新書推薦：
《
国际时装设计元素 ： 设计与调研（修订版）
》
售價：HK$
500
《
平常的恶（思想剧场）
》
售價：HK$
281
《
食在味道--一份主食 舌尖上的中国美食书籍
》
售價：HK$
214
《
剑桥十八世纪政治思想史
》
售價：HK$
1418
《
多周期技术分析掌握股市运行周期 抓住投资赢利的钥匙股价运行周期性趋势交易量价关系金融投资
》
售價：HK$
398
《
高胜算操盘：成功交易员完全教程美马塞尔林可著十年十二国版本帮助数百万交易者建立交易优势股票书籍
》
售價：HK$
500
《
亲子战争：全景解读2-6岁孩子的行为与心理，32个精选案例化解幼儿常见教养问题
》
售價：HK$
305
《
胡僧东来：汉唐时期的佛经翻译家和传播人
》
售價：HK$
500
|
| 編輯推薦： |
1. 拒绝 “空谈理论”：所有技术点都有实操步骤，比如 Ollama 安装、Kubernetes容器编排、MCP Server 代码实现，保证学习效果。
2. 聚焦 “落地能力”：不仅讲技术原理，更讲企业怎么用，帮你理解技术在业务中的价值，提升职场竞争力。
3. 覆盖 “最新标准”：MCP/A2A 协议是 2025 年行业关注重点，提前掌握能让你在项目中快速落地，避免 “踩坑”。
4. 通俗易懂：配套400+张图、代码操作步骤和180+分钟视频，兼顾新手理解（如 “零框架入门”）和专业深度（如 LangGraph 节点流转逻辑），不同基础读者都能受益。
|
| 內容簡介： |
|
本书从基础理论到工程实践系统讲解AI Agent的开发，内容涵盖Function Calling、AI智能体设计模式、MCP、RAG、多模态、LangGraph、A2A等主流技术与工具的实战应用，共7章。 第1～3章介绍AI Agent开发需要具备的基础知识，包括AI应用开发快速入门、大模型私有化部署的3种常见方案，以及模型微调与蒸馏的技术原理与实践。第4～7章涵盖4个AI Agent开发项目：基于MCP打造求职助手；基于平台化开发思想构建AI版“作业帮”基于LangGraph打造智能编程助手；基于A2A协议打造多智能体AI金融项目，每章均配有代码示例与实操步骤。 本书既适合希望向AI应用开发领域转型的传统软件工程师阅读，也适合有一定AI开发经验并希望提升实战能力的技术人员阅读。
|
| 關於作者： |
|
邢云阳，联通云AI与容器技术专家、架构师，主要负责云原生Serverless产品、传统大数据与中间件上云、AI Agent、RAG等产品的设计研发工作，带领团队自研了容器化大数据平台、Serverless Kubernetes产品，并参与推动了本地存储服务器的云灾备项目。在极客时间开设了“DeepSeek应用开发实战”“AI重塑云原生应用开发实战”两个专栏，分别介绍AI Agent开发实践和如何将AI大模型应用于云原生，备受好评。
|
| 目錄：
|
第 1章 AI应用开发快速入门1
1.1 “应用级”程序员入局AI应用开发领域的捷径1
1.1.1 DeepSeek的使用1
1.1.2 DeepSeek的能力边界5
1.1.3 DeepSeek开源的价值6
1.2 零开发框架实现Function Calling6
1.2.1 Function Calling诞生的背景7
1.2.2 开发环境准备7
1.2.3 Function Calling实践演示8
1.3 Agent常用设计模式15
1.3.1 CoT模式15
1.3.2 ReAct模式16
1.3.3 Reflexion模式18
1.3.4 ReWOO模式19
1.4 零开发框架实现ReAct Agent21
1.4.1 LangChain Hub与ReAct提示词模板22
1.4.2 Agent工具实现逻辑25
1.4.3 Agent多轮对话核心逻辑26
第 2章 大模型私有化部署的3种主流方案29
2.1 基于Ollama、AI网关和LobeChat构建高可用大模型集群29
2.1.1 Ollama简介29
2.1.2 GPU环境准备与Ollama安装30
2.1.3 实战：使用Ollama单点部署DeepSeek R132
2.1.4 高可用大模型集群架构设计36
2.1.5 AI时代给网关带来的挑战37
2.1.6 实战：利用Higress和Ollama搭建高可用集群38
2.1.7 实战：利用LobeChat实现可视化对话44
2.2 非量化版DeepSeek分布式部署方案46
2.2.1 快速理解Kubernetes46
2.2.2 Kubernetes安装49
2.2.3 容器编排与服务暴露52
2.2.4 分布式部署与推理55
2.2.5 使用vLLM部署DeepSeek R157
2.2.6 分布式计算与Ray入门60
2.2.7 基于Kubernetes、vLLM和Ray分布式部署DeepSeek R161
2.3 llama.cpp：在无GPU的服务器上部署DeepSeek70
2.3.1 llama.cpp与量化技术71
2.3.2 基于CPU服务器和llama.cpp部署DeepSeek R172
2.3.3 HTTP服务发布75
第3章 模型微调与蒸馏78
3.1 模型微调78
3.1.1 微调的基本概念78
