LangChain與新時代生產(chǎn)力

定　價：￥89.00

作　者：	陸夢陽、朱劍、孫羅庚、韓中俊
出版社：	清華大學出版社
叢編項：	AI應(yīng)用開發(fā)之路
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥84.60)

ISBN：	9787302676157	出版時間：	2024-12-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書全面深入地探討了AI生成大模型的領(lǐng)域，從AI的歷史探源、生成式模型在不同領(lǐng)域的應(yīng)用（文本、圖片、聲樂、視頻及多模態(tài)模型），到大型語言模型（如GPT）的運作機制、預(yù)訓練、可擴展架構(gòu)及其適應(yīng)性。通過詳細介紹LangChain的概念、應(yīng)用、安裝方法及如何利用LangChain進行軟件開發(fā)和數(shù)據(jù)科學，本書為讀者提供了一個關(guān)于AI生成大模型應(yīng)用的全景視圖。本書共11章，覆蓋了AI生成大模型的理論基礎(chǔ)、LangChain的初識與入門、進階使用、在軟件開發(fā)和數(shù)據(jù)科學中的應(yīng)用及生成式AI的未來展望等多個方面。第1~3章介紹AI生成大模型的基礎(chǔ)知識，如AI歷史、生成式模型在不同領(lǐng)域的應(yīng)用、大型語言模型如GPT的基礎(chǔ)和LangChain的初識與入門。第4~6章深入LangChain的進階使用，探討Agent構(gòu)建、文檔查詢工具、聊天機器人開發(fā)，提供實戰(zhàn)案例和技術(shù)細節(jié)。第7~9章聚焦LangChain在軟件開發(fā)和數(shù)據(jù)科學的應(yīng)用及定制LLM輸出的策略，介紹編程、自動化軟件開發(fā)、數(shù)據(jù)探索技術(shù)方法及LLM輸出優(yōu)化。第10章和第11章討論LLM在生產(chǎn)環(huán)境的應(yīng)用、監(jiān)控、回調(diào)處理，以及生成式AI的未來展望，包括其潛力、社會影響和挑戰(zhàn)，旨在為讀者提供從入門到進階的全面知識，適合不同背景的讀者深入學習和應(yīng)用。本書特色在于其理論與實踐相結(jié)合的方法論，適合對AI生成大模型感興趣的學生、研究人員和軟件開發(fā)者。書中不僅詳細介紹了AI生成大模型的基礎(chǔ)知識和前沿技術(shù)，還提供了豐富的實踐指導(dǎo)和案例分析，幫助讀者掌握如何在實際項目中應(yīng)用這些技術(shù)。此外，配套資源豐富，包括示例代碼、工具安裝指南和案例研究，極大地增強了本書的實用性和指導(dǎo)性。無論是AI領(lǐng)域的新手還是有經(jīng)驗的開發(fā)者都能從中獲得必要的知識和靈感。

作者簡介

　　陸夢陽，目前任職于世界500強中排名第26位的思科公司，擔任客戶網(wǎng)絡(luò)系統(tǒng)數(shù)字化與自動化解決方案的主導(dǎo)工程師。期間，成功領(lǐng)導(dǎo)了多項針對全球500強企業(yè)的網(wǎng)絡(luò)架構(gòu)自動化項目，涵蓋臺積電、香奈兒、SAP等知名企業(yè)，專注于思科DNA Center AI智能網(wǎng)絡(luò)日志分析的研究方向。在央企外派至肯尼亞期間，主導(dǎo)與當?shù)谹I數(shù)據(jù)標注公司Sama的合作，共同開發(fā)了口罩檢測及社交距離監(jiān)測系統(tǒng)，有效地管理了建筑施工項目中的疫情風險。Sama公司作為OpenAI公司的重要數(shù)據(jù)標注供應(yīng)商，為ChatGPT模型提供了大量的數(shù)據(jù)標注服務(wù)。作為項目負責人，與Sama公司的合作項目提供了參與超級大語言模型數(shù)據(jù)訓練的寶貴經(jīng)驗和視角。此外，發(fā)表了《基于Transformer模型的安全事故分類研究》等學術(shù)論文，體現(xiàn)了在該領(lǐng)域的深入研究與貢獻。

