新書推薦：
《
无用知识的有用性（科学的进步，在于人类不断探寻“山的另一侧”的风景）
》
售價：HK$
194
《
量价狙击：精准捕捉股市机会（新时代·投资新趋势）
》
售價：HK$
403
《
企业可持续发展/ESG工作实用手册
》
售價：HK$
235
《
HR数智化转型：人机协同与共生
》
售價：HK$
367
《
范怨武讲透中医基础理论（全2册，中医临床医生范怨武历经四年精心创作）
》
售價：HK$
551
《
四海资身笔一枝：唐寅的书画人生【全球33家顶级机构珍藏，全景展现“江南第一风流才子”的艺术世界】
》
售價：HK$
857
《
50岁后的家庭生活：中老年人的日常活动、家务劳动与孩童照料
》
售價：HK$
653
《
《正义论》导读 壹卷Yebook 理解《正义论》关于哲学、科学、社会、历史和人类未来的批判性思考
》
售價：HK$
418
|
| 編輯推薦： |
|
（1）作者很专业。鲍亮是西安电子科技大学教授，博士生导师，中国计算机学会高级会员。李倩是西安交通大学博士，西安交通大学教授，博士生导师。（2）内容很实用。面向大模型应用开发的实践者和研究者，针对大模型应用开发构建方法、过程、工具和案例进行介绍。（3）案例可借鉴。围绕法律咨询智能助手和代码修复智能助手两个开发案例，介绍具体项目的需求分析、系统架构、关键技术与实现方法，帮助读者系统掌握大模型应用开发方法。（4）讲解很全面。系统整合大模型与应用开发技术体系，从大模型基础，到大模型应用开发技术，到大模型应用开发方法，再到大模型应用开发工程案例，全面构建的大模型应用开发技术的完整知识图谱。（5）资源也不错。配套示例源码、PPT课件、配图PDF文件、读者微信交流群。
|
| 內容簡介： |
|
《大模型应用开发》系统梳理大模型应用开发的全链条知识，详解大模型应用开发过程中涉及的理论、技术、方法、过程、工具和分析案例，为开发者搭建从理论到实践的桥梁，助力解决技术落地中的实际问题，推动大模型在工业、科研、服务等领域的规模化应用，配套示例源码、PPT课件、配图PDF文件、读者微信交流群。《大模型应用开发》共分12章，内容包括大模型基础、大模型架构、多模态大模型、提示词工程、大模型微调、检索增强生成、AI智能体、大模型应用、大模型应用架构、大模型开发框架、法律咨询智能助手、代码修复智能助手。《大模型应用开发》既适合大模型应用开发初学者、大模型应用开发工程师、大模型应用开发研究人员、行业AI解决方案提供商，也适合高等院校及高职高专院校学习大模型应用开发的学生。
|
| 關於作者： |
|
鲍亮，西安电子科技大学教授，博导，计算机学会高级会员。研究方向为大数据分析和大模型应用技术。主持各类科研项目50余项，科研成果转化直接经济效益2亿元，发表高水平论文30余篇，出版相关专著4本。李倩，西安交通大学教授，博导。研究方向为金融大数据、金融科技、公司金融。主持国家及省部级课题10余项，发表高水平论文40余篇。
|
| 目錄：
|
目 录
第1章 大模型基础 1
1.1 语言模型基础 1
1.1.1 基于统计方法的语言模型 2
1.1.2 基于循环神经网络的语言模型 5
1.1.3 基于Transformer架构的语言模型 10
1.2 大模型发展历史 14
1.2.1 统计语言模型奠基期 14
1.2.2 神经网络语言模型探索期 15
1.2.3 Transformer架构革命期 15
1.2.4 大模型爆发增长期 15
1.3 大模型的特点 18
1.3.1 大模型的快思慢考 18
1.3.2 大模型的优势与不足 20
1.4 大模型行业应用场景中的优势与挑战 21
1.4.1 教育领域：智能教育的革新与困境 21
1.4.2 医疗领域：精准医疗的希望与隐忧 22
1.4.3 金融领域：智能金融的变革与挑战 22
1.4.4 电商领域：智能营销的机遇与难题 23
1.5 本章小结 23
1.6 参考文献 24
第2章 大模型架构 28
2.1 Encoder-Only架构 28
2.1.1 BERT模型 29
2.1.2 RoBERTa模型 33
2.1.3 ALBERT模型 34
2.1.4 ELECTRA语言模型 34
2.2 Decoder-Only架构 35
2.2.1 GPT系列语言模型 36
2.2.2 LLaMA模型 38
2.2.3 PaLM模型 39
2.3 Encoder-Decoder架构 40
2.3.1 T5模型 41