3.1.2 一站式微调平台LLaMA-Factory79
3.1.3 将DeepSeek-R1-Distill-Qwen-7B微调为新闻分类器88
3.2 模型蒸馏93
3.2.1 蒸馏的流程93
3.2.2 生成教学数据95
3.2.3 蒸馏出一个新闻分类型Qwen2.5-7B模型97
第4章 基于MCP打造AI求职助手99
4.1 AI求职助手的设计99
4.1.1 传统求职模式的基本流程99
4.1.2 AI求职助手架构设计与技术选型100
4.2 MCP原理与实践101
4.2.1 MCP原理101
4.2.2 使用MCP实现Text2SQL数据库查询103
4.3 实现员工绩效系统MCP Server110
4.3.1 UV与MCP项目初始化111
4.3.2 员工绩效系统MCP Server代码实现113
4.4 实现MCP Client122
4.4.1 MCP通信方式122
4.4.2 使用stdio通信方式123
4.4.3 使用HTTP+SSE通信方式126
4.4.4 使用Streamable HTTP通信方式130
4.5 使用无头浏览器抓取岗位数据132
4.5.1 岗位数据获取方法133
4.5.2 无头浏览器实践133
4.5.3 使用代理IP142
4.6 人岗智能匹配144
4.6.1 MCP Server项目管理144
4.6.2 MCP Server的代码实现146
4.6.3 MCP Host与MCP Client的代码实现151
4.7 使用RAG技术对复杂简历进行浓缩157
4.7.1 简历浓缩与RAG技术157
4.7.2 使用RAG技术浓缩简历159
4.8 借助AI根据岗位要求完善简历165
4.8.1 根据岗位详情完善简历165
4.8.2 使用模板辅助AI完善简历168
第5章 基于平台化开发思想实现AI版“作业帮”170
5.1 AI版“作业帮”的设计170
5.1.1 AI应用开发中的平台化开发思想170
5.1.2 项目流程设计171
5.2 零代码Agent和工作流开发171
5.2.1 零代码实现AI Agent172
5.2.2 通过拖曳实现AI工作流176
5.3 API工具开发套路182
5.3.1 基于Dify配置自定义工具183
5.3.2 基于FastAPI开发符合标准的工具189
5.4 视觉识别技术：识别试卷题目并分析解答193
5.4.1 OCR识别技术193
5.4.2 使用豆包大模型196
5.4.3 搭建“作业帮”工作流202
5.5 RAG技术：借助题库提升答题准确率204
5.5.1 基于RAG实现题库204
5.5.2 将知识库问答助手加入工作流217
5.6 引入校验机制提升答题准确率223
5.6.1 QwQ模型简介223
5.6.2 添加校验机制223
5.6.3 通过飞书通知相关人员225
第6章 基于LangGraph打造智能编程助手230
6.1 基于LangGraph的代码生成230
6.1.1 LangGraph诞生的背景231
6.1.2 项目整体设计232
6.2 LangGraph快速上手233
6.2.1 节点与边233
6.2.2 普通边与多节点235
6.2.3 状态在节点间的流转236
6.3 定制编写Web后端项目239
6.3.1 生成简单的Golang Web后端代码239
6.3.2 生成实体类代码243
6.4 根据数据字典文档自动生成实体类247
6.4.1 实现LangGraph Agent247
6.4.2 根据数据字典生成实体类250
6.5 复用代码库历史代码254
6.5.1 历史代码复用思路254
6.5.2 基于RAG实现历史代码复用254
6.6 使用GraphRAG分析代码结构259
6.6.1 从传统RAG到GraphRAG260
6.6.2 GraphRAG原理260
6.6.3 GraphRAG实战261
第7章 基于A2A打造多Agent金融项目268
7.1 基于LangGraph与A2A的AI金融项目268
7.1.1 AI金融项目的背景268
7.1.2 项目简介268
7.2 量化分析师的金融数据抓取“神器”269
7.2.1 AKShare与日K数据相关概念269
7.2.2 历史日K数据的抓取与排序272
7.3 用自然语言查询股票名称与代码275
7.3.1 实现股票信息查询工具275
7.3.2 LangGraph进阶277
7.4 抓取沪深A股全部股票的日K数据282
7.4.1 日K数据并发抓取技巧282
7.4.2 抓取过去两年的沪深A股日K数据285
7.4.3 增量抓取技巧288
7.5 计划模式：让Agent有计划地分析股票数据289
7.5.1 抓取财报数据289
7.5.2 实现指标计算工具与财报工具291
7.5.3 全新的Agent设计模式—计划模式293
7.6 简易金融量化策略分析297
7.6.1 量化策略之量能策略297
7.6.2 量化分析Agent实战298
7.7 A2A协议303
7.7.1 A2A与MCP303
7.7.2 A2A协议详解305
7.7.3 实现基于A2A的多Agent金融助手307
|
|
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