圖書目錄

第1章什么是AI生成大模型1
1.1AI歷史探源1
1.1.1生成式模型2
1.1.2生成式模型在文本領(lǐng)域3
1.1.3生成式模型在圖片領(lǐng)域4
1.1.4生成式模型在聲樂領(lǐng)域5
1.1.5生成式模型在視頻領(lǐng)域6
1.1.6多模態(tài)模型6
1.2LLM簡介6
1.2.1潮流涌現(xiàn)8
1.2.2GPT的運作機制10
1.2.3模型的預(yù)訓練12
1.2.4可擴展架構(gòu)12
1.2.5模型的適應(yīng)性13
1.2.6上手GPT13
1.3圖像模型13
1.3.1圖像模型工作原理14
1.3.2圖像模型的不同版本15
1.3.3圖形模型的調(diào)節(jié)性16
1.4總結(jié)16
第2章初識LangChain17
2.1LLM的局限性17
2.2LLM應(yīng)用介紹19
2.3LangChain介紹21
2.3.1LangChain的必要性23
2.3.2LangChain支持的應(yīng)用23
2.4LangChain的工作機制24
2.4.1初識Agent24
2.4.2初識鏈27
2.4.3初識記憶28
2.4.4LangChain中的工具28
2.5總結(jié)29
第3章LangChain入門30
3.1安裝LangChain方法30
3.1.1安裝Python30
3.1.2Jupyter Notebook和JupyterLab30
3.1.3環(huán)境管理32
3.2導(dǎo)入模型34
3.2.1虛擬LLM（Fake LLM）35
3.2.2OpenAI36
3.2.3HuggingFace37
3.2.4微軟云38
3.2.5谷歌云38
3.2.6Jina AI40
3.2.7Replicate42
3.2.8本地模型42
3.3模型輸出解析45
3.3.1列表解析器47
3.3.2日期解析器48
3.3.3自動修復(fù)解析器49
3.3.4Pydantic（JSON）解析器51
3.3.5重試解析器53
3.3.6結(jié)構(gòu)化輸出解析器55
3.3.7XML解析器57
3.4LangChain表達式語言59
3.4.1LCEL接口簡介60
3.4.2綁定運行時參數(shù)75
3.4.3運行自定義函數(shù)77
3.4.4流式傳輸自定義生成器函數(shù)78
3.4.5并行化步驟80
3.4.6根據(jù)輸入的動態(tài)路由邏輯82
3.5鏈86
3.5.1鏈接口中的方法調(diào)用88
3.5.2自定義鏈的創(chuàng)建89
3.5.3幾種常見的鏈92
3.6實戰(zhàn)案例: 客戶服務(wù)助手應(yīng)用程序開發(fā)109
3.7總結(jié)113
第4章LangChain進階: Agent114
4.1構(gòu)建自己的第1個Agent115
4.2LangChain中的常見Agent類型121
4.2.1Zeroshot ReAct122
4.2.2Structured Input ReAct124
4.2.3OpenAI Functions128
4.2.4Conversational130
4.2.5ReAct Document Store133
4.3迭代器運行Agent135
4.4讓Agent返回結(jié)構(gòu)化輸出138
4.5處理Agent解析錯誤143
4.6將Agent構(gòu)建為圖144
4.6.1快速開始144
4.6.2流式輸出147
第5章使用LangChain工具進行文檔查詢153
5.1幻覺現(xiàn)象153
5.2文檔總結(jié)156
5.3信息提取159
5.4使用工具161
5.5解剖LLM推理的底層策略165
5.6總結(jié)168
第6章聊天機器人170
6.1聊天機器人簡介170
6.1.1歷史溯源171
6.1.2上下文和記憶173
6.1.3意識性與主動性174
6.2檢索和向量174
6.2.1嵌入176
6.2.2存儲嵌入的方式179