2.3.2 BART语言模型 43
2.3.3 GLM模型 45
2.3.4 Switch Transformer 46
2.4 编码器、解码器、编解码器架构对比 47
2.5 本章小结 49
2.6 参考文献 49
第3章 多模态大模型 53
3.1 多模态大模型基础 53
3.1.1 多模态大模型的定义与特征 54
3.1.2 多模态学习与单模态学习的区别 55
3.1.3 多模态大模型的基本架构 57
3.1.4 多模态对齐与融合技术简述 61
3.2 多模态大模型的发展历程 63
3.2.1 特征拼接与浅层交互模型阶段 63
3.2.2 融合与对齐阶段 64
3.2.3 大规模预训练阶段 64
3.2.4 通用多模态大模型阶段 65
3.3 多模态大模型介绍 66
3.3.1 CLIP 66
3.3.2 ALIGN 67
3.3.3 Flamingo 68
3.3.4 PaLI 69
3.3.5 BLIP2 70
3.3.6 LLaVA 71
3.3.7 VisCPM 72
3.3.8 ChatGPT-4V和GPT-4o 73
3.3.9 Qwen-VL和Qwen-VL-Max 74
3.3.10 Gemini+2.5 75
3.4 多模态大模型的应用场景 76
3.4.1 智能问答与对话系统 76
3.4.2 智能推荐与搜索 76
3.4.3 医疗影像与辅助诊断 77
3.4.4 内容生成与编辑 77
3.5 本章小结 77
3.6 参考文献 77
第4章 提示词工程 81
4.1 技术介绍 81
4.1.1 提示词工程的概念和作用 81
4.1.2 提示词应用示例 83
4.2 研究进展 85
4.2.1 零样本提示 86
4.2.2 少样本提示——以例示教的智慧 89
4.2.3 思维链提示 91
4.2.4 思维树——多路径探索的高级推理 93
4.2.5 检索增强生成——知识的智能问答 95
4.2.6 ReAct框架——推理与行动的协同范式 98
4.3 框架对比 101
4.3.1 开源框架 101
4.3.2 商用框架 105
4.3.3 框架对比全景表 106
4.3.4 小结与展望 106
4.4 本章小结 107
4.5 参考文献 107
第5章 大模型微调 109
5.1 大模型微调基础 109
5.1.1 微调定义 109
5.1.2 微调分类 110
5.1.3 微调技术历史沿革 111
5.2 微调流程 113
5.2.1 数据集准备 114
5.2.2 模型初始化 114
5.2.3 训练环境配置 114
5.2.4 模型微调 115
5.2.5 评估验证 115
5.2.6 部署上线 116
5.2.7 监控维护 116
5.3 微调的主流平台和框架 116
5.3.1 Hugging Face Transformers 116
5.3.2 LLaMA-Factory 117
5.3.3 Unsloth 118
5.3.4 MS-SWIFT 119
5.3.5 百度千帆平台 120
5.3.6 阿里云PAI 121
5.3.7 讯飞星辰 122
5.3.8 对比分析 123
5.4 本章小结 126
5.5 参考文献 126
第6章 检索增强生成 129
6.1 概念与内涵剖析 129
6.1.1 RAG定义 130
6.1.2 关键组件与工作原理 130
6.1.3 与传统生成模型的区别与优势 132
6.1.4 应用领域与实际案例 133
6.2 技术演进与研究进展 134
6.3 相关商用与开源框架对比 140
6.3.1 LangFlow 141
6.3.2 LlamaIndex 142
6.3.3 Haystack 144
6.3.4 LangChain 145
6.3.5 Amazon Kendra 146
6.3.6 Google Cloud Search 148
6.3.7 框架优缺点对比 149
6.3.8 RAG框架总结 150
6.4 本章小结 150
6.5 参考文献 152
第7章 AI智能体 155
7.1 AI智能体的概念与内涵 156
7.1.1 AI智能体时代的开启 156
7.1.2 AI智能体的核心概念与特征 158
7.2 AI智能体核心技术与发展 161
7.2.1 智能体的构建：核心模块与基本架构 162
7.2.2 单智能体系统研究进展 167
7.2.3 多智能体系统研究进展 170
