商品描述
本書旨在為讀者提供一個全面的ChatBI學習框架。從基礎概念到核心技術，再到實際應用場景，書中詳細介紹了ChatBI的定義、特點、與傳統BI的區別，以及其在企業決策支持、數據分析民主化、即時數據洞察等多場景中的應用。書中還深入探討了提示工程、AI智能體、檢索增強生成、大模型微調等關鍵技術，並通過實戰案例展示了如何構建AI智能體和業務知識庫，以及實現數據智能查詢與可視化等功能。此外，書中還討論了對話理解、智能分析、用戶交互等重要環節，幫助讀者全面掌握ChatBI的技術實現和應用思路。
目錄大綱
第1章 初識ChatBI：商業智能的新世界 1
1.1 什麼是ChatBI 2
1.1.1 BI的定義與演化 2
1.1.2 ChatBI的概念與特點 3
1.1.3 ChatBI與傳統BI的區別 5
1.1.4 ChatBI的核心價值 6
1.1.5 ChatBI的優勢與挑戰 8
1.2 ChatBI的行業生態 9
1.2.1 業界前沿 10
1.2.2 行業ChatBI產品介紹 11
1.3 ChatBI產品特性 13
1.3.1 多端互聯：跨平臺、多設備、實時交互 13
1.3.2 多源數據：兼容多種數據類型、靈活高效 13
1.3.3 意圖識別：分析用戶意圖，提升交互體驗 14
1.3.4 智能問答：多元智能交互 15
1.3.5 智能繪圖：自動化生成圖表，輔助決策 16
1.3.6 智能分析：深度挖掘數據價值 17
1.4 ChatBI開源項目 17
1.4.1 DB-GPT：AI原生數據應用開發框架 17
1.4.2 PandasAI：數據分析助手 18
1.4.3 Vanna-AI：個性化AI SQL智能體 19
1.4.4 SuperSonic：融合大語言模型和語義建模的新一代BI平臺 19
1.5 ChatBI系統架構 20
1.5.1 架構概覽 20
1.5.2 核心組件 23
1.5.3 對話引擎 25
1.5.4 知識引擎 26
1.5.5 智能體引擎 28
1.5.6 系統集成 29
1.5.7 安全部署 31
1.6 ChatBI的應用場景 32
1.6.1 企業決策支持 33
1.6.2 數據分析民主化 33
1.6.3 即時數據洞察 36
1.6.4 客戶服務與智能問答 38
1.6.5 個性化定制 39
1.6.6 跨行業應用 40
1.7 ChatBI的發展趨勢 42
1.7.1 多模態交互 42
1.7.2 智能推理 43
1.7.3 數據安全與隱私保護 44
第2章 提示工程：讓ChatBI更懂你的需求 46
2.1 提示工程概念 47
2.1.1 什麼是提示詞 47
2.1.2 提示詞的類型 48
2.1.3 提示詞的基本結構 49
2.1.4 提示詞的設計原則 54
2.1.5 提示詞的構建方法 56
2.1.6 提示詞優化 58
2.2 上下文管理 60
2.2.1 上下文信息組織 61
2.2.2 上下文優化策略 64
2.2.3 會話狀態維護 67
2.2.4 歷史信息壓縮 67
2.2.5 內存管理策略 68
2.3 提示詞經典框架 69
2.3.1 ICIO框架 69
2.3.2 CRISPE框架 71
2.3.3 RACE框架 72
2.3.4 COAST框架 72
2.3.5 ALIGN框架 73
2.3.6 TRACE框架 74
2.4 推理增強技術 75
2.4.1 思維鏈：線性推理 75
2.4.2 思維樹：分支探索 78
2.4.3 思維圖與圖提示 80
2.4.4 驗證鏈:逐步確認 81
2.4.5 知識鏈：信息增強 82
2.4.6 表格推理 83
2.4.7 代碼推理 84
2.5 知識整合策略 88
2.5.1 生成知識提示 88
2.5.2 知識圖譜提示 89
2.5.3 外部知識庫集成 91
2.5.4 檢索增強生成提示 91
2.5.5 知識一致性檢查 92
2.5.6 基於反饋的知識修正 93
2.6 提示詞的評估體系 94
2.6.1 評估維度 94
2.6.2 評估方法 95
2.6.3 評估指標 96
2.6.4 評估流程 96
2.7 提示工程發展趨勢 97
2.7.1 自動化程度不斷提高 97
2.7.2 多模態融合 98
2.7.3 個性化與定制化 98
2.7.4 倫理與合規性的重視 100
2.7.5 持續學習與進化 101
第3章 AI智能體：ChatBI的“多核引擎”，讓效率全面提升 102
3.1 AI智能體概述 103
3.1.1 什麼是AI智能體 103
3.1.2 AI智能體的結構 105
3.1.3 AI智能體的特征 110
3.1.4 AI智能體如何工作 111
3.1.5 AI智能體的類型 113
