Développement de RAG avec Langchain : VectorRAG et GraphRAG
 |
Description
Introduction au livre
Un exemple simple des différences entre VectorRAG et GraphRAG et de la manière de les implémenter !
Nous vérifierons directement les différences de concepts et de performances entre OpenAI et DeepSeek par le biais d'exercices pratiques.
Quelles sont les différences entre VectorRAG et GraphRAG ? Et dans quels types de données et scénarios sont-ils les plus adaptés ? « Développer des RAG avec LangChain : VectorRAG et GraphRAG » compare les concepts et les principes des deux et en fournit une explication accessible.
Nous passerons brièvement en revue la théorie de base et apprendrons à mettre en œuvre des exemples simples à l'aide de Langchain.
Lors de la mise en œuvre de GraphRAG, nous explorerons plusieurs façons de créer et de récupérer des données dans Neo4j.
Lors de la mise en œuvre de VectorRAG, nous explorerons et utiliserons non seulement le modèle OpenAI, mais aussi le modèle DeepSearch.
Vous pouvez vérifier directement la différence de performance entre les deux modèles en téléchargeant localement le modèle DeepSeek et en l'exécutant en toute sécurité.
Ce livre vous permettra d'apprendre les bases de RAG et de LLM et de découvrir leurs méthodes de mise en œuvre fondamentales.
Nous vérifierons directement les différences de concepts et de performances entre OpenAI et DeepSeek par le biais d'exercices pratiques.
Quelles sont les différences entre VectorRAG et GraphRAG ? Et dans quels types de données et scénarios sont-ils les plus adaptés ? « Développer des RAG avec LangChain : VectorRAG et GraphRAG » compare les concepts et les principes des deux et en fournit une explication accessible.
Nous passerons brièvement en revue la théorie de base et apprendrons à mettre en œuvre des exemples simples à l'aide de Langchain.
Lors de la mise en œuvre de GraphRAG, nous explorerons plusieurs façons de créer et de récupérer des données dans Neo4j.
Lors de la mise en œuvre de VectorRAG, nous explorerons et utiliserons non seulement le modèle OpenAI, mais aussi le modèle DeepSearch.
Vous pouvez vérifier directement la différence de performance entre les deux modèles en téléchargeant localement le modèle DeepSeek et en l'exécutant en toute sécurité.
Ce livre vous permettra d'apprendre les bases de RAG et de LLM et de découvrir leurs méthodes de mise en œuvre fondamentales.
