大模型應用開發：方法與案例

鄭天民

大模型應用開發：方法與案例
  • 出版商: 機械工業
  • 出版日期: 2025-08-01
  • 定價: $534
  • 售價: 7.9 折 $421
  • 語言: 簡體中文
  • 頁數: 206
  • ISBN: 7111785274
  • ISBN-13: 9787111785279
  • 相關分類: Large language model

    • 立即出貨

超有料 AI 工作術 2書75折 詳見活動內容 »

商品描述

這是一本案例驅動的LLM應用開發指南，適合具備一定編程基礎的開發者閱讀。通過本書，讀者可以在短時間內掌握多種類型的LLM應用的開發方法，以及基於現實中的業務場景設計並實現符合用戶真實訴求的AI系統。對此，本書提供了豐富的“即插即用”的案例代碼和最佳實踐。
本書分為8章，全面闡述LLM應用的技術體系、開發模式和落地案例，具體內容如下：
第1章 先介紹LLM的基本概念和應用場景，然後介紹LLM應用開發的核心技術，並引出主流的集成性開發框架。
第2～8章 分析大語言模型應用的場景案例，即基於常見業務場景，梳理LLM應用的系統架構和實現過程，並采用主流的開源框架完成案例場景的開發落地。每章講解一個系統案例，包含翻譯器工具、通用的文檔檢索助手、糾錯型RAG應用、智能化的簡歷匹配服務、多模態處理器、定制化Agent開發、混合Agent架構設計7個具體的案例。針對每一個案例，都提供具體的應用場景分析和系統架構設計，強調其背後通用的設計思想和應用方法。同時，案例中結合LangChain、LangChain4j、LlamaIndex這3款主流的開發框架，詳細介紹其功能特性、使用方法和開發實現。

作者簡介

鄭天民，網名天涯蘭，日本足利工業大學信息工程學碩士，研究方向為人工智能在大規模調度系統中的應用。在國際三大索引上發表多篇論文，被引用50余次。具有10余年軟件行業從業經驗，曾先後任職於多家大型上市公司和互聯網、電商、健康等類型的獨角獸公司，擔任系統分析架構師、技術總監和CTO等職務，目前在一家大健康領域的創新型科技公司擔任CTO，帶領百余人技術團隊，負責產品研發與技術團隊管理工作。主持過10余個面向研發人員的技術和管理類培訓課程，在架構設計和技術管理方面有豐富的經驗和深入的理解，是CSDN博客專家、TGO鯤鵬會會員。著有《Spring響應式微服務》《系統架構設計：程序員向架構師轉型之路》《向技術管理者轉型：軟件開發人員跨越行業、技術、管理的轉型思維與實踐》《微服務設計原理與架構》《微服務架構實戰》等作品。

目錄大綱

前言

第1章　大語言模型應用開發體系1

1.1　大語言模型應用開發概述1

1.1.1　大語言模型應用場景1

1.1.2　大語言模型應用開發的核心技術4

1.2　大語言模型集成性開發框架11

1.2.1　集成性開發框架的功能特性11

1.2.2　代表性開發框架12

1.3　本章小結18

第2章　實現並重構一個翻譯器工具19

2.1　基於OpenAI API實現翻譯器19

2.1.1　引入OpenAI LLM19

2.1.2　OpenAI API對接21

2.1.3　構建翻譯器工具V1.027

2.2　基於LangChain重構翻譯器28

2.2.1　LangChain集成OpenAI LLM29

2.2.2　使用PromptTemplate創建提示詞33

2.2.3　構建LLMChain37

2.2.4　構建翻譯器工具V2.043

2.3　本章小結44

第3章　構建通用的文檔檢索助手45

3.1　RAG解析45

3.1.1　RAG技術的核心概念45

3.1.2　RAG應用開發流程46

3.2　基於LangChain4j實現文檔檢索助手48

3.2.1　LangChain4j的聊天模型48

3.2.2　LangChain4j的RAG技術組件53

3.3　使用高級RAG技術實現強化版文檔檢索助手61

3.3.1　查詢壓縮61

3.3.2　查詢路由62

3.4　本章小結64

第4章　開發糾錯型RAG應用66

4.1　糾錯型RAG應用的核心組件67

4.2　基於LangChain4j Workflow實現工作流67

4.2.1　LangChain4j Workflow的工作原理68

4.2.2　LangChain4j Workflow的實現76

4.3　基於工作流實現CRAG應用79

4.3.1　CRAG應用的通用開發步驟79

4.3.2　CRAG應用開發的工作流88

4.3.3　測試和驗證91

4.4　本章小結93

第5章　設計智能化的簡歷匹配服務94

5.1　簡歷匹配服務與RAG技術94

5.2　基於LlamaIndex實現簡歷匹配服務96

5.2.1　LlamaIndex的RAG技術組件96

5.2.2　設計簡歷數據提取管道99

5.2.3　創建和存儲簡歷索引102

5.3　簡歷匹配優化策略105

5.3.1　構建混合檢索器105

5.3.2　檢索結果重排序108

5.3.3　基於Streamlit構建交互界面110

5.4　本章小結115

第6章　開發多模態處理器116

6.1　多模態處理的場景分析116

6.2　基於LangChain進行圖像處理117

6.2.1　圖像解析117

6.2.2　圖像生成125

6.3　基於LangChain進行語音處理127

6.3.1　自動語音識別127

6.3.2　文本轉語音129

6.4　多模態處理器的系統整合132

6.4.1　對話機制集成132

6.4.2　回調和流式處理135

6.5　本章小結139

第7章　定制化Agent開發實戰140

7.1　Agent的運行機制140

7.2　LlamaIndex的Tool和Agent組件141

7.2.1　Tool141

7.2.2　OpenAIAgent148

7.2.3　ReActAgent151

7.2.4　AgentRunner和Agent-Worker156

7.3　構建自定義Agent158

7.3.1　自定義Agent的場景分析158

7.3.2　創建Tool組件159

7.3.3　實現自定義Agent163

7.3.4　測試和驗證168

7.4　本章小結171

第8章　混合Agent架構設計實戰172

8.1　MoA架構解析172

8.2　基於LangChain4j實現MoA架構173

8.2.1　MoA架構的實現步驟174

8.2.2　構建MoA工作流178

8.3　基於LangChain實現MoA架構185

8.3.1　文檔嵌入和檢索185

8.3.2　構建MoA架構的主流程192

8.3.3　整合MoA架構、Agent與向量數據197

8.4　本章小結204

類似商品

最後瀏覽商品 (5)