7.2.4 智能体的演进：自主优化与自我学习 175
7.3 智能体构建与实践 180
7.3.1 智能体构建框架的必要性与分类 180
7.3.2 LangGraph：基于图结构的Agent编排框架 181
7.3.3 AutoGen：多智能体协作的利器 183
7.3.4 CrewAI：通过协作提升团队效率 184
7.3.5 Dify：LLM应用一站式开发平台 185
7.3.6 n8n：强大的工作流自动化与集成工具 186
7.3.7 扣子：一站式AI Agent/Bot开发平台 188
7.3.8 框架对比 189
7.4 本章小结 192
7.5 参考文献 192
第8章 大模型应用 195
8.1 大模型应用概念解析 195
8.1.1 大模型应用的定义 195
8.1.2 与传统应用系统的比较分析 198
8.1.3 大模型应用内涵：基本结构与关键组件 201
8.1.4 大模型应用外延与分类视角 204
8.2 大模型应用范式 208
8.2.1 嵌入式 209
8.2.2 协同式 210
8.2.3 自主式 211
8.3 大模型应用开发流程 213
8.3.1 需求理解与问题建模 213
8.3.2 系统架构与模型接口设计 216
8.3.3 智能模块设计与行为调控 218
8.3.4 测试与质量评估 221
8.3.5 部署上线与模型服务策略 224
8.3.6 监控与运维反馈 227
8.4 大模型应用典型产品 232
8.4.1 智能检索工具 232
8.4.2 编程辅助与代码生成 235
8.4.3 文档处理与写作辅助 238
8.4.4 多模态内容生成 241
8.5 大模型应用面临的关键挑战 244
8.5.1 模型能力的不确定性与幻觉问题 244
8.5.2 交互控制与响应可解释性 246
8.5.3 安全性、合规性与伦理问题 247
8.5.4 应用部署的资源与算力瓶颈 249
8.6 本章小结 251
8.7 参考文献 252
第9章 大模型应用架构 255
9.1 大模型应用架构概述 255
9.2 大模型应用架构层次 256
9.3 基础设施层和运行环境层 258
9.3.1 基础设施层 259
9.3.2 运行环境层 259
9.4 数据层 260
9.4.1 核心组件 260
9.4.2 管理和支撑机制 261
9.5 模型层 261
9.5.1 大模型 262
9.5.2 向量模型 263
9.5.3 重排序模型 265
9.5.4 图像识别模型 267
9.5.5 语言-语言模型 268
9.5.6 模型微调 272
9.6 推理部署层 273
9.7 能力层 275
9.7.1 流程控制 275
9.7.2 核心功能 276
9.8 安全层 278
9.9 应用层 279
9.9.1 智能问答 280
9.9.2 智能运维 280
9.9.3 智能客服 280
9.9.4 数字员工 281
9.10 本章小结 281
9.11 参考文献 282
第10章 大模型开发框架 284
10.1 开发框架整体结构 284
10.2 数据层 286
10.2.1 向量数据库 287
10.2.2 文档解析引擎 298
10.2.3 数据处理工具 303
10.3 模型层 304
10.3.1 开源模型 305
10.3.2 微调技术栈 307
10.4 推理层 313
10.4.1 推理引擎 314
10.4.2 本地化部署 319
10.5 工具链层 323
10.5.1 开发框架 325
10.5.2 增强组件 329
10.6 接口层 331
10.6.1 API网关 332
10.6.2 通信协议 333
10.7 应用层 336
10.7.1 低代码开发平台 337
10.7.2 具体开发平台 338
10.8 本章小结 342
10.9 参考文献 342
第11章 法律咨询智能助手 345
11.1 需求分析 345
11.2 系统架构 346
11.2.1 系统功能模块 346
11.2.2 系统架构设计 347
11.3 关键技术 348
11.3.1 法规文档预处理 348
11.3.2 自动构建法律法规知识图谱 349
11.3.3 案例特征要素提取 351
11.3.4 实体对齐 352
11.3.5 法条检索 352
11.3.6 法条检查 353
11.3.7 历史案例库构建算法 354
11.3.8 案件审理结构化报告生成 356
11.4 系统实现 357