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
Chapitre 1 : Comprendre les concepts de VectorRAG et GraphRAG
1.1 Qu'est-ce que RAG ?
____1.1.1 Qu'est-ce que RAG ?
____1.1.2 Le besoin de chiffons
____1.1.3 Principes fondamentaux de RAG
____1.1.4 Comment mettre en œuvre RAG
1.2 Qu'est-ce que VectorRAG ?
____1.2.1 Qu'est-ce qu'un vecteur ?
____1.2.2 Processus de traitement vectoriel
____1.2.3 Stockage vectoriel
____1.2.4 Qu'est-ce que VectorRAG ?
____1.2.5 Quand dois-je utiliser VectorRAG ?
1.3 Qu'est-ce que GraphRAG ?
____1.3.1 Qu'est-ce qu'un graphique ?
____1.3.2 GraphDB : Neo4j
____1.3.3 Qu'est-ce que GraphRAG ?
____1.3.4 Quand dois-je utiliser GraphRAG ?
Chapitre 2 : Comprendre les concepts et les principes d’OpenAI
2.1 Qu'est-ce qu'OpenAI ?
2.2 Modèle OpenAI
____2.2.1 Série GPT
____2.2.2 ChatGPT
____2.2.3 Série DALL·E
____2.2.4 Murmure
____2.2.5 Sora
____2.2.6 Intégration
2.3 Principes de ChatGPT
____2.3.1 Qu'est-ce qu'un transformateur ?
____2.3.2 Pourquoi les Transformers sont apparus
2.4 Modèle d'inférence OpenAI : o3-mini
____2.4.1 Questions nécessitant une inférence
____2.4.2 Questions avec une réponse claire
2.5 Considérations relatives à l'utilisation des modèles OpenAI
Chapitre 3 : Comprendre les concepts et les principes de DeepSeek
3.1 Qu'est-ce que DeepSeek ?
3.2 Contexte de l'émergence de DeepSeek
3.3 Principes de DeepSeek-R1
Modèle 3.4 DeepSeek
3.5 Considérations relatives à l'utilisation des modèles DeepSeek
Chapitre 4 : Préparation de l'environnement de pratique
4.1 Installation et configuration d'Anaconda
____4.1.1 Installation d'Anaconda
____4.1.2 Configuration de l'environnement virtuel Anaconda
4.2 Préparation d'une clé API
4.3 Préparation du modèle DeepSeek
4.4 Installation et configuration de Neo4j
____4.4.1 Installation de Neo4j
____4.4.2 Apprendre à utiliser Neo4j
____4.4.3 Utilisation de Cypher dans Neo4j
Chapitre 5 : Exercices pratiques sur VectorRAG : Utilisation de l’API OpenAI
5.1 Recherche de données automobiles
5.2 Recherche de données Web
5.3 Récupération des données sur les plantes succulentes à partir d'un PDF
5.4 Utilisation de la mémoire de Langchain
5.5 Récupération et recherche de données dans plusieurs fichiers
5.6 Comparaison de Langchain et RamaIndex
5.7 Étuis non compatibles avec VectorRAG
Chapitre 6 : Exercices pratiques sur VectorRAG : Utilisation du modèle DeepSeek
6.1 Recherche de données sur les véhicules
6.2 Recherche de données Web
6.3 Récupération de données sur les plantes succulentes à partir d'un PDF
6.4 Utilisation de la mémoire de Langchain
6.5 Récupération et recherche de données dans plusieurs fichiers
Chapitre 7 : Exercices GraphRAG
7.1 Utilisation des graphes dans les chaînes de Lang
7.2 Recherche de données sur le football
____7.2.1 Génération de données de football
____7.2.2 Récupération des données de football
7.3 Importation et recherche de fichiers PDF
7.4 Recherche de données cinématographiques
____7.4.1 Génération de données de film
____7.4.2 Recherche de données cinématographiques
7.5 Recherche de données automobiles
____7.5.1 Création des données du véhicule
____7.5.2 Recherche de données automobiles
7.6 Recherche de données de santé
____7.6.1 Création de données de santé
____7.6.2 Recherche de données de santé
Chapitre 8 : Comparaison de Copilot et GraphRAG et impact social de RAG
8.1 Comparaison de la recherche basée sur les graphes avec GraphRAG dans Copilot
8.1.1 Recherches utilisées dans Copilot
____8.1.2 Comparaison des recherches RAG et Copilot classiques
8.2 Après le paradigme RAG : quelle est la prochaine étape ?
8.2.1 Limites et orientations futures de RAG
