商品描述
本書以“實操”為導向，以“最少必要知識”為原則，既系統覆蓋AI核心技術，又以易於理解的“智慧消防”為案例，兼顧理論框架完整性與實操落地的可行性，讓讀者既能夯實基礎知識，又能快速動手構建實用的智能體。無論讀者是想夯實AI基礎知識、轉型AI相關領域，還是想快速實現智能體項目落地，本書都能提供清晰的學習路徑與實用的技術支持，是零基礎讀者進入智能體開發領域的優選入門指南。
作者簡介
馮立超 高級工程師，高級程序員，微軟最有價值專家（MVP），微軟金牌認證講師（GMCT），上海市消防協會智慧消防分會副會長，上海市軟件行業協會理事，上海騰盛智能安全科技股份有限公司研發總監，深耕人工智能、智慧安防、智慧消防領域的創新研發，兼具一線工程落地經驗與技術科普寫作經驗。出版圖書《中國IT服務管理指南》《用Microsoft Project 2007構建企業項目管理信息系統》《Jupyter入門與實戰》等。
目錄大綱
第1章 快速上手Jupyter和Python：智能體開發的入門工具
1.1 智能體在AI技術版圖中的定位
1.2 智能體開發工具：Python及Jupyter
1.2.1 為什麼選擇Python和Jupyter
1.2.2 核心工具快速上手：計算機視覺初體驗
1.3 知識拓展
第2章 基於規則的決策方法
2.1 早期決策邏輯：從“條件—動作”規則起步
2.1.1 技術本質與核心特征
2.1.2 適用場景與技術邊界
2.2 實戰1：基於顏色規則的火焰識別（智慧消防場景）
2.2.1 場景需求與規則設計
2.2.2 使用OpenCV實現基於顏色規則的火焰識別
2.3 實戰2：基於路徑規則的蟻群算法（物流與應急場景）
2.3.1 需求拆解與規則設計
2.3.2 使用Python模擬蟻群算法規劃路徑
2.4 早期決策方法的局限與進階方向
2.4.1 基於規則決策方法的局限分析
2.4.2 進階方向：超越簡單的“0/1”規則
2.5 知識拓展
第3章 機器學習：讓智能體從數據中“歸納規則”
3.1 機器學習賦能智能體：突破基於規則決策的局限
3.2 實戰1：結構化數據入門——汽車油耗預測
3.2.1 背景概述
3.2.2 汽車油耗預測
3.3 實戰2：實現火災圖像分類模型
3.3.1 背景概述
3.3.2 機器學習算法實現火災識別
3.4 知識拓展
3.4.1 傳統機器學習縱覽
3.4.2 數據標準化與歸一化：提升模型性能的關鍵預處理
3.4.3 更多機器學習模型探索
第4章 深度學習：助力智能體學習覆雜特征
4.1 深度學習價值：突破傳統機器學習的瓶頸
4.2 PyTorch入門
4.2.1 PyTorch簡介
4.2.2 核心概念1：張量——智能體的“數據容器”
4.2.3 核心概念2：卷積神經網絡——智能體的圖像特征提取器
4.2.4 補充說明：CNN的訓練本質、核心機制與預測邏輯
4.3 實戰：基於CNN的火災圖像識別全流程
4.3.1 數據集準備與環境配置
4.3.2 數據加載與預處理
4.3.3 覆用並優化FireCNN模型
4.3.4 模型訓練
4.3.5 訓練效果可視化與模型預測
4.3.6 模型部署
4.4 知識拓展
4.4.1 PyTorch進階：NPU適配與模型量化
4.4.2 輕量級CNN的NPU量化適配
第5章 YOLO目標檢測：讓智能體實現精準定位
5.1 YOLO簡介
5.1.1 YOLO的定義
5.1.2 YOLO的核心特點
5.1.3 YOLO對智能體的核心價值
5.2 YOLO工作原理：從圖像到定位的完整流程
5.2.1 核心流程：一次前向傳播實現“識別+定位”
5.2.2 三段式“協作流水線”
5.3 實戰：運用YOLO進行目標檢測與定位
5.3.1 環境配置與依賴安裝
5.3.2 加載預訓練模型，快速實現單圖目標檢測
5.3.3 使用攝像頭進行實時目標檢測
5.4 訓練火災檢測模型
5.4.1 YOLO的數據標註
5.4.2 對YOLO預訓練模型進行微調
5.4.3 驗證訓練後模型效果
5.5 知識拓展
5.5.1 主流場景的YOLO場景化改進
5.5.2 其他目標檢測算法
5.5.3 相關前沿技術
第6章 Prompt工程：開啟與智能體的高效對話
6.1 大語言模型：智能體的自然語言交互
6.2 Prompt基礎：與大語言模型溝通的“語言邏輯”
6.2.1 Prompt的定義與作用
6.2.2 Prompt的基本構成
6.3 設計有效Prompt的關鍵原則
6.3.1 清晰：避免歧義，精準傳達
6.3.2 完整：補充必要信息，避免信息缺口
6.3.3 簡潔：去除冗餘，聚焦核心
6.3.4 引導性：通過示例降低理解成本
6.4 實戰：覆蓋智能體核心應用場景的Prompt設計
6.4.1 案例1：文本生成
6.4.2 案例2：信息提取
6.4.3 案例3：邏輯推理
6.5 Prompt優化技巧
6.5.1 強化關鍵詞，聚焦核心需求
6.5.2 運用思維鏈（CoT）引導覆雜推理
6.5.3 多輪對話動態調整，適配上下文
6.5.4 加入格式校驗，確保輸出可用
6.5.5 限定角色與應用場景，提升專業性
6.6 知識拓展
6.6.1 不同大語言模型的Prompt適配差異
6.6.2 自動化Prompt生成工具
第7章 大語言模型與RAG：智能體的知識增強與靈活應用
7.1 大語言模型的變革性價值：解決場景適配難題
7.2 模型預訓練與微調
7.2.1 預訓練：模型的“通用知識儲備”
7.2.2 微調：讓模型適配具體場景
7.2.3 實操：Hugging Face加載預訓練模型
7.3 RAG集成：讓智能體具備知識檢索能力
7.3.1 RAG的基本概念與核心邏輯
7.3.2 用LangChain構建火災應急手冊知識庫
7.4 實戰：模型微調+RAG升級煙火識別系統
7.4.1 模型微調實現場景適配
7.4.2 微調後的模型+RAG協同決策效果測試
7.5 知識拓展
7.5.1 使用LangChain調用本地DeepSeek
7.5.2 使用API調用豆包
7.5.3 技術整合與學習展望
第8章 多模態感知融合：多維度信息融合提升智能體決策可靠性
8.1 單一視覺感知的局限
8.2 物理特征選擇與多維度信息融合
8.2.1 核心物理特征選擇
8.2.2 多維度信息融合
8.3 實戰1：多源
