI Agent：自主决策能力的构建与应用 42
3.1 概念缘起与应用价值 42
3.1.1 AI Agent的基本概念 43
3.1.2 AI工作流的内在局限 44
3.1.3 AI Agent的核心应用价值 45
3.1.4 AI Agent的主要应用场景 46
3.2 核心工作原理解析 47
3.2.1 推理引擎与策略制定 48
3.2.2 记忆系统与上下文管理 50
3.2.3 工具调用与管理 54
3.2.4 感知反馈与迭代 55
3.3 技术生态与实践路径 57
3.3.1 技术栈分层全景 58
3.3.2 框架与平台选型策略 59
3.3.3 AI Agent应用范式演进 60
3.4 本章小结 61
RAG篇 构建从基础到高级的问答应用
第4章 开发企业规章制度原生RAG问答系统 65
4.1 业务挑战 65
4.1.1 分散存储的文档查找难题 66
4.1.2 关键词检索的语义鸿沟 66
4.1.3 碎片信息的整合困境 66
4.2 核心架构 67
4.2.1 构建统一文档解析流水线 67
4.2.2 建立向量化语义检索引擎 68
4.2.3 设计检索增强问答生成器 68
4.3 技术实现 69
4.3.1 分析全局配置与参数管理 70
4.3.2 实现文档解析与结构化分块 72
4.3.3 构建向量化与索引存储系统 73
4.3.4 开发检索与生成核心引擎 75
4.3.5 部署交互界面与实战验证 77
4.4 工程经验与架构演进 80
4.4.1 原生开发的工程经验总结 80
4.4.2 系统性能瓶颈分析与优化方向 81
4.4.3 向框架化开发的演进路径 82
4.5 本章小结 82
第5章 打造框架驱动的智能简历筛选系统 84
5.1 业务挑战 84
5.1.1 异构文件的统一接入难题 85
5.1.2 精准筛选与模糊检索的平衡难题 85
5.1.3 从信息检索到决策辅助的鸿沟 85
5.2 核心架构 86
5.2.1 构建统一的数据处理流水线 87
5.2.2 设计双层知识存储引擎 87
5.2.3 编排对话式RAG应用链 88
5.3 技术实现 88
5.3.1 实现基于LlamaIndex的数据处理引擎 89
5.3.2 开发上下文感知的简历节点解析器 90
5.3.3 构建并集成结构化信息 92
5.3.4 开发基于Pydantic的结构化信息提取链 93
5.3.5 集成记忆功能的对话式RAG链 94
5.3.6 部署基于Streamlit的交互式验证应用 96
5.4 工程经验与架构演进 101
5.4.1 框架开发的权衡与选型 101
5.4.2 “引擎―应用”分离的设计模式 101
5.4.3 架构演进：从问答到自主Agent 102
5.5 本章小结 102
第6章 实现基于RAGFlow的设备维修图文问答 103
6.1 业务挑战 103
6.1.1 维修案例检索效率问题 104
6.1.2 图文信息割裂展示难题 104
6.1.3 跨案例知识整合能力缺失 104
6.2 核心架构 104
6.2.1 解析RAGFlow的原生快照架构 105
6.2.2 设计基于预处理的富文本增强架构 106
6.2.3 两种架构的技术选型与权衡 107
6.3 技术实现 109
6.3.1 配置解析器与分块策略 109
6.3.2 设置检索增强功能 111
6.3.3 配置结构化信息提取 112
6.3.4 调整聊天助手核心策略配置 114
6.3.5 评测原生PDF的解析与检索效果 116
6.3.6 开发PDF图文提取与链接注入脚本 119
6.4 工程经验与架构演进 123
6.4.1 提炼平台与预处理的协同范式 124
6.4.2 从信息检索到任务自动化的架构演进 124
6.4.3 展望RAGFlow的Agent与MCP应用潜力 125
6.5 本章小结 125
第7章 复现企业级RAG挑战赛冠军方案 126
7.1 业务挑战 126
7.1.1 海量异构的动态数据 127
7.1.2 严格的评分与奖惩机制 127
7.1.3 跨文档对比与深度推理要求 128
7.1.4 时间与成本的双重挤压 129
