AI从业者阶权威指南 覆盖AI应用发全流程 掌握基础模型原理/架构 精选全球真实业务案例 本书结构清晰、内容详尽，全面涵盖了构建生成式AI系统的核心要素； 基于作者深厚的实战经验，造了一部全景式指南，详尽生产环境中设计与部署AI应用所需的一切； 系统阐述了"AI工程"的核心方法--如何基于现成的基础模型（LLM、LMM）构建高效、实用的AI应用。
售 价：¥
纸质售价：¥119.90购买纸书
6.3
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
扉页
版权页
内容提要
版权声明
O'Reilly Media, Inc.介绍
对本书的赞誉（中文版）
对本书的赞誉（英文版）
译者序
中文版序
前言
第1章 基于基础模型构建AI应用入门
1.1 AI工程的兴起
1.1.1 从语言模型到大语言模型
1.1.2 从大语言模型到基础模型
1.1.3 从基础模型到AI工程
1.2 基础模型的应用场景
1.2.1 编程
1.2.2 图像和视频制作
1.2.3 写作
1.2.4 教育
1.2.5 聊天机器人
1.2.6 信息聚合
1.2.7 数据组织
1.2.8 工作流自动化
1.3 规划AI应用
1.3.1 应用场景评估
1.3.2 设定目标
1.3.3 里程碑规划
1.3.4 维护
1.4 AI工程技术栈
1.4.1 AI工程技术栈的三层结构
1.4.2 AI工程与ML工程
1.4.3 AI工程与全栈工程
1.5 小结
第2章 理解基础模型
2.1 训练数据
2.1.1 多语言模型
2.1.2 领域特定模型
2.2 建模
2.2.1 模型架构
2.2.2 模型规模
2.3 后训练
2.3.1 监督微调
2.3.2 偏好微调
2.4 采样
2.4.1 采样基础知识
2.4.2 采样策略
2.4.3 推理时计算
2.4.4 结构化输出
2.4.5 AI的概率特性
2.5 小结
第3章 评估方法论
3.1 评估基础模型的挑战
3.2 理解语言建模指标
3.2.1 熵
3.2.2 交叉熵
3.2.3 BPC与BPB
3.2.4 困惑度
3.2.5 困惑度的解释与应用场景
3.3 精确评估
3.3.1 功能正确性
3.3.2 与参考数据的相似度度量
3.3.3 嵌入简介
3.4 AI当裁判
3.4.1 为什么用AI当裁判
3.4.2 如何用AI当裁判
3.4.3 AI当裁判的局限性
3.4.4 哪些模型可以作为裁判
3.5 使用比较评估对模型进行排名
3.5.1 比较评估面临的挑战
3.5.2 比较评估的未来
3.6 小结
第4章 评估AI系统
4.1 评估标准
4.1.1 领域特定能力
4.1.2 生成能力
4.1.3 指令遵循能力
4.1.4 成本和延迟
4.2 模型选择
4.2.1 模型选择工作流
4.2.2 模型的自建与购买
4.2.3 利用公开基准测试
4.3 设计你的评估流水线
4.3.1 步骤1：评估系统中的所有组件
4.3.2 步骤2：创建评估指南
4.3.3 步骤3：定义评估方法和数据
4.4 小结
第5章 提示工程
5.1 提示词简介
5.1.1 上下文学习：零样本和少样本
5.1.2 系统提示词和用户提示词
5.1.3 上下文长度与上下文效率
5.2 提示工程最佳实践
5.2.1 撰写清晰、明确的指令
5.2.2 提供充足的上下文
5.2.3 将复杂任务拆分为更简单的子任务
5.2.4 给模型更多思考时间
5.2.5 对提示词进行迭代优化
5.2.6 评估提示工程工具
5.2.7 提示词的组织与版本管理
5.3 防御性提示工程
5.3.1 专有提示词与逆向提示工程
5.3.2 越狱与提示词注入
5.3.3 信息提取
5.3.4 针对提示词攻击的防御措施
5.4 小结
第6章 RAG与智能体
6.1 RAG
6.1.1 RAG架构
6.1.2 检索算法
6.1.3 检索优化
6.1.4 超越文本的RAG
6.2 智能体
6.2.1 智能体概述
6.2.2 工具
6.2.3 规划
6.2.4 智能体的故障模式与评估
6.3 记忆
6.4 小结
第7章 微调
7.1 微调概述
7.2 何时进行微调
7.2.1 进行微调的原因
7.2.2 不进行微调的原因
7.2.3 微调与RAG
7.3 内存瓶颈
7.3.1 反向传播与可训练参数
7.3.2 内存计算
7.3.3 数值表示
7.3.4 量化
7.4 微调技术
7.4.1 PEFT
7.4.2 模型合并与多任务微调
7.4.3 微调策略
7.5 小结
第8章 数据集工程
8.1 数据策展
8.1.1 数据质量
8.1.2 数据覆盖度
8.1.3 数据量
8.1.4 数据获取与数据标注
8.2 数据增强与数据合成
8.2.1 为什么要进行数据合成
8.2.2 传统的数据合成方法
8.2.3 AI驱动的数据合成方法
8.2.4 模型蒸馏
8.3 数据处理
8.3.1 数据检查
8.3.2 数据去重
8.3.3 数据清理与过滤
8.3.4 数据格式化
8.4 小结
第9章 推理优化
9.1 理解推理优化
9.1.1 推理概述
9.1.2 推理性能指标
9.1.3 AI加速器
9.2 推理优化的实现
9.2.1 模型优化
9.2.2 推理服务优化
9.3 小结
第10章 AI工程架构与用户反馈
10.1 AI工程架构
10.1.1 增强上下文
10.1.2 设置防护措施
10.1.3 添加路由器和模型网关
10.1.4 通过缓存技术降低延迟
10.1.5 添加智能体模式
10.1.6 监控与可观测性
10.1.7 AI流水线编排
10.2 用户反馈
10.2.1 提取对话反馈
10.2.2 反馈设计
10.2.3 反馈的局限性
10.3 小结
后记
关于作者
封面简介
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