3.1.6 ChatBI中AI智能體的用途 120
3.2 AI智能體推理範式 121
3.2.1 ReAct：推理與行動 121
3.2.2 ReWOO：無觀察推理 123
3.2.3 Plan ＆ Solve：規劃求解 125
3.2.4 LLM Compiler：並行編排 126
3.2.5 Basic Reflection：基本反思 128
3.2.6 Reflexion：增強反思 130
3.2.7 Self-Discover：自主探索 131
3.2.8 LATS：語言智能體樹搜索 133
3.3 基於LLM的單智能體實現 135
3.3.1 聊天程序示例 135
3.3.2 多輪對話 136
3.3.3 函數調用 139
3.3.4 自動執行 145
3.3.5 自定義Agent類 148
3.4 基於LLM的多智能體協作 152
3.4.1 單智能體的問題 152
3.4.2 智能體工作交接 152
3.4.3 雙層客服案例 156
3.4.4 研究報告案例 159
3.4.5 多智能體協作方式 163
3.4.6 多智能體數據共享和傳遞 165
3.5 AI智能體工作流 167
3.5.1 工作流的定義 167
3.5.2 工作流的特點 168
3.5.3 多智能體存在的問題 168
3.5.4 構建高效的智能體 169
3.5.5 提示鏈 170
3.5.6 路由選擇 171
3.5.7 並行化 173
3.5.8 協調者與執行者 175
3.5.9 評估者與優化者 179
3.6 實戰案例1：從零搭建智能數據交互平臺 180
3.6.1 功能說明 181
3.6.2 Panel框架 181
3.6.3 聊天機器人 184
3.6.4 問題推薦 189
3.6.5 多輪對話 191
3.6.6 工具調用 192
第4章 檢索增強生成：助力ChatBI精準理解業務，高效賦能決策 194
4.1 RAG概述 195
4.1.1 什麼是RAG 195
4.1.2 為什麼需要RAG 196
4.1.3 RAG的工作流程 197
4.1.4 RAG的優點與缺點 200
4.1.5 RAG在ChatBI場景中的應用 202
4.1.6 RAG面臨的挑戰 203
4.2 RAG核心技術 205
4.2.1 RAG提示詞設計 205
4.2.2 文本切塊與向量化 210
4.2.3 向量數據庫 213
4.2.4 RAG檢索器 216
4.2.5 RAG生成器 218
4.2.6 RAG查詢引擎 221
4.2.7 RAG對話引擎 222
4.2.8 結構化輸出 225
4.3 RAG優化方法 228
4.3.1 召回環節優化 228
4.3.2 RAG框架的優化邏輯 230
4.3.3 召回環節評估 232
4.3.4 模型回答評估 234
4.4 智能體型RAG 236
4.4.1 什麼是智能體型RAG 237
4.4.2 智能體型RAG是如何工作的 237
4.4.3 單智能體型RAG 239
4.4.4 多智能體型RAG 239
4.4.5 層次化智能體型RAG 240
4.4.6 智能體型自糾正RAG 241
4.4.7 自適應智能體型RAG 242
4.4.8 圖基智能體型RAG 242
4.4.9 智能體型文檔工作流 245
4.5 實戰案例2：構建業務知識庫 246
4.5.1 功能說明 246
4.5.2 創建向量數據庫 248
4.5.3 數據分片與導入 249
4.5.4 數據檢索 250
4.5.5 構建RAG智能體 252
4.5.6 RAG使用案例 254
第5章 大語言模型微調：驅動ChatBI個性化與精準洞察 256
5.1 大語言模型微調的基礎概念 257
5.1.1 微調的定義與核心價值 257
5.1.2 預訓練與微調的關系 258
5.1.3 全量微調的基本原理 259
5.2 參數高效微調 262
5.2.1 適配器微調 262
5.2.2 前綴微調 264
5.2.3 提示微調 266
5.2.4 低秩適配技術 267
5.2.5 模型分層凍結策略 269
5.3 多任務學習與持續學習微調 271
5.3.1 多任務學習框架設計 271
5.3.2 持續學習中災難性遺忘的應對策略 273
5.3.3 課程學習與漸進式微調的實現方法 274
5.4 微調中的數據工程 276
5.4.1 小樣本數據增強技術 276
5.4.2 數據毒化防禦機制 278
5.4.3 領域遷移數據選擇策略 278
5.5 分布式微調技術 279
5.5.1 模型並行與數據並行優化 280
5.5.2 混合精度訓練方法 281
5.5.3 梯度壓縮與通信效率提升 282
5.6 微調評估體系 283