11.4.1 法规文档预处理的实现 357
11.4.2 自动构建法律法规知识图谱的实现 358
11.4.3 案例特征要素提取的实现 364
11.4.4 实体对齐的实现 365
11.4.5 法条检索的实现 367
11.4.6 法条检查的实现 369
11.4.7 历史案例库构建算法的实现 372
11.4.8 案件审理结构化报告生成 373
11.5 本章小结 374
11.6 参考文献 374
第12章 代码修复智能助手 376
12.1 需求分析 376
12.2 系统架构 378
12.2.1 业务架构 378
12.2.2 技术架构 381
12.3 关键技术 383
12.3.1 代码问题精确定位技术 384
12.3.2 深度代码语义理解技术 385
12.3.3 多模态信息智能融合技术 386
12.3.4 增量学习与知识迁移技术 387
12.3.5 基于强化学习的修复策略优化技术 388
12.3.6 智能代码生成技术 389
12.3.7 基于程序分析的漏洞检测技术 389
12.4 系统实现 390
12.4.1 Issue智能解析模块 390
12.4.2 代码依赖关系分析模块 392
12.4.3 智能修复策略生成模块 395
12.4.4 自动化测试验证模块 396
12.4.5 持续学习与优化模块 397
12.5 本章小结 399
12.6 参考文献 400
|
| 內容試閱：
|
前 言
随着大语言模型从实验室突破走向产业实践，其技术复杂度与应用广度持续攀升，已成为推动人工智能落地的核心引擎。大模型技术的爆发式发展正深刻重塑全社会的智能化发展进程，成为各行业数字化发展智能化转型的核心驱动力。在此浪潮下，大模型应用开发是连接技术创新与产业价值的关键纽带，其涵盖架构设计、多模态融合、提示词工程、微调优化等多维度技术，直接决定大模型在实际场景中的效能释放。
然而，当前大模型应用开发面临显著壁垒：一方面，技术迭代迅猛，从Transformer架构到多模态融合、从提示词工程到AI智能体，知识体系日益庞杂；另一方面，工程实践碎片化，开发者常陷入架构选型、微调策略、部署优化等具体问题的困境。在此背景下，系统掌握大模型应用开发的全流程知识，成为打通技术与产业的关键。
经过作者调研，由于大模型这一概念刚刚出现，社会上缺乏面向大模型应用开发的研究者和实践者，针对大模型应用开发构建方法、过程和工具进行介绍的专业书籍。因此，作者策划了本书的写作，它是作者多年的大模型应用开发方法和实际工作经验的总结与提炼，旨在为读者梳理大模型应用的相关概念与基础知识，介绍大模型应用开发方法与过程，总结开发大模型应用过程中常用的工具和实践经验。
本书内容
本书将从4个部分对大模型应用开发方法与技术进行讲解。优质部分是大模型基础（第1~3章），对大模型发展历史、大模型相关技术和大模型应用场景等进行介绍。第二部分是大模型应用开发技术（第4~7章），主要讲解大模型应用开发过程中的相关技术，包括提示词工程、模型微调、检索增强生成、AI智能体等。第三部分是大模型应用开发方法（第8~10章），主要介绍大模型应用开发过程中涉及的所有活动，包括大模型应用、大模型应用架构、大模型开发框架等。第四部分是大模型应用开发案例（第11章和第12章），主要介绍具体项目的需求分析、系统架构、关键技术与实现方法，包括法律咨询智能助手和代码修复智能助手两个开发案例。
配套资源下载
本书配套示例源码、PPT课件、配图PDF文件、读者微信交流群，读者使用微信扫描右侧的二维码即可获取。如果在阅读过程中发现问题或有任何建议，请下载资源中提供的相关电子邮箱或微信进行联系。
本书读者
大模型应用开发初学者。
大模型应用开发工程师。
大模型应用开发研究人员。
行业AI解决方案提供商。
高等院校及高职高专院校学习大模型应用开发的学生。
作者与鸣谢
本书作者为西安电子科技大学教授、博导鲍亮和西安交通大学教授、博导李倩。本书在撰写过程中还得到了西安电子科技大学数据智能实验室的博士生和硕士生们的大力支持，他们是李宇飞（小飞）、赵凯博、李宇飞（大飞）、苏旭、张珂、袁嘉翔、董昌杰、张璐、樊瑞祥、王嘉欣、林星、王宇、李济阳、郑浩伟，在此一并表示感谢。
本书的顺利出版离不开清华大学出版社老师们的帮助，在此表示衷心的感谢。
作 者
2025年8月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