6.2.3索引179
6.2.4向量庫180
6.2.5向量數(shù)據(jù)庫181
6.2.6文檔加載器184
6.2.7LangChain中的檢索器184
6.3實戰(zhàn)案例: 實現(xiàn)一個聊天機器人187
6.4LangChain中的記憶機制191
6.4.1快速開始192
6.4.2LangChain中基礎(chǔ)的記憶類型194
6.4.3其他高級記憶類型211
6.4.4記憶和LLM鏈225
6.4.5記憶和Agent228
6.4.6自定義會話記憶233
6.4.7自定義記憶237
6.4.8聊天機器人的記憶240
6.5內(nèi)容監(jiān)管245
6.6總結(jié)246
第7章LangChain和軟件開發(fā)248
7.1步入新時代248
7.1.1AI在軟件領(lǐng)域的最新進展249
7.1.2代碼生成LLM250
7.1.3未來展望253
7.2使用LLM編程254
7.3LLM自動化軟件開發(fā)260
7.4總結(jié)265
第8章LangChain和數(shù)據(jù)科學266
8.1自動化數(shù)據(jù)科學簡介266
8.1.1數(shù)據(jù)收集268
8.1.2可視化和探索性數(shù)據(jù)分析270
8.1.3數(shù)據(jù)預(yù)處理和特征提取270
8.1.4自動化機器學習271
8.1.5生成式AI對數(shù)據(jù)科學的變革274
8.2使用Agent276
8.3數(shù)據(jù)探索和LLM279
8.4總結(jié)282
第9章綻放LangChain的魅力: 定制LLM輸出283
9.1調(diào)整與對齊283
9.1.1對齊的方法284
9.1.2變革者: InstructGPT286
9.1.3LLM推理過程的調(diào)整方法287
9.1.4效果評估288
9.2實戰(zhàn)案例: LangChain微調(diào)LLM288
9.3提示詞工程295
9.3.1提示詞的結(jié)構(gòu)295
9.3.2提示模板297
9.3.3高級提示詞工程298
9.4總結(jié)301
第10章生產(chǎn)環(huán)境LLM303
10.1引言303
10.2LLM應(yīng)用評估305
10.2.1比較兩個輸出306
10.2.2基于標準的比較307
10.2.3字符串和語義比較308
10.2.4基準數(shù)據(jù)集309
10.3部署LLM應(yīng)用312
10.3.1FastAPI314
10.3.2Ray316
10.4監(jiān)測LLM應(yīng)用320
10.4.1跟蹤和追蹤321
10.4.2可觀測性工具323
10.5LangChain回調(diào)324
10.5.1異步回調(diào)325
10.5.2自定義回調(diào)處理程序327
10.5.3記錄到文件328
10.5.4多個回調(diào)處理程序330
10.5.5Token計算333
10.6LangSmith334
10.6.1LangSmith調(diào)試334
10.6.2LangSmith樣本收集335
10.6.3LangSmith測試評估336
10.6.4LangSmith人工評估336
10.6.5LangSmith監(jiān)控336
10.6.6LangSmith實戰(zhàn)演示337
10.7總結(jié)344
第11章生成式AI的未來展望346
11.1當前的生成式AI346
11.2未來的能力349
11.3AI的社會影響351
11.3.1AI和創(chuàng)意行業(yè)353
11.3.2AI和社會經(jīng)濟354
11.3.3AI和教育354
11.3.4AI和就業(yè)355
11.3.5AI和其他行業(yè)357
11.3.6AI和網(wǎng)絡(luò)安全357
11.4應(yīng)用難題探索358
11.5寫在最后359
參考文獻361