


作者:[美] 瓦伦蒂娜·阿尔托(Valentina Alto) 著 郭涛 译
定价:98元
印次:1-2
ISBN:9787302682905
出版日期:2025.03.01
印刷日期:2026.09.16
图书责编:王军
图书分类:零售
"《大模型Agent应用开发》深入探讨了LLM的核心概念、前沿技术和实际应用,最终为扩展AI能力边界的大型基础模型(Large Foundation Models,LFM)的崛起铺平道路。 本书开篇详细介绍了LLM的基本原理,随后探讨了多种主流架构框架,既涵盖专有模型(如GPT-3.5/4),也分析开源模型(如Falcon LLM)的独特优势与差异。接下来,我们以基于Python的轻量级框架LangChain为核心,引导读者逐步构建智能体。这些智能体能够从非结构化数据中提取信息,并利用LLM和强大工具包与结构化数据交互。此外,本书还将深入探索LFM领域——该类模型融合了视觉、音频等多态能力,可以覆盖更广泛的AI任务。 无论你是经验丰富的AI专家,还是初入该领域的新人,本书都将为你提供解锁LLM全部潜力的路线图,助力开创智能机器的新纪元。"
"Valentina Alto是一名人工智能爱好者、技术文献作者和跑步健将。在拿到数据科学硕士学位后,她于2020年加入微软,目前担任人工智能专家。Valentina从求学之初就对机器学习和人工智能充满热情,她不断加深对这一领域的了解,并在科技博客上发表了数百篇文章。她与Packt合作撰写了第一本书,名为Modern Generative AI with ChatGPT and OpenAI Models。在目前的工作中,她与大型企业合作,旨在将人工智能整合到企业业务中,并利用大型基础模型开发创新解决方案。除了职业追求,Valentina还热爱徒步于意大利美丽的山川之间,喜欢跑步、旅行,并乐于手捧好书,品一杯香浓的咖啡。"
译者简介 郭涛,主要从事人工智能、智能计算、概率与统计学、现代软件工程等前沿交叉技术研究。出版过多部译作,包括《Python 预训练视觉和大语言模型》《OpenAI API 编程实践(Java版)》和《LangChain大模型应用开发》。 译 者 序 在当今科技飞速发展的时代,人工智能(Artificial Intelligence,AI)已成为推动变革的核心力量,尤其是在自然语言处理(Natural Language Processing,NLP)领域,大规模语言模型(Large Language Model,LLM)的兴起引发了前所未有的突破。这些模型通过处理海量数据,掌握了语言的复杂结构及其细微差别,从而能够生成逼真的文本并回答问题,甚至进行创造性的写作。本书围绕这一前沿技术展开讨论,为读者提供了深入理解和应用大规模语言模型的详尽指南。 1. 大规模语言模型的时代 近年来,大规模语言模型重新定义了人工智能存在的可能性。这些模型不仅是技术上的飞跃,更重要的是它们对各类应用产生了深远影响。从智能助手、自动化内容生成,到代码生成和数据分析,大规模语言模型已成为推动这些领域发展的关键力量。 本书的第Ⅰ部分详细介绍了大规模语言模型的基本概念和历史背景,以帮助读者了解大规模语言模型与传统机器学习模型的区别,并深入探讨了目前最流行的大规模语言模型架构。这一部分为读者奠定了理解大规模语言模型的坚实理论基础,能帮助读者更好地把握这项技术的精髓及其在人工智能领域的重要地位。 2. 从理论到实践:大规模语言模型的应用 大规模语言模型的强大...
第1章 大规模语言模型简介 1
1.1 大型基础模型和大规模语言模型定义 2
1.1.1 人工智能范式转变——基础模型简介 2
1.1.2 大规模语言模型简介 5
1.2 最流行的基于transformer架构的大规模语言模型 10
1.2.1 早期实验 11
1.2.2 transformer架构 11
1.3 训练和评估大规模语言模型 16
1.3.1 训练大规模语言模型 16
1.3.2 模型评估 19
1.4 基础模型与定制模型 21
1.5 小结 23
1.6 参考文献 23
第2章 面向人工智能应用的大规模语言模型 25
2.1 大规模语言模型如何改变软件开发 25
2.2 Copilot系统 26
2.3 引入人工智能编排器,将大规模语言模型嵌入应用程序 30
2.3.1 人工智能编排器的主要组成部分 31
2.3.2 LangChain 33
2.3.3 Haystack 35
2.3.4 语义内核 36
2.3.5 如何选择框架 38
2.4 小结 39
2.5 参考文献 40
第3章 为应用选择大规模语言模型 41
3.1 市场上最有前途的大规模语言模型 41
3.1.1 专有模型 42
3.1.2 开源模型 51
3.2 语言模型之外 56
3.3 选择正确大规模语言模型的决策框架 60
3.3.1 考虑因素 60
3.3.2 案例研究 62
3.... 查看详情
•探索LLM架构的核心组件,包括编码器-解码器模块与嵌入模块
•理解GPT-3.5/4、Llama 2和Falcon LLM等大模型的独特功能
•使用LangChain等AI编排器,结合Streamlit构建前端
•熟悉LLM组件(如记忆模块、提示工程与工具链)
•掌握非参数化知识与向量数据库的应用
•洞察LFM对AI研究与行业应用的深远影响
•通过微调定制专属LLM
•了解LLM应用背后的伦理挑战"

