ragbook-notebooks

这是一个收集 Towards AI RAG 书籍所有笔记本的仓库。

第2章

• Transformers_Architectures.ipynb
• Understanding_Transformer.ipynb

第4章

• Intro_to_Prompt_Engineering_Tips_and_Tricks.ipynb

第5章

• Building_Applications_Powered_by_LLMs_with_LangChain.ipynb
• Build_a_News_Articles_Summarizer.ipynb
• LlamaIndex_Introduction.ipynb

第6章

• Using_Prompt_Templates.ipynb
• Getting_the_Best_of_Few_Shot_Prompts_and_Example_Selectors.ipynb
• Managing_Outputs_with_Output_Parsers.ipynb
• Improving_Our_News_Articles_Summarizer.ipynb
• Creating_Knowledge_Graphs_from_Textual_Data_Unveiling_Hidden_Connections.ipynb

第7章

• What_are_Text_Splitters_and_Why_They_are_Useful_.ipynb
• Chains_and_Why_They_Are_Used.ipynb
• Create_a_YouTube_Video_Summarizer_Using_Whisper_and_LangChain_.ipynb
• Guarding_Against_Undesirable_Outputs_with_the_Self_Critique_Chain.ipynb
• Guarding_Against_Undesirable_Outputs_with_the_Self_Critique_Chain_Example.ipynb

第8章

• Mastering_Advanced_RAG.ipynb
• RAG_Metrics&Evaluation.ipynb
• LangSmith_Introduction.ipynb

第9章

• Building Agents for Analysis Report Creation
• Query and Zummarize a DB with LlamaIndex
• Building Agents with OpenAI Assistants
• Using_AutoGPT_with_LangChain.ipynb
• LlamaIndex_RAG_AGENT.ipynb
• MultiModal_Fincance_+_DeepMemory.ipynb

第10章

• FineTuning_a_LLM_LIMA_CPU.ipynb
• FineTuning_a_LLM_Financial_Sentiment_CPU.ipynb
• Create_Dataset_For_Cohere_Fine_Tuning.ipynb
• Fine_Tuning_using_Cohere_for_Medical_Data.ipynb
• FineTuning_a_LLM_QLoRA.ipynb
• FineTuning_Reward_Model.ipynb
• FineTune_RLHF.ipynb

第11章

• Benchmark_Inference.ipynb

ragbook-notebooks 快速上手指南

ragbook-notebooks 是 Towards AI RAG 书籍的配套代码仓库，汇集了从 Transformer 架构、提示工程、LangChain/LlamaIndex 应用开发到高级 RAG、Agent 构建及大模型微调的全流程 Jupyter Notebook 示例。所有笔记均基于 Google Colab 运行，无需本地配置复杂环境即可立即开始学习。

环境准备

本项目主要依赖 Google Colab 云端环境，推荐直接使用浏览器访问，无需本地安装 Python 或 GPU 驱动。

• 系统要求：现代浏览器（Chrome, Edge, Firefox 等）
• 账号要求：Google 账号（用于登录 Colab 并保存副本）
• 前置依赖：无（Colab 预装了 PyTorch, TensorFlow, LangChain, LlamaIndex, Transformers 等主流 AI 库）
• 网络建议：由于资源托管在 GitHub 和 Google Colab，国内用户访问可能较慢。建议使用稳定的网络环境，或在本地搭建 Jupyter Lab 环境后下载 .ipynb 文件运行（需自行配置 Python 3.9+ 环境及对应依赖）。

安装步骤

本仓库无需传统“安装”，只需在 Google Colab 中打开对应的 Notebook 并创建副本即可。

方式一：直接在 Google Colab 中运行（推荐）

1. 访问 ragbook-notebooks GitHub 仓库。
2. 点击任意章节下的 .ipynb 链接（例如：Chapter 05 - Building Applications Powered by LLMs with LangChain）。
3. 页面加载后，点击右上角 "在 Colab 中打开" (Open in Colab)。
4. 进入 Colab 后，点击 文件 (File) > 在 Drive 中保存副本 (Save a copy in Drive)，以便编辑和运行。

方式二：本地运行（可选）

若需在本地运行，请执行以下命令：

# 克隆仓库
git clone https://github.com/towardsai/ragbook-notebooks.git
cd ragbook-notebooks

# 创建虚拟环境（可选）
python -m venv ragbook-env
source ragbook-env/bin/activate  # Linux/macOS
# ragbook-env\Scripts\activate   # Windows

# 安装基础依赖（根据具体 Notebook 需求补充）
pip install torch transformers langchain llama-index jupyter notebook

注意：不同 Notebook 可能需要额外安装特定库（如 cohere, auto-gpt, whisper 等），请在运行前查看对应 Notebook 顶部的依赖安装单元格。

基本使用

以下以 第 5 章：使用 LangChain 构建 LLM 应用 为例，演示最简使用流程：

1. 在 Colab 中打开笔记本：
   Building_Applications_Powered_by_LLMs_with_LangChain.ipynb

2. 依次运行每个代码单元格（按 Shift + Enter）。首个单元格通常为环境变量设置：

import os
os.environ["OPENAI_API_KEY"] = "your-openai-api-key-here"

⚠️ 请将 "your-openai-api-key-here" 替换为你自己的 OpenAI API 密钥。部分示例也支持其他模型后端（如 Hugging Face、Cohere），请按注释修改。

3. 运行后续单元格，即可看到 LangChain 链式调用、文档加载、向量存储及问答生成的完整流程输出。

4. 尝试修改提示词（Prompt）或输入文本，观察模型响应变化，深入理解 RAG 与应用构建逻辑。

---

通过逐个章节实践这些 Notebook，你将系统掌握从基础 Transformer 原理到生产级 RAG 系统与 Agent 开发的完整技能树。建议按章节顺序学习，并结合官方书籍深化理解。