AI智能體構建指南:工作流、微調、優化與生產級部署

[土]錫南·厄茲代米爾(Sinan Ozdemir)

  • AI智能體構建指南:工作流、微調、優化與生產級部署-preview-1
AI智能體構建指南:工作流、微調、優化與生產級部署-preview-1

相關主題

商品描述

我們正從響應式AI邁向自主式AI的新紀元。在這個時代,真正的競爭優勢屬於那些能夠構建不僅能回應、更能主動思考、規劃並執行復雜任務的智能系統的企業與開發者。本書正是通往這一前沿領域的實戰指南。本書深入探討了如何打造真正"有大腦"的AI智能體:從設計具備記憶與工具使用能力的自適應系統,到構建基於RAG和向量數據庫的企業級知識核心;從實現文本、視覺、音頻多模態融合,到通過微調與量化技術實現性能突破。更重要的是,本書提供了從原型到生產的完整路徑,涵蓋智能體系統的全生命周期管理——包括多維評估框架、成本效能平衡策略,以及確保系統可靠運行的監控方案。無論您是致力於實現首個智能體落地的工程師,還是負責AI產品戰略的決策者、投資者,本書提供的經過驗證的架構模式和工程實踐,都將為您提供將智能體AI從概念轉化為真實商業價值的關鍵洞察。這是一本幫助您在AI競爭的下半場搶占先機的必讀之作。

作者簡介

西南·奧茲德米爾(Sinan Ozdemir) 西南·奧茲德米爾(Sinan Ozdemir)是LoopGenius的創始人兼首席技術官,該公司運用前沿人工智能技術助力大眾創業與經營管理。西楠曾任約翰斯·霍普金斯大學數據科學講師,著有多部數據科學與機器學習教材。此外,他還是近期被收購的Kylie.ai創始人——該企業級對話式人工智能平臺具備機器人流程自動化(RPA)功能。西楠持有約翰斯·霍普金斯大學純數學碩士學位,現定居於加利福尼亞州舊金山。

目錄大綱

第一部分 AI、LLM與實驗基礎入門
第1章 AI、LLM與智能體導論
引言
LLM基礎
什麼是語言模型——它是本書所說的“AI”嗎
參數量
上下文窗口
LLM任務譜系
對齊
提示詞工程
提示詞排序
思維鏈
少樣本學習
提示鏈
LLM的特殊功能
推理參數
提示詞緩存
結構化輸出
工具調用
LLM工作流
AI智能體
ReAct智能體
結語
第2章 LLM工作流初探
引言
案例研究:文本轉SQL工作流
探索性數據分析
第一個LLM工作流
第一步:將證據索引到數據庫
第二步:搭建整體LangGraph框架
第三步:實現證據檢索
第四步:編寫SQL生成提示詞
第五步:整合所有組件
調用RAG工作流
無狀態工作流與有狀態工作流
結語
第3章 AI評估與實驗
引言
LLM的評估與實驗
案例研究1 重訪:文本轉SQL工作流
評估SQL生成:自由文本回答
評估證據檢索
評估領域難度
案例研究2:“簡單”摘要提示詞
實驗:提示鏈摘要
結語
第二部分 以AI智能體、工作流與多模態推動實質進展
第4章 AI智能體與多智能體工作負載初探
引言
案例研究1:從RAG到智能體
定義工具
評估SQL智能體
實驗:延伸心智論與智能體記憶
何時選擇工作流,何時選擇智能體
案例研究2:(近乎)端到端的SDR
智能體1:線索生成
MCP:靈活的工具發現機制
MCP1:網絡搜索+網絡爬取
MCP2:HubSpot CRM管理
智能體2:線索審核
智能體3:線索陌拜郵件發送
MCP3:Resend郵件發送服務
何時選擇多智能體,何時選擇單智能體
使用Streamlit對三個智能體進行臨時測試
評估智能體
LangSmith:可追溯性工具
結語
第5章 以提示詞工程、工作流與多智能體提升智能體能力
引言
案例研究1:智能體規則合規與合成數據生成
構建規則合規測試集
構建規則機器人智能體
BM25:回歸經典
對智能體進行提示詞工程
在響應質量和指令對齊方面評估我們的智能體
案例研究2:深度研究與內容生成——智能體工作流實踐
規劃組件
反思組件
深度研究智能體工作流
使用深度研究撰寫定制新聞簡報
多智能體架構
示例:基於網絡的多智能體架構
案例研究 重訪:為我們的SDR團隊增加一個監督者智能體
案例研究3:智能體工具選擇性能
在工具選擇準確率、精確率和召回率上的投入
工具選擇中的位置偏差
結語
第6章 超越自然語言:多模態與編程AI
引言
多模態AI概論
將不同模態嵌入同一向量空間
從一種模態映射至另一種模態
將所有模態錨定至主模態
多種模態數據聯合建模
獨立處理各模態
案例研究1:圖像檢索流水線
案例研究2:使用Moondream進行視覺問答
案例研究3:帶有圖像生成、文件操作和Moondream的編程智能體
使用Inception的Mercury擴散語言模型構建編程智能體
賦予智能體圖像生成能力
集成Moondream
全模態模型的必要性
結語
第三部分 以微調、框架與推理模型優化工作負載
第7章 推理模型與計算機操控
引言
智能七大支柱
上下文工程框架
案例研究1:推理模型基準測試
推理何時有用
在HLE上比較LLM推理力度
用MathQA對推理LLM進行提示測試
推理模型在ReAct智能體中的應用
案例研究2:計算機操控
真正的多模態計算機操控與模態錨定的文本型計算機操控
用推理模型對計算機操控進行基準測試
用LangGraph構建計算機操控
推理LLM的最終裁定
結語
第8章 以微調實現經模型校準的性能
引言
案例研究1:分類vs多選題
app_reviews數據集
LLM模型校準
在測試集上評估基準LLM
微調LLM
比較成本與速度
數據隱私
在準確率、成本、速度與隱私之間進行權衡
自由文本回答中的模型校準
案例研究2:領域自適應
對規定文檔進行分塊
在愛彼迎條款上微調Qwen3-8B推理LLM
評估經過領域自適應的LLM
結語
第9章 面向生產部署的AI模型優化
引言
模型壓縮
量化
蒸餾
案例研究1:使用Qwen進行推測解碼
案例研究2:語音機器人——對速度的需求
尋找最快的STT和TTS模型
案例研究3:微調嵌套嵌入
嵌套嵌入
嘗試不同的訓練方案
最終結果
案例研究N+1:接下來是什麼