目录

第 1 章 大模型入门 1

1.1 人工智能发展历程 1

1.2 大模型崛起 3

1.2.1 大模型的技术概念 3

1.2.2 大模型诞生 5

1.2.3 迭代优化 6

1.3 新的产品形态 8

1.3.1 个性化与定制化 9

1.3.2 跨模态交互 10

1.3.3 任务处理 11

1.3.4 决策智能化 12

1.4 大模型产品分析 12

1.4.1 市场头部模型综述 12

1.4.2 发展概况 13

1.4.3 模型分类 14

1.4.4 市场情况 16

1.4.5 国内大模型介绍 18 

1.5 大模型产品设计 27

1.5.1 大模型应用场景概述 27

1.5.2 大模型的部署及落地 29

1.5.3 大模型入门产品设计 30

1.6 风险与挑战 33

1.6.1 技术角度 33

1.6.2 伦理角度 36

第 2 章 大模型在智能文档中的应用 38

2.1 基于大模型的表格推理 38

2.1.1 任务介绍 38

2.1.2 技术方案 40

2.1.3 实际应用 50

2.1.4 小结 51

2.2 智能文本摘要 52

2.2.1 介绍 52

2.2.2 数据处理 52

2.2.3 技术方案 53

2.3 基于大模型的文本纠错技术 60

2.3.1 中文文本纠错的背景介绍 61

2.3.2 中文文本纠错的基本框架介绍 63

2.3.3 文本纠错技术处理难点与技术挑战 80

第 3 章 大模型在协同办公领域应用 82

3.1 办公领域的大模型设计 82

3.1.1 办公领域的场景概览 82

3.1.2 办公领域的挑战 83

3.1.3 办公领域的未来方向 84

3.1.4 小结 86

3.2 办公领域的任务指令 87

3.2.1 整体技术架构 87

3.2.2 业务数据处理 90

3.2.3 意图识别 94

3.2.4 槽位提取 104

3.3 基于大模型的公文写作 112

3.3.1 通用模型写作 112

3.3.2 大模型挂载外部知识库 114

3.3.3 公文大模型微调 117

3.3.4 基于思维链的写作 120

3.3.5 小结 123

第 4 章 大模型在对话系统上应用 124

4.1 对话系统介绍 124

4.1.1 任务式对话 125

4.1.2 问答式对话 130

4.1.3 闲聊式对话 133

4.1.4 小结 135

4.2 基于 RAG 的智能问答系统 135

4.2.1 基于 RAG 的智能问答技术架构 138

4.2.2 文档解析 146

4.2.3 文本分块 148

4.2.4 向量化 160

4.2.5 检索 164

4.2.6 RAG 技术的演进 165

4.2.7 RAG 性能优化 169

4.2.8 使用知识图谱增强 RAG 186

4.2.9 RAG 效果评估 190

4.2.10 智能体 193

4.2.11 开源方案 195

4.2.12 展望 198

第 5 章 AI 硬件加速 200

5.1 GPU AI 计算加速 200

5.1.1 GPU 的工作原理 201

5.1.2 GPU AI 加速原理 205

5.1.3 NVIDIA GPU 硬件架构 210

5.1.4 CUDA 计算框架 213

5.1.5 NVIDA GPU 发展 216

5.2 大模型推理 219

5.2.1 大模型压缩技术 220

5.2.2 大模型推理框架 224

5.2.3 大模型推理算法 229

5.2.4 大模型推理部署的案例 234

5.3 大模型分布式训练 237

5.3.1 大模型分布式训练简介 237

5.3.2 大模型分布式训练的必要性 238

5.3.3 大模型分布式训练并行技术 238

5.3.4 如何便捷地进行分布式训练 241

5.3.5 案例分享 242

第 6 章 AI 智能体和大模型未来发展 247

6.1 智能体入门 247

6.2 基于大模型的智能体 251

6.2.1 单智能体 251

6.2.2 多智能体系统 262

6.3 智能体的潜在应用 267

6.3.1 自然科学 267

6.3.2 社会科学 270

6.3.3 经济学 271

6.3.4 医学 273

6.3.5 计算机科学 273

6.3.6 机器人 276

6.4 落地案例 277

6.4.1 系统填报助手 277

6.4.2 算法与场景编排助手 279

6.5 小结 281