大模型 Agent 應用開發
[美] 瓦倫蒂娜·阿爾托（Valentina Alto） 著 郭濤 譯
- 出版商: 清華大學
- 出版日期: 2025-03-01
- 定價: $588
- 售價: 7.9 折 $464 (限時優惠至 2026-03-28)
- 語言: 簡體中文
- ISBN: 7302682909
- ISBN-13: 9787302682905
-
相關分類:
LangChain
- 此書翻譯自: Building LLM Powered Applications: Create intelligent apps and agents with large language models
立即出貨
買這商品的人也買了...
-
$700Professional Scrum Development with Microsoft Visual Studio 2012 (Paperback) -
Raspberry Pi 超炫專案與完全實戰, 2/e$580$458 -
Unity 3D 遊戲設計實戰, 2/e (適用Unity 5.X)$620$489 -
深度學習快速入門 — 使用 TensorFlow (Getting started with TensorFlow)$360$280 -
職業駭客的修練 ─ 指標實務篇 : 從門外漢到職業駭客的最短路程,收錄作者心得$490$382 -
$958深度學習 -
我懂了！專案管理 (暢銷紀念版)$400$316 -
$2,185Learning Blazor: Build Single-Page Apps with Webassembly and C# (Paperback) -
ASP.NET Core Razor Pages in Action (Paperback)$2,160$2,052 -
超圖解 ESP32 應用實作$820$647 -
$862計算攝影成像模型理論與深度學實踐 -
無瑕的程式碼 軟體工匠篇：程式設計師必須做到的紀律、標準與倫理 (Clean Craftsmanship: Disciplines, Standards, and Ethics)$720$561 -
多 Agent 智慧體 - LangChain 大型 ReAct 系統開發$880$695 -
$708基於大模型的 RAG 應用開發與優化 — 構建企業級 LLM 應用 -
$505大模型 RAG 實戰：RAG 原理、應用與系統構建 -
LangChain 實戰派：大語言模型 + LangChain + 向量數據庫$534$507 -
LLM 原理完整回顧 - 大型語言模型整體脈絡最詳細剖析$1,080$853 -
讓 AI 好好說話！從頭打造 LLM (大型語言模型) 實戰秘笈$680$537 -
開源閉源 LLM 應用 - 從微調到 RAG、Agent 完整開發實作$880$695 -
AD 域攻防權威指南$774$735 -
從源頭就優化 - 動手開發自己的編譯器實戰$880$695 -
$606向量數據庫：大模型驅動的智能檢索與應用 -
$601知識增強大模型 -
UX 商業價值實現之道｜打造成功的數位產品服務 (UX for Business: How to Design Valuable Digital Companies)$780$616 -
建構可擴展系統｜設計分散式架構 (Foundations of Scalable Systems: Designing Distributed Architectures)$780$616
LLM 大語言模型 詳見活動內容 »
-
78折
零基礎玩轉 LLM 應用全攻略：Python × No-Code 實作 AI 開發超簡單（iThome鐵人賽系列書）$690$538 -
79折
大型語言模型應用實戰：從 Prompt Engineering 到 Agentic RAG 與 MCP$790$624 -
78折
大模型時代：從 ChatGPT 一枝獨秀到全面開戰的 AI 賽局$500$390 -
79折
業界實戰親授 - 大型語言模型微調、最佳化、佈署一次到位$980$774 -
79折
深度學習最佳入門與專題實戰：自然語言處理、大型語言模型與強化學習篇$880$695 -
79折
AIGC 大型語言模型 - 個人應用到企業實戰立刻上手$780$616 -
79折
讓 LLM 飛起來的工具使用 - AI Agent MCP 協議開發、標準、應用$790$624 -
79折
AI Agent 手刻首選 - 使用 LangChain 親手實作 LLM 大型商業專案$880$695 -
79折
LLMOps 打造穩定運行的大型語言模型系統 (LLMOps: Managing Large Language Models in Production)$620$489 -
79折
實用 DeepSeek 技術 - 開發真正可用的 LLM 應用程式$880$695 -
78折
AI 程式設計、深度學習與 LLM 入門到精通：PyTorch × GPT × Transformer × LLaMA 實作指南（iThome鐵人賽系列書）$650$507 -