7.2 核心架构 129
7.2.1 数据预处理流水线 131
7.2.2 两阶段检索策略 131
7.2.3 多路由生成框架 132
7.3 技术实现 133
7.3.1 Docling二次开发与GPU配置 133
7.3.2 一文一库构建、查询路由与大模型精排 135
7.3.3 多路由设计与自愈修正代码 137
7.3.4 结构化提示词工程 139
7.3.5 复现实录梳理 140
7.3.6 可视化交互界面 142
7.4 工程经验与架构演进 144
7.4.1 构建可复现的实验评估体系 145
7.4.2 从“银弹”思维到全链路系统工程思想 146
7.4.3 迈向更智能的动态与交互式系统 146
7.5 本章小结 147
AI工作流篇 任务流程的编排与自动化
第8章 构建智能合同审查工作流 151
8.1 业务挑战 151
8.1.1 异构知识的融合困境 151
8.1.2 坏案例的沉淀难题 152
8.1.3 审查任务的拆解瓶颈 152
8.2 核心架构 153
8.2.1 构建双源输入架构 153
8.2.2 定义结构化案例知识库 153
8.2.3 编排四阶段工作流 154
8.3 技术实现 156
8.3.1 搭建结构化案例知识库 156
8.3.2 配置工作流输入变量 158
8.3.3 实现动态案例检索 159
8.3.4 自动化整合与报告生成 161
8.3.5 实战演练与验证 163
8.4 工程经验与架构演进 167
8.4.1 核心工程原则 167
8.4.2 数据优先模型 168
8.4.3 架构演进方向 168
8.5 本章小结 168
第9章 构建智能合同生成工作流 169
9.1 业务挑战 169
9.1.1 静态模板的刚性局限 169
9.1.2 仿写生成的串扰风险 170
9.1.3 全文处理的低效瓶颈 171
9.2 核心架构 171
9.2.1 构建条款级知识库 172
9.2.2 设计并行生成流程 172
9.2.3 实现自动化交付 173
9.3 技术实现 173
9.3.1 实现数据离线预处理 174
9.3.2 搭建并行工作流 177
9.3.3 配置RAG核心组件 179
9.3.4 实现自动化合并交付 182
9.3.5 实战演练与效果验证 185
9.4 工程经验与架构演进 189
9.4.1 可复用的核心工程经验 189
9.4.2 架构演进：动态循环架构 190
9.5 本章小结 191
第10章 构建Text2SQL智能数据分析工作流 192
10.1 业务挑战 192
10.1.1 从业务逻辑到SQL的转换鸿沟 193
10.1.2 数据孤岛的权限与性能瓶颈 193
10.1.3 手动编码的成本与安全困境 193
10.2 核心架构 194
10.2.1 构建三大核心知识库 194
10.2.2 分离数据取数与分析计算 195
10.2.3 构建自愈式安全校验闭环 195
10.3 技术实现 196
10.3.1 准备案例数据源 197
10.3.2 创建三大核心知识库 198
10.3.3 构建SQL生成引擎 201
10.3.4 搭建自愈式安全校验网关 204
10.3.5 实现完整的取数与分析 206
10.3.6 LLM总结回答 208
10.3.7 效果测试与能力验证 208
10.4 工程经验与架构演进 212
10.4.1 常见工程挑战与应对 212
10.4.2 架构演进的三个方向 213
10.5 本章小结 213
第11章 构建异构银行流水动态解析工作流 215
11.1 业务挑战 215
11.1.1 定位流水表单的核心数据区域 216
11.1.2 统一异构流水的核心字段 216
11.1.3 定性交易摘要的真实性质 217
11.2 核心架构 218
11.2.1 设计“先预览后认知”的动态解析器 218
11.2.2 构建“先指令后执行”的标准化数据流 219
11.2.3 引入“知识增强”的智能分析与报告生成 220
11.3 技术实现 221
11.3.1 配置动态解析与合并节点 221
11.3.2 构建“代码+知识库”的混合分析模式 224