8.2.2 Agents d'IA et apprentissage par renforcement
8.3 Impact social du RAG
____8.3.1 Questions de confiance et de transparence
8.3.2 Considérations éthiques relatives à l’IA
____8.3.3 Questions de politique et de réglementation
8.4 Changements dans la vie humaine
8.4.1 Changements dans le travail
____8.4.2 Changements dans la vie personnelle
Recherche
1.1 Qu'est-ce que RAG ?
____1.1.1 Qu'est-ce que RAG ?
____1.1.2 Le besoin de chiffons
____1.1.3 Principes fondamentaux de RAG
____1.1.4 Comment mettre en œuvre RAG
1.2 Qu'est-ce que VectorRAG ?
____1.2.1 Qu'est-ce qu'un vecteur ?
____1.2.2 Processus de traitement vectoriel
____1.2.3 Stockage vectoriel
____1.2.4 Qu'est-ce que VectorRAG ?
____1.2.5 Quand dois-je utiliser VectorRAG ?
1.3 Qu'est-ce que GraphRAG ?
____1.3.1 Qu'est-ce qu'un graphique ?
____1.3.2 GraphDB : Neo4j
____1.3.3 Qu'est-ce que GraphRAG ?
____1.3.4 Quand dois-je utiliser GraphRAG ?
Chapitre 2 : Comprendre les concepts et les principes d’OpenAI
2.1 Qu'est-ce qu'OpenAI ?
2.2 Modèle OpenAI
____2.2.1 Série GPT
____2.2.2 ChatGPT
____2.2.3 Série DALL·E
____2.2.4 Murmure
____2.2.5 Sora
____2.2.6 Intégration
2.3 Principes de ChatGPT
____2.3.1 Qu'est-ce qu'un transformateur ?
____2.3.2 Pourquoi les Transformers sont apparus
2.4 Modèle d'inférence OpenAI : o3-mini
____2.4.1 Questions nécessitant une inférence
____2.4.2 Questions avec une réponse claire
2.5 Considérations relatives à l'utilisation des modèles OpenAI
Chapitre 3 : Comprendre les concepts et les principes de DeepSeek
3.1 Qu'est-ce que DeepSeek ?
3.2 Contexte de l'émergence de DeepSeek
3.3 Principes de DeepSeek-R1
Modèle 3.4 DeepSeek
3.5 Considérations relatives à l'utilisation des modèles DeepSeek
Chapitre 4 : Préparation de l'environnement de pratique
4.1 Installation et configuration d'Anaconda
____4.1.1 Installation d'Anaconda
____4.1.2 Configuration de l'environnement virtuel Anaconda
4.2 Préparation d'une clé API
4.3 Préparation du modèle DeepSeek
4.4 Installation et configuration de Neo4j
____4.4.1 Installation de Neo4j
____4.4.2 Apprendre à utiliser Neo4j
____4.4.3 Utilisation de Cypher dans Neo4j
Chapitre 5 : Exercices pratiques sur VectorRAG : Utilisation de l’API OpenAI
5.1 Recherche de données automobiles
5.2 Recherche de données Web
5.3 Récupération des données sur les plantes succulentes à partir d'un PDF
5.4 Utilisation de la mémoire de Langchain
5.5 Récupération et recherche de données dans plusieurs fichiers
5.6 Comparaison de Langchain et RamaIndex
5.7 Étuis non compatibles avec VectorRAG
Chapitre 6 : Exercices pratiques sur VectorRAG : Utilisation du modèle DeepSeek
6.1 Recherche de données sur les véhicules
6.2 Recherche de données Web
6.3 Récupération de données sur les plantes succulentes à partir d'un PDF
6.4 Utilisation de la mémoire de Langchain
6.5 Récupération et recherche de données dans plusieurs fichiers
Chapitre 7 : Exercices GraphRAG
7.1 Utilisation des graphes dans les chaînes de Lang
7.2 Recherche de données sur le football
____7.2.1 Génération de données de football
____7.2.2 Récupération des données de football
7.3 Importation et recherche de fichiers PDF
7.4 Recherche de données cinématographiques
____7.4.1 Génération de données de film
____7.4.2 Recherche de données cinématographiques
7.5 Recherche de données automobiles
____7.5.1 Création des données du véhicule
____7.5.2 Recherche de données automobiles
7.6 Recherche de données de santé
____7.6.1 Création de données de santé
____7.6.2 Recherche de données de santé
Chapitre 8 : Comparaison de Copilot et GraphRAG et impact social de RAG
8.1 Comparaison de la recherche basée sur les graphes avec GraphRAG dans Copilot