5.6.1 傳統評估指標 284
5.6.2 健壯性測試方法 286
5.6.3 領域泛化能力評估 288
5.7 新興微調技術 290
5.7.1 蒸餾—微調協同優化 290
5.7.2 強化學習驅動的微調 291
5.7.3 聯邦學習中的隱私保護微調 293
第6章 對話理解：提升ChatBI的自然交互與上下文感知能力 295
6.1 意圖識別 296
6.1.1 基於LLM的意圖分類 296
6.1.2 智能體輔助的意圖理解 297
6.1.3 復雜場景下的意圖建模 298
6.2 狀態管理 299
6.2.1 對話狀態跟蹤 299
6.2.2 智能體驅動的狀態管理 301
6.2.3 基於權限的沖突預防 302
6.2.4 長短期記憶協同 302
6.2.5 跨會話記憶遷移 304
6.3 語義增強 304
6.3.1 知識圖譜賦能的語義理解 304
6.3.2 LLM預訓練模型的語義擴展 306
6.3.3 智能體在語義增強中的角色 309
6.4 交互優化 311
6.4.1 自然語言生成 311
6.4.2 智能體驅動的用戶體驗設計 312
6.4.3 提示詞與交互策略的協同優化 313
6.5 結構化指令生成 313
6.5.1 技術演進與核心挑戰 314
6.5.2 SQL生成 315
6.5.3 領域語言生成 325
6.5.4 接口調用 331
6.5.5 代碼生成 337
6.6 執行智能體 341
6.6.1 基於LLM的執行智能體架構 341
6.6.2 多智能體協作的任務執行 343
6.6.3 異常處理與容錯機制 345
6.7 實戰案例：構建數據查詢智能體 346
6.7.1 功能說明 346
6.7.2 數據集介紹 347
6.7.3 M-Schema表示方法 348
6.7.4 構建Query智能體 350
6.7.5 智能問數案例 354
第7章 智能分析：賦能ChatBI深度洞察數據，精準驅動業務增長 358
7.1 數據預處理 359
7.1.1 數據清洗與標準化 359
7.1.2 字段映射與語義理解 360
7.1.3 數據轉換與增強 361
7.1.4 動態數據更新 363
7.1.5 上下文感知預處理 364
7.2 相關性分析 365
7.2.1 特征選擇與降維 366
7.2.2 關聯規則挖掘 367
7.2.3 多維數據關聯 368
7.2.4 因果推斷 369
7.2.5 實時相關性計算 370
7.3 異常檢測 371
7.3.1 統計方法 371
7.3.2 基於LLM的規則推理 372
7.3.3 動態閾值調整 373
7.3.4 異常模式庫構建 374
7.3.5 用戶反饋閉環 375
7.4 智能歸因 376
7.4.1 貢獻度分解 377
7.4.2 影響因素識別 377
7.4.3 歸因路徑分析 378
7.4.4 歸因模型訓練 379
7.4.5 交互式歸因 380
7.5 預測分析 380
7.5.1 時間序列預測 381
7.5.2 模型動態選擇 382
7.5.3 實時預測與預警 383
7.5.4 預測結果解釋 384
7.6 模式識別 385
7.6.1 聚類分析 385
7.6.2 序列模式挖掘 386
7.6.3 模式庫動態更新 388
7.6.4 語義模式匹配 389
7.6.5 模式推薦 390
7.7 數據可視化 390
7.7.1 智能圖表推薦 391
7.7.2 動態數據渲染 393
7.7.3 交互式探索 396
7.7.4 可視化模板適配 398
7.7.5 知識增強圖表 400
7.8 復雜計算 402
7.8.1 SQL生成與優化 402
7.8.2 分布式計算 404
7.8.3 資源動態調度 406
7.8.4 計算準確性驗證 409
7.9 實戰案例：構建數據可視化智能體 411
7.9.1 功能說明 411
7.9.2 Pygal庫介紹 412
7.9.3 構建數據可視化智能體 414
7.9.4 智能問數案例 418
第8章 用戶交互：打造ChatBI的無縫體驗與高效溝通 421
8.1 應用形態多樣化 422
8.1.1 跨平臺適配與終端兼容 422
8.1.2 界面動態配置能力 424
8.1.3 多模態交互入口設計 425
8.1.4 智能客服與主動服務集成 426
8.1.5 安全與權限分級控制 428
8.2 功能交互設計 429
8.2.1 多模態交互支持 429
8.2.2 數據協作 430
8.2.3 客服支持 432
8.2.4 交互安全性設計 433
8.3 體驗優化策略 434
8.3.1 問答體驗優化 435
8.3.2 用戶反饋與持續優化 436
8.3.3 個性化交互設計 438
