LangChain大模型應(yīng)用開(kāi)發(fā)

定　價(jià)：￥79.80

作　者：	[英] 本·奧法斯（Ben Auffarth）著，郭濤譯
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

當(dāng)當(dāng)網(wǎng) (￥75.80)

ISBN：	9787302677291	出版時(shí)間：	2025-01-01	包裝：	平裝-膠訂
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《LangChain大模型應(yīng)用開(kāi)發(fā)》幫助讀者在項(xiàng)目中探索微調(diào)、提示工程以及部署和監(jiān)控的最佳實(shí)踐時(shí)，解鎖LLM的全部潛力。無(wú)論你是構(gòu)建創(chuàng)意寫(xiě)作工具、開(kāi)發(fā)復(fù)雜的聊天機(jī)器人，還是制作尖端的軟件開(kāi)發(fā)輔助工具，《LangChain大模型應(yīng)用開(kāi)發(fā)》都將是你的路線圖，幫助你自信且創(chuàng)造性地掌握生成式人工智能的變革力量。主要內(nèi)容●使用LangChain創(chuàng)建LLM應(yīng)用，如問(wèn)答系統(tǒng)和聊天機(jī)器人●理解變換模型和注意力機(jī)制●使用pandas和Python自動(dòng)進(jìn)行數(shù)據(jù)分析和可視化●掌握提示工程以提高LLM性能●微調(diào)LLM并了解釋放其力量的工具●將LLM作為服務(wù)部署，并應(yīng)用評(píng)估策略●使用開(kāi)源LLM與文檔本地互動(dòng)，以防止數(shù)據(jù)泄露

作者簡(jiǎn)介

　　Ben Auffarth是一位經(jīng)驗(yàn)豐富的數(shù)據(jù)科學(xué)領(lǐng)導(dǎo)者，擁有計(jì)算神經(jīng)科學(xué)博士學(xué)位。Ben分析過(guò)TB級(jí)數(shù)據(jù)，在核數(shù)多達(dá)64k的超級(jí)計(jì)算機(jī)上模擬過(guò)大腦活動(dòng)，設(shè)計(jì)并開(kāi)展過(guò)濕法實(shí)驗(yàn)室實(shí)驗(yàn)，構(gòu)建過(guò)處理承保應(yīng)用的生產(chǎn)系統(tǒng)，并在數(shù)百萬(wàn)文檔上訓(xùn)練過(guò)神經(jīng)網(wǎng)絡(luò)。他著有Machine Learning for Time？Series和Artificial Intelligence with Python Cookbook兩本書(shū)，現(xiàn)于Hastings Direct從事保險(xiǎn)工作。