79折
LLM 工程師開發手冊 (LLM Engineer's Handbook: Master the art of engineering large language models from concept to production)$1,250$987 -
79折
AI Agent 智能工作流：設計與自動化全實戰$760$600 -
79折
不再是 ChatBot - 最新 AI Agent 代理建構$880$695 -
79折
最新 AI 開發範式 - Agent 多重智慧體自動產生應用$680$537 -
79折
LangChain 開發手冊 -- OpenAI × LCEL 表達式 × Agent 自動化流程 × RAG 擴展模型知識 × 圖形資料庫 × LangSmith 除錯工具$680$537 -
79折
LLM 提示工程技術｜打造兼具藝術與科學的高效應用 (Prompt Engineering for LLMs: The Art and Science of Building Large Language Model-Based Applications)$620$489 -
79折
LLM 語意理解與生成技術完全開發 (Hands-On Large Language Models)$980$774 -
79折
LLM × 網路爬蟲終極實戰：n8n 串接資料爬取 × Qdrant × RAG 打造本機 AI Agent$980$774 -
79折
LangChain 學習手冊｜使用 LangChain 與 LangGraph 建構 AI 與 LLM 應用程式 (Learning LangChain: Building AI and LLM Applications with LangChain and LangGraph)$680$537 -
79折
Node.js 與 LLM 原理與實務：AI 應用程式開發$780$616 -
79折
知道你的下一筆訂單 - 使用 LLM$980$774 -
79折
更少 GPU 卻更強 - LLM 輕量化壓縮及加速訓練$980$774 -
79折
AI Agent 自動化流程超 Easy -- 不寫程式 No Code 聰明完成樣樣事$750$592 -
VIP 95折
AI傳媒學：大模型助力傳媒行業應用與創新$588$558
相關主題
商品描述
"《大模型Agent應用開發》深入探討了LLM的核心概念、前沿技術和實際應用，最終為擴展AI能力邊界的大型基礎模型(Large Foundation Models，LFM)的崛起鋪平道路。 本書開篇詳細介紹了LLM的基本原理，隨後探討了多種主流架構框架，既涵蓋專有模型(如GPT-3.5/4)，也分析開源模型(如Falcon LLM)的獨特優勢與差異。接下來，我們以基於Python的輕量級框架LangChain為核心，引導讀者逐步構建智能體。這些智能體能夠從非結構化數據中提取信息，並利用LLM和強大工具包與結構化數據交互。此外，本書還將深入探索LFM領域——該類模型融合了視覺、音頻等多態能力，可以覆蓋更廣泛的AI任務。 無論你是經驗豐富的AI專家，還是初入該領域的新人，本書都將為你提供解鎖LLM全部潛力的路線圖，助力開創智能機器的新紀元。"
目錄大綱
目 錄
第1章 大規模語言模型簡介 1
1.1 大型基礎模型和大規模語言模型定義 2
1.1.1 人工智能範式轉變——基礎模型簡介 2
1.1.2 大規模語言模型簡介 5
1.2 最流行的基於transformer架構的大規模語言模型 10
1.2.1 早期實驗 11
1.2.2 transformer架構 11
1.3 訓練和評估大規模語言模型 16
1.3.1 訓練大規模語言模型 16
1.3.2 模型評估 19
1.4 基礎模型與定製模型 21
1.5 小結 23
1.6 參考文獻 23
第2章 面向人工智能應用的大規模語言模型 25
2.1 大規模語言模型如何改變軟件開發 25
2.2 Copilot系統 26
2.3 引入人工智能編排器，將大規模語言模型嵌入應用程序 30
2.3.1 人工智能編排器的主要組成部分 31
2.3.2 LangChain 33
2.3.3 Haystack 35
2.3.4 語義內核 36
2.3.5 如何選擇框架 38
2.4 小結 39
2.5 參考文獻 40
第3章 為應用選擇大規模語言模型 41
3.1 市場上最有前途的大規模語言模型 41
3.1.1 專有模型 42
3.1.2 開源模型 51
3.2 語言模型之外 56
3.3 選擇正確大規模語言模型的決策框架 60
3.3.1 考慮因素 60
3.3.2 案例研究 62
3.4 小結 63
3.5 參考文獻 63
第4章 提示工程 65
4.1 技術要求 65
4.2 提示工程的定義 66
4.3 提示工程原則 66
4.3.1 明確的指令 66
4.3.2 將復雜任務劃分為子任務 69
4.3.3 詢問理由 71
4.3.4 生成多個輸出，然後使用模型挑選最佳輸出 73
4.3.5 結尾處的重復指令 74