11.3.3 配置填充报告模板 226
11.3.4 案例演示：生成一份完整的流水分析报告 228
11.4 工程经验与架构演进 231
11.4.1 大模型与代码节点协作模式 232
11.4.2 动态RAG的优势 232
11.4.3 融合多模态处理与知识图谱 232
11.4.4 构建自修正反馈与人机协同的闭环系统 232
11.5 本章小结 233
AI Agent篇 构建企业级AI Agent系统
第12章 构建预测性设备运维Agent 237
12.1 业务挑战 237
12.1.1 跨越多业务系统的数据壁垒 237
12.1.2 破解领域专家的“经验困局” 238
12.1.3 突破“事后诊断”的决策模式瓶颈 239
12.2 核心架构 239
12.2.1 构建标准化的外部API工具集 240
12.2.2 建立理论+经验的复合知识库 240
12.2.3 设计融合知识与工具的动态决策Agent 241
12.3 技术实现 241
12.3.1 构建并处理复合知识库 242
12.3.2 封装外部API为Dify工具 244
12.3.3 配置Agent核心指令 246
12.3.4 演示Agent真实场景对
编写背景
自2022年年底以来，大语言模型（Large Language Model，简称大模型）技术取得了重要进展。特别是进入2025年，以DeepSeek-R1为代表的先进模型开源，其推理能力，尤其是在显式思维链（Chain-of-Thought）方面的表现，让业界看到了大模型在处理复杂任务上的潜力。经过蒸馏的小尺寸模型也让企业能够在成本可控的前提下实现本地化部署，为大模型应用落地提供了新的技术选择。
然而，在这股技术热潮之下，许多企业在尝试将大模型应用于实际业务时，普遍遇到了一个“工程鸿沟”——从通用大模型的基础能力到能够稳定创造业务价值的生产级应用，二者之间存在明显差距。一方面，RAG（Retrieval-Augmented Generation，检索增强生成）已成为企业解决大模型知识时效性、事实幻觉等核心痛点的技术共识。与此同时，随着业务复杂度的提升，基于任务导向的AI工作流和具备自主决策能力的AI Agent也日益成为企业关注的焦点。从知识问答到流程自动化，再到智能决策，企业对大模型应用的需求正在向更深层次演进，应用需求不断增长。另一方面，市场上具有系统性、基于一线实战经验、案例驱动的落地指南却相对缺乏，导致许多团队仍处于摸索和试错阶段。
基于对这一“工程鸿沟”的长期观察与一线实践，本书旨在将经过验证的、碎片化的实践经验，提炼和固化为一套体系化的、可复现的落地指南。为此，本书针对在大模型应用落地不同环节的核心角色，提供以下价值与实践参考路径。
1. AI产品经理与项目经理
本书提供了10个完整的企业级案例，每个案例都遵循“业务挑战→核心架构→技术实现→工程经验与架构演进”的统一结构。通过对这些案例的深入剖析，展示了大模型应用从概念验证到生产部署的完整路径，可为AI产品经理与项目经理进行产品可行性分析和项目管理决策提供实用参考。
2. 后端工程师（Java/Python/Go语言等）
本书提供了从原生开发到框架集成、从开源平台到企业级系统的完整技术实现路径。所有案例均包含可运行的完整代码，覆盖数据处理、模型集成、API设计、性能优化等工程细节，有助于后端工程师快速将大模型能力集成到现有业务系统中。
3. 高校学生与研究人员
本书通过真实的企业级场景展示了如何将算法原理转化为可商用的产品，弥合了学术理论与工程实践之间的鸿沟。每章的“工程经验与架构演进”部分还提供了深度的技术思考和前沿探索方向，有助于高校学生与研究人员拓展研究视野。
本书内容
全书分为四部分。
基础篇（第1～3章）深入解析RAG、AI工作流与AI Agent三大核心技术的原理、架构与生态。
RAG篇（第4～7章）通过企业规章制度问答、智能简历筛选、设备维修图文问答、企业级竞赛方案复现等案例，展示从原生开发到框架集成再到平台应用的完整实现路径。
AI工作流篇（第8～11章）涵盖智能合同审查与生成、Text2SQL数据分析、异构银行流水解析等复杂业务场景的自动化处理方案。
