目    录

第1章　什么是生成式人工智能   1

1.1  生成式人工智能简介   1

1.1.1  什么是生成式模型   4

1.1.2  为什么是现在   5

1.2  了解大规模语言模型   6

1.2.1　GPT模型是如何工作的   7

1.2.2　GPT模型是如何发展的   12

1.2.3　如何使用大规模语言模型  17

1.3  什么是文本到图像模型   18

1.4  人工智能在其他领域的作用  22

1.5  小结   23

1.6  问题   23

第2章　面向大规模语言模型应用程序：LangChain   25

2.1  超越随机鹦鹉   25

2.1.1  大规模语言模型的局限性  27

2.1.2  如何减少大规模语言模型的局限性   27

2.1.3  什么是大规模语言模型应用程序   28

2.2  LangChain简介   30

2.3  探索LangChain的关键组件   33

2.3.1  链   33

2.3.2  智能体   34

2.3.3  记忆   35

2.3.4  工具   36

2.4  LangChain如何工作   38

2.5  LangChain软件包结构   40

2.6  LangChain与其他框架的比较   41

2.7  小结   43

2.8  问题   44

第3章　LangChain入门   45

3.1  如何为本书设置依赖   46

3.2  探索API模型集成   49

3.2.1  环境设置和API密钥   50

3.2.2  OpenAI   51

3.2.3  Hugging Face   52

3.2.4  谷歌云平台   53

3.3  大规模语言模型交互基石   54

3.3.1  大规模语言模型   54

3.3.2  模拟大规模语言模型   55

3.3.3  聊天模型   56

3.3.4  提示   57

3.3.5  链   59

3.3.6  LangChain表达式语言   60

3.3.7  文本到图像   61

3.3.8  Dall-E   61

3.3.9  Replicate   63

3.3.10  图像理解   64

3.4  运行本地模型   65

3.4.1  Hugging Face transformers   66

3.4.2  llama.cpp   68

3.4.3  GPT4All   69

3.5  构建客户服务应用程序   70

3.5.1  情感分析   70

3.5.2  文本分类   71

3.5.3  生成摘要   72

3.5.4  应用map-reduce   73

3.5.5  监控词元使用情况   76

3.6  小结   77

3.7  问题   77

第4章　构建得力助手   79

4.1  使用工具回答问题   80

4.1.1  工具使用   80

4.1.2  定义自定义工具   81

4.1.3  工具装饰器   82

4.1.4  子类化BaseTool   82

4.1.5  StructuredTool数据类   83

4.1.6  错误处理   84

4.2  使用工具实现研究助手   85

4.3  探索推理策略   89

4.4  从文件中提取结构化信息   95

4.5  通过事实核查减少幻觉   100

4.6  小结   102

4.7  问题   102

第5章　构建类似ChatGPT的聊天机器人   103

5.1  什么是聊天机器人   104

5.2  从向量到RAG   105

5.2.1  向量嵌入   106

5.2.2  在LangChain中的嵌入   107

5.2.3  向量存储   109

5.2.4  向量索引   110

5.2.5  向量库   111

5.2.6  向量数据库   112

5.2.7  文档加载器   117

5.2.8  LangChain中的检索器   118

5.3  使用检索器实现聊天机器人   120

5.3.1  文档加载器   121

5.3.2  向量存储   122

5.3.3  对话记忆：保留上下文   125

5.4  调节响应   130

5.5  防护   131

5.6  小结   132

5.7  问题   132

第6章　利用生成式人工智能开发软件   133

6.1  软件开发与人工智能   134

6.2  使用大规模语言模型编写代码   138

6.2.1  Vertex AI   138

6.2.2  StarCoder   139

6.2.3  StarChat   143

6.2.4  Llama 2   144

6.2.5　小型本地模型   145

6.3  自动化软件开发   147

6.3.1  实现反馈回路   149

6.3.2  使用工具   152

6.3.3  错误处理   154

6.3.4  为开发人员做最后的润色   155

6.4  小结   157

6.5  问题   157

第7章　用于数据科学的大规模语言模型   159

7.1  生成式模型对数据科学的影响   160

7.2  自动化数据科学   162

7.2.1  数据收集   163

7.2.2  可视化和EDA   164

7.2.3  预处理和特征提取   164

7.2.4  AutoML   164

7.3  使用智能体回答数据科学的问题   166

7.4  使用大规模语言模型进行数据探索   169

7.5  小结   173

7.6  问题   173

第8章　定制大规模语言模型及其输出   175

8.1　调节大规模语言模型   176

8.2  微调   180

8.2.1  微调设置   181

8.2.2  开源模型   184

8.2.3  商业模型   187

8.3  提示工程   188

8.3.1  提示技术   190

8.3.2  思维链提示   192

8.3.3  自一致性   193

8.3.4  思维树   195

8.4  小结   198

8.5  问题   198

第9章　生产中的生成式人工智能   199

9.1  如何让大规模语言模型应用程序做好生产准备   200

9.2  如何评估大规模语言模型应用程序   202

9.2.1  比较两个输出   204

9.2.2  根据标准进行比较   205

9.2.3　字符串和语义比较   206

9.2.4　根据数据集进行评估   207

9.3  如何部署大规模语言模型应用程序   211

9.3.1　FastAPI Web服务   213

9.3.2  Ray   216

9.4  如何观察大规模语言模型应用程序   219

9.4.1  跟踪响应   221

9.4.2  可观察性工具   223

9.4.3  LangSmith   224

9.4.4  PromptWatch   225

9.5  小结   227

9.6  问题   227

第10章　生成式模型的未来   229

10.1  生成式人工智能的现状   229

10.1.1  挑战   230

10.1.2  模型开发的趋势   231

10.1.3  大科技公司与小企业   234

10.1.4  通用人工智能   235

10.2  经济后果   236

10.2.1  创意产业   238

10.2.2  教育   239

10.2.3  法律   239

10.2.4  制造业   239

10.2.5  医学   240

10.2.6  军事   240

10.3  社会影响   240

10.3.1  虚假信息与网络安全   241

10.3.2  法规和实施挑战   241

10.4  未来之路   243