▣ Chapitre 1 : Entrée dans l’index Rama
1.1 Tâches prises en charge par RamaIndex
1.2 Configuration de l'environnement d'utilisation de RamaIndex
1.2.1 Installation de Python sous Windows
1.2.2 Création d'un environnement virtuel
__1.2.3 Installation de Visual Studio Code
1.2.4 Émission d'une clé API OpenAI
1.2.5 Émission d'une clé API Gemini
__1.2.6 Ajout de clés API aux variables d'environnement
1.3 Aperçu de l'indice Rama
1.3.1 Préparation des données
__1.3.2 Installation de RamaIndex dans un environnement virtuel
__1.3.3 Exécution de RamaIndex

▣ Chapitre 2 : Pipeline RamaIndex
2.1 Mise en place de l'environnement de développement
2.2 Chargement des données
__2.2.1 Lecteur de données
__2.2.2 Connecteur de données
2.3 Segmentation du texte
__2.3.1 Documents et nœuds
__2.3.2 Fractionnement des unités de jetons
__2.3.3 Division de l'unité de phrase
__2.3.4 Segmentation des unités sémantiques
__2.3.5 Comparaison de la segmentation de texte
2.4 Indexation
__2.4.1 Qu'est-ce que l'indexation ?
__2.4.2 Index de stockage vectoriel
__2.4.3 Recherche Top-K
2,5 Économies
2.6 Requête
__2.6.1 Moteur de requêtes (QueryEngine)
__2.6.2 Récupération
__2.6.3 Post-traitement
2.6.4 Synthèse des réponses
__2.6.5 Personnalisation

▣ Chapitre 3 : Magasin Vector
3.1 Mise en place de l'environnement de développement
3.2 Chroma
3.2.1 Création d'un client Chroma
3.2.2 Création d'une collection
3.2.3 Ajout de données vectorielles
3.2.4 Recherche vectorielle
3.2.5 Filtrage des métadonnées
3.2.6 Ajout de données d'intégration
3.2.7 Recherche de données intégrées
3.2.8 Comment la chrominance est stockée
3.2.9 Génération de réponses RamaIndex basée sur l'intégration
__3.2.10 Générer des réponses basées sur l'index Rama
3.3 Pomme de pin
__3.3.1 Initialisation de l'API Pinecon
3.3.2 Ajout de données vectorielles
3.3.3 Recherche vectorielle
3.3.4 Filtrage des métadonnées
3.3.5 Génération de réponses RamaIndex basée sur l'intégration
__3.3.6 Générer des réponses basées sur RamaIndex (sans embedding)
3.4 Quadrant
__3.4.1 Générer des réponses basées sur l'index Rama
3.4.2 Configuration d'un environnement local à l'aide de Docker
3.4.3 Configuration de l'environnement cloud

▣ Chapitre 4 : Exercices RAG à l’aide de documents textuels
4.1 Mise en place de l'environnement de développement
4.2 Préparation des données pour la pratique
4.3 Gestion des fichiers PDF
4.3.1 Préparation des données
4.3.2 Segmentation du texte
__4.3.3 Indexation
4.3.4 Exécution d'une requête
4.4 Gestion des fichiers texte
4.4.1 Pratique de base du RAG
4.4.2 Stockage des index : Utilisation de Chroma
4.5 Gestion des fichiers CSV
4.6 Gestion des fichiers HWP
__4.6.1 Utilisation de HWPReader
__4.6.2 Utilisation de SimpleDirectoryReader

▣ Chapitre 5 : Pratique RAG multimodale
5.1 Mise en place de l'environnement de développement
5.2 Préparation des données
5.3 Indexation vectorielle multimodale avec l'API OpenAI
5.4 Construction d'un RAG multimodal à l'aide de quadrants
__5.4.1 Installation de Quadrant et configuration du client
5.4.2 Création d'une boutique de fichiers vectoriels de texte et d'image
__5.4.3 Création d'un index vectoriel multimodal
__5.4.4 Recherche
5.5 Construction d'un système RAG basé sur les questions-réponses
__5.5.1 Exécution de requêtes de base
5.5.2 Exécution de requêtes à l'aide d'invites améliorées
5.6 Construction d'un système RAG basé sur l'image
5.6.1 Téléchargement et enregistrement de nouvelles images
5.6.2 Effectuer une recherche d'images
5.6.3 Analyse d'images présentant des styles picturaux similaires

▣ Chapitre 6 : Agent RAG
6.1 Mise en place de l'environnement de développement
6.2 Préparation des données
6.3 Intégration de visages enlacés
6.4 Création d'un agent

▣ Chapitre 7 : RAG avancé
7.1 Mise en place de l'environnement de développement
7.2 Reclassement
__7.2.1 Réévaluation basée sur le LLM
7.3 Problèmes de coûts liés au reclassement basé sur le LLM
__7.3.1 Réorganisation basée sur l'encodeur croisé
7.4 Hyde
7.4.1 Préparation des données
__7.4.2 Mise en place d'un modèle de langage et d'embeddings de grande taille
__7.4.3 Mise en œuvre de Hide

▣ Chapitre 8 : Agent appelant de fonction
8.1 Mise en place de l'environnement de développement
8.2 Comprendre le fonctionnement des appels de fonctions
8.3 Appel de fonctions via des API externes
8.3.1 Création d'un agent téléphonique d'information sur le marché boursier
8.3.2 Préparation de l'outil d'appel de fonction
8.3.3 Création d'un agent et exécution d'une requête
8.4 Agent RAG implémenté avec appel de fonction
8.4.1 Paramètres de l'environnement et préparation des données
8.4.2 Préparation de l'outil d'appel de fonction
8.4.3 Création d'un agent et exécution d'une requête

▣ Chapitre 9 : Mise en œuvre d’un agent de conseil avec Text-to-SQL
9.1 Mise en place de l'environnement de développement
9.2 Mise en place de l'environnement de développement des agents
9.3 Conception d'une base de données hospitalière
9.4 Mise en œuvre d'un agent Text-to-SQL
9.5 Technique de traitement des conversations à plusieurs tours
9.6 Interface utilisateur utilisant Gradio

▣ Chapitre 10 : MCP (Model Context Protocol)
10.1 Qu'est-ce que le MCP ?
10.2 Création d'un environnement de développement de protocole de contexte de modèle
Serveur MCP 10.3
10.3.1 Enregistrement d'un outil à l'aide d'un adaptateur
__10.3.2 Inspecteur MCP
__10.3.3 Format du message
__10.3.4 Pratique de l'agent de recherche de documents MCP
Client MCP 10.4
10.5 Exercices pratiques d'agent météorologique
10.5.1 Obtention d'une clé API OpenWeatherMap
__10.5.2 Extraction des noms de villes
__10.5.3 Intégration de l'API OpenWeatherMap
__10.5.4 Enregistrement des outils MCP et exécution du serveur
__10.5.5 Implémentation d'un client MCP : Demander la météo
__10.5.6 Résumé

★ Ce que ce livre aborde ★

◎ Pipeline de l'indice Rama
◎ Boutique Vector
◎ Exercices RAG utilisant des documents texte
◎ Pratique RAG multimodale
◎ Agent RAG et RAG avancé
◎ Agent appelant de fonction
◎ Agent consultant implémenté à l'aide de Text-to-SQL
◎ Agent MCP