AI Agent篇（第12～13章）通过预测性设备运维和智能信贷尽调助手，展示自主决策智能体的构建与应用。
本书特色
本书旨在为读者提供一套从入门到进阶的、可直接应用的大模型应用开发方法论与最佳实践，其主要特色如下：
1. 体系化的递进式结构
全书采用“理论奠基→实战进阶”的体系化设计，通过对三大技术范式的递进演进，展示了从知识问答应用到自动化业务流程，再到自主决策智能体的完整技术发展路径。
2. 案例驱动与架构深度
全书以企业级案例为核心驱动，覆盖了规章制度问答、智能简历筛选、设备图文维修问答、合同审查与生成、Text2SQL、异构数据解析、预测性运维、信贷尽调报告生成等多个高价值业务场景。每个案例都深入剖析了从业务挑战到核心架构设计，再到技术实现的完整过程，并提炼了如“取算分离”和“先预览后认知”等可复用的设计范式。
3. 提炼工程实践方法论
随着AI基础设施的标准化，特定业务场景下的最佳工程实践成为解决复杂问题的关键。本书注重工程实践经验的提炼，每个案例都包含“工程经验与架构演进”部分，从10个不同业务场景中提炼出具有跨行业复用价值的工程方法论。
4. 递进式学习路径设计
RAG篇采用递进式学习路径设计。从第4章的原生开发开始，展示底层实现原理；到第5章的框架驱动（LlamaIndex、LangChain），提升开发效率；再到第6章的平台应用（RAGFlow），解决图文多模态等复杂场景；最终在第7章通过企业级竞赛方案复现，展示全链路系统工程实践。
5. 多层次技术栈实现
本书涵盖多层次技术栈实现。从原生Python库（PyMuPDF、FAISS）到主流开发框架（LangChain、LlamaIndex），从低代码/无代码平台（RAGFlow、Dify）到企业级Agent框架（JoyAgent），提供了不同复杂度和应用场景下的技术选型参考。
RAG与Agent是共生体系：RAG承载长期记忆，Agent提供规划与反思框架。没有高质量的检索，便难以实现可靠的生成。本书以清晰的架构与企业级案例，给出“从概念到生产”的落地地图，对产品经理、工程师均具有参考价值。
金海｜Infiniflow（RAGFlow）联合创始人
真正的用户需求不是功能的堆砌，而是动机的集合。要识别真实痛点，就得观察那些没被说出口的需求。ToB 更看重可控性、专业性与高效率，ToC则更在意流畅性与易上手；关键是在二者之间找到那个“刚刚好”的平衡点。本书用一线的ToB大模型工程案例，把这些方法落实到流程与权衡过程中，值得产品人员与工程团队成员细读。
玉伯｜YouMind、语雀创始人
从“动态护城河”的投资视角看，AI创业应先用战术性优势撕开缺口，再把技巧沉淀为结构化资产，而后与工作流整合。本书以真实场景与案例为轴，用RAG、Workflow、Agent锻造成生产力，给出务实的取舍路径，值得从业者通读并参考。
廖怡然｜晨晖创投投资总监
AI Agent在产业侧有很多有趣的落地应用，对相对专业的生产型物料来说，典型的销售难题就是专业门槛很高，培养一名专业的销售人员不仅成本高、时间长，而且很难实现多品类销售。本书以案例为驱动，系统讲解了如何在ToB场景中构建企业级Agent，从底层技术到业务落地，给出了完整路径，为产业智能化转型提供了务实的参考资料。
华硕｜易工品科CEO
RAG 已成为解决大模型时效性、幻觉问题的关键路径。本书不但深入剖析了RAG的原理，还以案例为线索聚焦RAG落地实践中的核心挑战与解决方案。从法律从业者的视角看，这种面向实务的写法尤为可贵，兼具理论深度与实战价值。
张延来（阿来律师）｜浙江垦丁律师事务所主任律师、创始人
多年来与科学家、NGO及国际机构的跨界协作让我深刻理解：真正持久的创新不是技术堆叠，而是系统化的协同编排。本书从RAG到工作流，再到Agent的递进结构，仿佛一场严密策划的大型项目，展示了如何把分散的技术组件组织成可运行的智能系统。对正处在智能化转型关口的从业者来说，这种系统化思维具有十分现实的参考价值。
袁隆（Alex Long Yuan）｜跨学科当代艺术家，联合国“生态系统恢复十年”计划合作艺术家，策展人，情绪科技开拓者
评论
还没有评论。