LlamaIndex Talk (Data + AI Summit 2024)上关于构建高级RAG（Retrieval-Augmented Generation，检索增强生成）系统的演讲。

演讲标题： Building Advanced RAG Over Complex Documents

演讲内容： 如何构建和改进一个能够处理复杂文档和查询的知识助手，重点在于数据质量的提升和查询复杂性的增加，以及如何通过使用LlamaParse和Agent系统来实现更高级的文档处理和问答功能。

1. PPT概览：

• 构建知识助手。
• RAG概述：基本RAG及其局限性。
• 提升数据质量：改善大型语言模型（LLM）在复杂数据上的推理能力。
• 使用LlamaParse处理复杂文档。
• 提高查询复杂性：从RAG到Agents。
• 使用LlamaParse驱动的文档Agents。
• 未来展望。

• 企业用例：

• 展示了RAG在企业环境中的一些应用场景，如收件箱管理、知识库、文档处理、工作流自动化和对话代理。

• 知识助手构建：

• 描述了构建一个可以接受任何任务输入并返回输出的界面的目标，包括简单问题、复杂问题和研究任务。

• RAG简介：

• 介绍了RAG的基本流程，包括数据解析与摄取、数据查询、响应生成等。

• 简单RAG的局限性：

• 讨论了简单RAG方法在原型制作阶段表现良好，但在更复杂数据集和问题上难以产品化的问题。

• 提升数据质量：

• 强调了数据质量的重要性，并讨论了数据解析、分块和索引的一般原则。

• LlamaParse介绍：

• 介绍了LlamaParse，这是一个专为复杂文档设计的文档解析器，能够提取表格、图表，支持多种文件格式。

• 高级索引与表理解：

• 展示了如何使用LlamaParse和高级索引技术来处理复杂文档，并提供了相关的案例研究和GitHub链接。

• 提高查询复杂性：

• 讨论了复杂问题的例子，以及如何从RAG过渡到更高级的代理系统。

• 从RAG到代理：

• 描述了代理系统的关键组件，包括查询规划、记忆、工具使用等，并讨论了代理的不同级别。

• 工作坊：

• 提供了关于如何使用Databricks LLMs和本地嵌入来构建RAG管道的指导。

• LlamaCloud：

• 提供了关于在企业环境中构建RAG/代理的联系方式。

ppt原件：


























































































































推荐阅读

RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！