圖書(shū)目錄

第1章　什么是生成式人工智能 1
1.1 生成式人工智能簡(jiǎn)介 1
1.1.1 什么是生成式模型 4
1.1.2 為什么是現(xiàn)在 5
1.2 了解大規(guī)模語(yǔ)言模型 6
1.2.1　GPT模型是如何工作的 7
1.2.2　GPT模型是如何發(fā)展的 12
1.2.3　如何使用大規(guī)模語(yǔ)言模型 17
1.3 什么是文本到圖像模型 18
1.4 人工智能在其他領(lǐng)域的作用 22
1.5 小結(jié) 23
1.6 問(wèn)題 23
第2章　面向大規(guī)模語(yǔ)言模型應(yīng)用程序：LangChain 25
2.1 超越隨機(jī)鸚鵡 25
2.1.1 大規(guī)模語(yǔ)言模型的局限性 27
2.1.2 如何減少大規(guī)模語(yǔ)言模型的局限性 27
2.1.3 什么是大規(guī)模語(yǔ)言模型應(yīng)用程序 28
2.2 LangChain簡(jiǎn)介 30
2.3 探索LangChain的關(guān)鍵組件 33
2.3.1 鏈 33
2.3.2 智能體 34
2.3.3 記憶 35
2.3.4 工具 36
2.4 LangChain如何工作 38
2.5 LangChain軟件包結(jié)構(gòu) 40
2.6 LangChain與其他框架的比較 41
2.7 小結(jié) 43
2.8 問(wèn)題 44
第3章　LangChain入門(mén) 45
3.1 如何為本書(shū)設(shè)置依賴 46
3.2 探索API模型集成 49
3.2.1 環(huán)境設(shè)置和API密鑰 50
3.2.2 OpenAI 51
3.2.3 Hugging Face 52
3.2.4 谷歌云平臺(tái) 53
3.3 大規(guī)模語(yǔ)言模型交互基石 54
3.3.1 大規(guī)模語(yǔ)言模型 54
3.3.2 模擬大規(guī)模語(yǔ)言模型 55
3.3.3 聊天模型 56
3.3.4 提示 57
3.3.5 鏈 59
3.3.6 LangChain表達(dá)式語(yǔ)言 60
3.3.7 文本到圖像 61
3.3.8 Dall-E 61
3.3.9 Replicate 63
3.3.10 圖像理解 64
3.4 運(yùn)行本地模型 65
3.4.1 Hugging Face transformers 66
3.4.2 llama.cpp 68
3.4.3 GPT4All 69
3.5 構(gòu)建客戶服務(wù)應(yīng)用程序 70
3.5.1 情感分析 70
3.5.2 文本分類(lèi) 71
3.5.3 生成摘要 72
3.5.4 應(yīng)用map-reduce 73
3.5.5 監(jiān)控詞元使用情況 76
3.6 小結(jié) 77
3.7 問(wèn)題 77
第4章　構(gòu)建得力助手 79
4.1 使用工具回答問(wèn)題 80
4.1.1 工具使用 80
4.1.2 定義自定義工具 81
4.1.3 工具裝飾器 82
4.1.4 子類(lèi)化BaseTool 82
4.1.5 StructuredTool數(shù)據(jù)類(lèi) 83
4.1.6 錯(cuò)誤處理 84
4.2 使用工具實(shí)現(xiàn)研究助手 85
4.3 探索推理策略 89
4.4 從文件中提取結(jié)構(gòu)化信息 95
4.5 通過(guò)事實(shí)核查減少幻覺(jué) 100
4.6 小結(jié) 102
4.7 問(wèn)題 102
第5章　構(gòu)建類(lèi)似ChatGPT的聊天機(jī)器人 103
5.1 什么是聊天機(jī)器人 104
5.2 從向量到RAG 105
5.2.1 向量嵌入 106
5.2.2 在LangChain中的嵌入 107
5.2.3 向量存儲(chǔ) 109
5.2.4 向量索引 110
5.2.5 向量庫(kù) 111
5.2.6 向量數(shù)據(jù)庫(kù) 112
5.2.7 文檔加載器 117
5.2.8 LangChain中的檢索器 118
5.3 使用檢索器實(shí)現(xiàn)聊天機(jī)器人 120
5.3.1 文檔加載器 121
5.3.2 向量存儲(chǔ) 122
5.3.3 對(duì)話記憶：保留上下文 125
5.4 調(diào)節(jié)響應(yīng) 130
5.5 防護(hù) 131
5.6 小結(jié) 132
5.7 問(wèn)題 132
第6章　利用生成式人工智能開(kāi)發(fā)軟件 133
6.1 軟件開(kāi)發(fā)與人工智能 134
6.2 使用大規(guī)模語(yǔ)言模型編寫(xiě)代碼 138
6.2.1 Vertex AI 138
6.2.2 StarCoder 139
6.2.3 StarChat 143
6.2.4 Llama 2 144
6.2.5　小型本地模型 145
6.3 自動(dòng)化軟件開(kāi)發(fā) 147
6.3.1 實(shí)現(xiàn)反饋回路 149
6.3.2 使用工具 152
6.3.3 錯(cuò)誤處理 154
6.3.4 為開(kāi)發(fā)人員做最后的潤(rùn)色 155
6.4 小結(jié) 157
6.5 問(wèn)題 157
第7章　用于數(shù)據(jù)科學(xué)的大規(guī)模語(yǔ)言模型 159
7.1 生成式模型對(duì)數(shù)據(jù)科學(xué)的影響 160
7.2 自動(dòng)化數(shù)據(jù)科學(xué) 162
7.2.1 數(shù)據(jù)收集 163
7.2.2 可視化和EDA 164
7.2.3 預(yù)處理和特征提取 164
7.2.4 AutoML 164
7.3 使用智能體回答數(shù)據(jù)科學(xué)的問(wèn)題 166
7.4 使用大規(guī)模語(yǔ)言模型進(jìn)行數(shù)據(jù)探索 169
7.5 小結(jié) 173
7.6 問(wèn)題 173
第8章　定制大規(guī)模語(yǔ)言模型及其輸出 175
8.1　調(diào)節(jié)大規(guī)模語(yǔ)言模型 176
8.2 微調(diào) 180
8.2.1 微調(diào)設(shè)置 181
8.2.2 開(kāi)源模型 184
8.2.3 商業(yè)模型 187
8.3 提示工程 188
8.3.1 提示技術(shù) 190
8.3.2 思維鏈提示 192
8.3.3 自一致性 193
8.3.4 思維樹(shù) 195
8.4 小結(jié) 198
8.5 問(wèn)題 198
第9章　生產(chǎn)中的生成式人工智能 199
9.1 如何讓大規(guī)模語(yǔ)言模型應(yīng)用程序做好生產(chǎn)準(zhǔn)備 200
9.2 如何評(píng)估大規(guī)模語(yǔ)言模型應(yīng)用程序 202
9.2.1 比較兩個(gè)輸出 204
9.2.2 根據(jù)標(biāo)準(zhǔn)進(jìn)行比較 205
9.2.3　字符串和語(yǔ)義比較 206
9.2.4　根據(jù)數(shù)據(jù)集進(jìn)行評(píng)估 207
9.3 如何部署大規(guī)模語(yǔ)言模型應(yīng)用程序 211
9.3.1　FastAPI Web服務(wù) 213
9.3.2 Ray 216
9.4 如何觀察大規(guī)模語(yǔ)言模型應(yīng)用程序 219
9.4.1 跟蹤響應(yīng) 221
9.4.2 可觀察性工具 223
9.4.3 LangSmith 224
9.4.4 PromptWatch 225
9.5 小結(jié) 227
9.6 問(wèn)題 227
第10章　生成式模型的未來(lái) 229
10.1 生成式人工智能的現(xiàn)狀 229
10.1.1 挑戰(zhàn) 230
10.1.2 模型開(kāi)發(fā)的趨勢(shì) 231
10.1.3 大科技公司與小企業(yè) 234
10.1.4 通用人工智能 235
10.2 經(jīng)濟(jì)后果 236
10.2.1 創(chuàng)意產(chǎn)業(yè) 238
10.2.2 教育 239
10.2.3 法律 239
10.2.4 制造業(yè) 239
10.2.5 醫(yī)學(xué) 240
10.2.6 軍事 240
10.3 社會(huì)影響 240
10.3.1 虛假信息與網(wǎng)絡(luò)安全 241
10.3.2 法規(guī)和實(shí)施挑戰(zhàn) 241
10.4 未來(lái)之路 243