目录

●前言
第1章 大模型技术分析与落地难点 1
1.1 大模型技术分析 1
1.1.1 变革与挑战共存 1
1.1.2 与传统模型的区别 2
1.1.3 对行业格局的冲击 3
1.1.4 从训练流程看发展的因素 4
1.2 落地难点 5
第2章 AI搜索历程与原理初探 7
2.1 AI搜索发展的历程 7
2.1.1 搜索的智能化趋势 7
2.1.2 AI如何赋能传统搜索 10
2.1.3 AI搜索的未来发展方向 10
2.2 AI搜索的原理初探：基于Lepton Search分析 12
2.2.1 为什么选择Lepton Search 12
2.2.2 Lepton Search后端源码分析 14
第3章 深入AI搜索核心技术 23
3.1 查询理解技术 23
3.1.1 问题分类机制 23
3.1.2 查询改写机制 25
3.1.3 查询扩展机制 29
3.1.4 意图识别与规划 30
3.2 规划执行技术 34
3.2.1 动作的分类 34
3.2.2 调用仅输出动作 35
3.2.3 调用搜索并输出动作 36
3.2.4 基于Agent的执行过程 39
3.2.5 基于工作流的执行过程 42
3.3 答案内容优化技术 47
3.3.1 角色与答案模板机制 47
3.3.2 在答案中呈现引用编号 49
3.3.3 呈现不同维度的答案 50
3.4 答案缓存优化技术 55
3.4.1 缓存的核心考量 56
3.4.2 引入缓存后的问题 57
3.4.3 答案多样性的简单处理 60
3.4.4 答案多样性的高级处理 61
第4章 掌握应用的开发技术栈 63
4.1 认识OpenAI API 63
4.1.1 API介绍 63
4.1.2 会话补全能力 65
4.1.3 嵌入模型能力 67
4.1.4 微调模型能力 68
4.2 掌握DeepSeek模型 70
4.2.1 核心技术 71
4.2.2 本地部署 73
4.2.3 基于Python调用 74
4.3 认识Milvus向量数据库 75
4.3.1 Milvus介绍 75
4.3.2 本地搭建Milvus 77
4.3.3 核心技术与原理 78
4.4 Milvus本地知识库实践 79
4.5 LangChain基础知识 87
4.5.1 核心组成与生态 87
4.5.2 创建提示词模板 88
4.5.3 创建模型 90
4.5.4 创建大模型链 91
4.6 精通LangChain的高级用法 93
4.6.1 回调函数的使用 93
4.6.2 聊天上下文管理 95
4.6.3 Agent与工具的调用 97
第5章 后端方案设计与框架构建 100
5.1 技术方案设计 100
5.1.1 项目整体设计 100
5.1.2 后端数据库设计 101
5.1.3 后端流式通信设计 103
5.2 构建后端基础框架 106
5.2.1 划分后端目录结构 106
5.2.2 开发项目入口文件 107
5.2.3 开发服务初始化模块 108
第6章 构建AI搜索的核心架构 112
6.1 实体模块 112
6.1.1 创建参数实体 112
6.1.2 创建策略实体 115
6.1.3 创建规划实体 117
6.1.4 创建调度结果实体 119
6.1.5 创建搜索结果实体 120
6.2 分析器模块 132
6.3 检索器模块 142
6.4 生成器模块 146
6.5 过滤器模块 150
6.5.1 创建过滤器基类 150
6.5.2 创建移除器模块 151
6.5.3 创建重排序模块 152
6.5.4 创建读取器模块 153
第7章 实现AI搜索的自动运行 157
7.1 创建动作类 157
7.2 实现调度器模块 164
第8章 开发AI搜索的应用功能与场景测试 171
8.1 开发DAO操作层 171
8.1.1 实现会话DAO操作 171
8.1.2 实现消息的DAO操作 175
8.1.3 实现引用DAO操作 178
8.1.4 实现网页内容DAO操作 180
8.2 开发Service逻辑层 183
8.2.1 使用缓存中的答案的处理逻辑 183
8.2.2 生成预测问题的处理逻辑 186
8.3 开发Controller接口层 188
8.3.1 统一接口注册 188
8.3.2 开发请求中间件 189
8.3.3 开发会话记录列表接口 192
8.3.4 开发会话操作接口 193
8.3.5 开发流式问答接口 196
8.3.6 开发预测问题接口 199
8.4 AI搜索应用场景测试 201
8.4.1 私人问答方向 201
8.4.2 写作创作方向 203
8.4.3 学术研究方向 204