4.3.6 使用分隔符 76
4.4 高級技術 78
4.4.1 少樣本方法 78
4.4.2 思維鏈 81
4.4.3 ReAct 83
4.5 小結 86
4.6 參考文獻 87
第5章 在應用程序中嵌入大規模語言模型 88
5.1 技術要求 88
5.2 LangChain的簡要說明 89
5.3 開始使用LangChain 90
5.3.1 模型和提示 91
5.3.2 數據連接 93
5.3.3 記憶 99
5.3.4 鏈 101
5.3.5 智能體 105
5.4 通過Hugging Face Hub使用大規模語言模型 107
5.4.1 創建Hugging Face用戶訪問令牌 107
5.4.2 在.env文件中存儲密鑰 110
5.4.3 啟用開源大規模語言模型 110
5.5 小結 112
5.6 參考文獻 112
第6章 構建會話應用程序 113
6.1 技術要求 113
6.2 會話應用程序入門 114
6.2.1 創建普通機器人 114
6.2.2 添加記憶 116
6.2.3 添加非參數知識 119
6.2.4 添加外部工具 122
6.3 使用Streamlit開發前端 125
6.4 小結 129
6.5 參考文獻 129
第7章 使用大規模語言模型的搜索引擎和推薦引擎 130
7.1 技術要求 130
7.2 推薦系統簡介 131
7.3 現有推薦系統 132
7.3.1 K最近鄰 132
7.3.2 矩陣因式分解 133
7.3.3 神經網絡 136
7.4 大規模語言模型如何改變推薦系統 138
7.5 實現由大規模語言模型驅動的推薦系統 139
7.5.1 數據預處理 140
7.5.2 在冷啟動場景中構建QA推薦聊天機器人 143
7.5.3 構建基於內容的推薦系統 149
7.6 使用Streamlit開發前端 153
7.7 小結 156
7.8 參考文獻 156
第8章 使用結構化數據的大規模語言模型 157
8.1 技術要求 157
8.2 結構化數據的定義 158
8.3 關系數據庫入門 159
8.3.1 關系數據庫簡介 160
8.3.2 Chinook數據庫概述 161
8.3.3 如何在Python中使用關系數據庫 162
8.4 使用LangChain實現DBCopilot 166
8.4.1 LangChain智能體和SQL智能體 167
8.4.2 提示工程 170
8.4.3 添加更多工具 173
8.5 使用Streamlit開發前端 176
8.6 小結 179
8.7 參考文獻 180
第9章 使用大規模語言模型生成代碼 181
9.1 技術要求 181
9.2 為代碼選擇合適的大規模語言模型 182
9.3 代碼理解和生成 183
9.3.1 Falcon LLM 184
9.3.2 CodeLlama 187
9.3.3 StarCoder 190
9.4 像算法一樣行動 194
9.5 利用代碼解釋器 200
9.6 小結 206
9.7 參考文獻 206
第10章 使用大規模語言模型構建多模態應用 208
10.1 技術要求 208
10.2 為什麼是多模態 209
10.3 使用LangChain構建多模態智能體 211
10.4 方案1：使用Azure AI服務的開箱即用工具包 211
10.5 方案2：將單一工具整合到一個智能體中 225
10.5.1 YouTube工具和Whisper 225
10.5.2 DALL-E和文本生成 227
10.5.3 將所有工具整合在一起 229
10.6 方案3：使用序列鏈的硬編碼方法 233
10.7 三種方案的比較 236
10.8 使用Streamlit開發前端 237
10.9 小結 239
10.10 參考文獻 239
第11章 微調大規模語言模型 240
11.1 技術要求 241
11.2 微調定義 241
11.3 何時微調 244
11.4 開始微調 245
11.4.1 獲取數據集 245
11.4.2 詞元化數據 246
11.4.3 微調模型 249
11.4.4 使用評估指標 250
11.4.5 訓練和保存 253
11.5 小結 256
11.6 參考文獻 257
第12章 負責任的人工智能 258
12.1 什麼是負責任的人工智能，為什麼需要它 258
12.2 負責任的人工智能架構 260
12.2.1 模型層 260
12.2.2 元提示層 263
12.2.3 用戶界面層 264
12.3 有關負責任的人工智能的法規 267
12.4 小結 268
12.5 參考文獻 269
第13章 新興趨勢和創新 270
13.1 語言模型和生成式人工智能的最新發展趨勢 270
13.1.1 GPT-4V 271
13.1.2 DALL-E 3 272
13.1.3 AutoGen 273
13.1.4 小型語言模型 274
13.2 擁抱生成式人工智能技術的公司 275
13.2.1 Coca-Cola 275
13.2.2 Notion 275
13.2.3 Malbek 276
13.2.4 微軟 277
13.3 小結 278
13.4 參考文獻 279