8.1.1 Recherches utilisées dans Copilot
____8.1.2 Comparaison des recherches RAG et Copilot classiques
8.2 Après le paradigme RAG : quelle est la prochaine étape ?
8.2.1 Limites et orientations futures de RAG
8.2.2 Agents d'IA et apprentissage par renforcement
8.3 Impact social du RAG
____8.3.1 Questions de confiance et de transparence
8.3.2 Considérations éthiques relatives à l’IA
____8.3.3 Questions de politique et de réglementation
8.4 Changements dans la vie humaine
8.4.1 Changements dans le travail
____8.4.2 Changements dans la vie personnelle
Recherche
Image détaillée
Avis de l'éditeur
Simple, axé sur les concepts et principes fondamentaux !
Introduction à RAG par la mise en œuvre d'exemples de base !
Ce livre traite des sujets suivants : VectorRAG et GraphRAG
Au cœur de la technologie liée au LLM se trouve RAG. RAG peut être divisé en VectorRAG et GraphRAG, selon la nature des données.
Ce livre compare et explique les concepts et les principes de VectorRAG et GraphRAG, qui sont similaires mais différents, notamment le concept de RAG.
Nous examinerons les scénarios et les données dans lesquels la méthode VectorRAG, une méthode RAG courante utilisée par le passé, et la méthode GraphRAG, qui peut identifier et utiliser les relations entre les données, peuvent être utilisées, et nous apprendrons également des méthodes d'implémentation utilisant LangChain.
Ce livre traite des sujets suivants : OpenAI et DeepSeek
Avant d'aborder l'implémentation avec Langchain, nous examinerons les modèles principalement utilisés dans RAG. Cet ouvrage présente brièvement les principes et le contexte du modèle OpenAI, du modèle d'inférence et du modèle open source DeepSeek.
Ensuite, nous utiliserons respectivement le modèle OpenAI et le modèle DeepSeek dans le même code LangChain qui a implémenté VectorRAG.
Cela nous permet de comparer concrètement les différences de performance entre les deux modèles.
Les modèles DeepSeek sont téléchargés et exécutés localement via Ollama pour une utilisation en toute sécurité.
Scénario pratique de ce livre : la mise en œuvre d’un exemple de base.
Mettons en œuvre RAG à l'aide de Langchain dans différents scénarios.
Les exemples sont faciles à suivre et sont les plus basiques et les plus faciles à comprendre, vous permettant de saisir les différences entre les modèles OpenAI et DeepSeek, et entre VectorRAG et GraphRAG.
Enfin, puisque Copilot utilise également la recherche vectorielle et la recherche graphique, comparons brièvement les différences entre les méthodes de recherche utilisées dans Copilot et VectorRAG et GraphRAG.
[Exemple VectorRAG]
ㆍ Recherche de données automobiles
ㆍ Recherche de données Web
• Recherche de données dans un fichier PDF
ㆍUtilisation de la mémoire Langchain
Récupérer et rechercher des données dans plusieurs fichiers
[Exemple GraphRAG]
• Recherche de données sur le football
Charger les fichiers PDF et effectuer une recherche
ㆍ Rechercher des données de film
ㆍ Recherche de données automobiles
• Rechercher des données de santé
[Préface de l'auteur]
Ce livre est destiné à :
ㆍ Les personnes qui souhaitent connaître la différence entre VectorRAG et GraphRAG
ㆍ Développeurs souhaitant savoir comment implémenter VectorRAG et GraphRAG
ㆍ Les personnes qui souhaitent connaître la différence entre OpenAI et DeepSeek
ㆍ Les personnes qui souhaitent vérifier la différence de performance entre OpenAI et DeepSeek
Quel que soit le développement des technologies basées sur LLM, on peut dire que RAG en est le concept fondamental qui leur sert de base.
En particulier, VectorRAG et GraphRAG jouent un rôle important dans RAG.
Si vous comprenez ce concept, vous pourrez suivre sans difficulté les différentes technologies qui apparaîtront par la suite.
J'espère que ce livre contribuera à jeter les bases de cette fondation.
Introduction à RAG par la mise en œuvre d'exemples de base !
Ce livre traite des sujets suivants : VectorRAG et GraphRAG
Au cœur de la technologie liée au LLM se trouve RAG. RAG peut être divisé en VectorRAG et GraphRAG, selon la nature des données.
Ce livre compare et explique les concepts et les principes de VectorRAG et GraphRAG, qui sont similaires mais différents, notamment le concept de RAG.
Nous examinerons les scénarios et les données dans lesquels la méthode VectorRAG, une méthode RAG courante utilisée par le passé, et la méthode GraphRAG, qui peut identifier et utiliser les relations entre les données, peuvent être utilisées, et nous apprendrons également des méthodes d'implémentation utilisant LangChain.
Ce livre traite des sujets suivants : OpenAI et DeepSeek
Avant d'aborder l'implémentation avec Langchain, nous examinerons les modèles principalement utilisés dans RAG. Cet ouvrage présente brièvement les principes et le contexte du modèle OpenAI, du modèle d'inférence et du modèle open source DeepSeek.
Ensuite, nous utiliserons respectivement le modèle OpenAI et le modèle DeepSeek dans le même code LangChain qui a implémenté VectorRAG.
Cela nous permet de comparer concrètement les différences de performance entre les deux modèles.
Les modèles DeepSeek sont téléchargés et exécutés localement via Ollama pour une utilisation en toute sécurité.
Scénario pratique de ce livre : la mise en œuvre d’un exemple de base.
Mettons en œuvre RAG à l'aide de Langchain dans différents scénarios.
Les exemples sont faciles à suivre et sont les plus basiques et les plus faciles à comprendre, vous permettant de saisir les différences entre les modèles OpenAI et DeepSeek, et entre VectorRAG et GraphRAG.
Enfin, puisque Copilot utilise également la recherche vectorielle et la recherche graphique, comparons brièvement les différences entre les méthodes de recherche utilisées dans Copilot et VectorRAG et GraphRAG.
[Exemple VectorRAG]
ㆍ Recherche de données automobiles
ㆍ Recherche de données Web
• Recherche de données dans un fichier PDF
ㆍUtilisation de la mémoire Langchain
Récupérer et rechercher des données dans plusieurs fichiers
[Exemple GraphRAG]
• Recherche de données sur le football
Charger les fichiers PDF et effectuer une recherche
ㆍ Rechercher des données de film
ㆍ Recherche de données automobiles
• Rechercher des données de santé
[Préface de l'auteur]
Ce livre est destiné à :
ㆍ Les personnes qui souhaitent connaître la différence entre VectorRAG et GraphRAG
ㆍ Développeurs souhaitant savoir comment implémenter VectorRAG et GraphRAG
ㆍ Les personnes qui souhaitent connaître la différence entre OpenAI et DeepSeek
ㆍ Les personnes qui souhaitent vérifier la différence de performance entre OpenAI et DeepSeek
Quel que soit le développement des technologies basées sur LLM, on peut dire que RAG en est le concept fondamental qui leur sert de base.
En particulier, VectorRAG et GraphRAG jouent un rôle important dans RAG.
Si vous comprenez ce concept, vous pourrez suivre sans difficulté les différentes technologies qui apparaîtront par la suite.
J'espère que ce livre contribuera à jeter les bases de cette fondation.
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 25 avril 2025
- Nombre de pages, poids, dimensions : 312 pages | 183 × 235 × 13 mm
- ISBN13 : 9791140713240
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne
![GQ KOREA Mark (Mensuel) : décembre [2025]](http://librairie.coreenne.fr/cdn/shop/files/8ef265dbbfbf186523ed75ba7319009d.jpg?v=1765340328&width=3840)
