中图网

>

程序设计

>

其他

LANGCHAIN与新时代生产力——AI应用开发之路

作者：陆梦阳、朱剑、孙罗庚、韩中俊著

出版社：清华大学出版社出版时间：2024-12-01

开本：其他页数： 376

本类榜单：计算机/网络销量榜

中图价:¥71.2(8.0折) 定价 ~~¥89.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

商品详情
商品评论(0条)

中图价:¥71.2 加入购物车

版权信息
本书特色
内容简介
目录
作者简介

LANGCHAIN与新时代生产力——AI应用开发之路版权信息

ISBN：9787302676157
条形码：9787302676157 ; 978-7-302-67615-7
装帧：平装-胶订
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
程序设计
>
其他

LANGCHAIN与新时代生产力——AI应用开发之路本书特色

本书从生成式AI的基础知识到LangChain框架的高级应用，无论是新手还是经验丰富的开发者都能从中获益。通过深入浅出的解释、实际案例分析及详细的步骤指导，本书旨在帮助读者理解并掌握LangChain的强大能力，进而开发出更智能、更高效的应用。

LANGCHAIN与新时代生产力——AI应用开发之路内容简介

"本书全面深入地探讨了AI生成大模型的领域，从AI的历史探源、生成式模型在不同领域的应用（文本、图片、声乐、视频及多模态模型），到大型语言模型（如GPT）的运作机制、预训练、可扩展架构及其适应性。通过详细介绍LangChain的概念、应用、安装方法及如何利用LangChain进行软件开发和数据科学，本书为读者提供了一个关于AI生成大模型应用的全景视图。本书共11章，覆盖了AI生成大模型的理论基础、LangChain的初识与入门、进阶使用、在软件开发和数据科学中的应用及生成式AI的未来展望等多个方面。第1~3章介绍AI生成大模型的基础知识，如AI历史、生成式模型在不同领域的应用、大型语言模型如GPT的基础和LangChain的初识与入门。第4~6章深入LangChain的进阶使用，探讨Agent构建、文档查询工具、聊天机器人开发，提供实战案例和技术细节。第7~9章聚焦LangChain在软件开发和数据科学的应用及定制LLM输出的策略，介绍编程、自动化软件开发、数据探索技术方法及LLM输出优化。第10章和第11章讨论LLM在生产环境的应用、监控、回调处理，以及生成式AI的未来展望，包括其潜力、社会影响和挑战，旨在为读者提供从入门到进阶的全面知识，适合不同背景的读者深入学习和应用。本书特色在于其理论与实践相结合的方法论，适合对AI生成大模型感兴趣的学生、研究人员和软件开发者。书中不仅详细介绍了AI生成大模型的基础知识和前沿技术，还提供了丰富的实践指导和案例分析，帮助读者掌握如何在实际项目中应用这些技术。此外，配套资源丰富，包括示例代码、工具安装指南和案例研究，极大地增强了本书的实用性和指导性。无论是AI领域的新手还是有经验的开发者都能从中获得必要的知识和灵感。 "

LANGCHAIN与新时代生产力——AI应用开发之路目录

第1章什么是AI生成大模型11.1AI历史探源11.1.1生成式模型21.1.2生成式模型在文本领域31.1.3生成式模型在图片领域41.1.4生成式模型在声乐领域51.1.5生成式模型在视频领域61.1.6多模态模型61.2LLM简介61.2.1潮流涌现81.2.2GPT的运作机制101.2.3模型的预训练121.2.4可扩展架构121.2.5模型的适应性13第1章什么是AI生成大模型11.1AI历史探源11.1.1生成式模型21.1.2生成式模型在文本领域31.1.3生成式模型在图片领域41.1.4生成式模型在声乐领域51.1.5生成式模型在视频领域61.1.6多模态模型61.2LLM简介61.2.1潮流涌现81.2.2GPT的运作机制101.2.3模型的预训练121.2.4可扩展架构121.2.5模型的适应性131.2.6上手GPT131.3图像模型131.3.1图像模型工作原理141.3.2图像模型的不同版本151.3.3图形模型的调节性161.4总结16第2章初识LangChain172.1LLM的局限性172.2LLM应用介绍192.3LangChain介绍212.3.1LangChain的必要性232.3.2LangChain支持的应用232.4LangChain的工作机制242.4.1初识Agent242.4.2初识链272.4.3初识记忆282.4.4LangChain中的工具282.5总结29第3章LangChain入门303.1安装LangChain方法303.1.1安装Python303.1.2Jupyter Notebook和JupyterLab303.1.3环境管理323.2导入模型343.2.1虚拟LLM（Fake LLM）353.2.2OpenAI363.2.3HuggingFace373.2.4微软云383.2.5谷歌云383.2.6Jina AI403.2.7Replicate423.2.8本地模型423.3模型输出解析453.3.1列表解析器473.3.2日期解析器483.3.3自动修复解析器493.3.4Pydantic（JSON）解析器513.3.5重试解析器533.3.6结构化输出解析器553.3.7XML解析器573.4LangChain表达式语言593.4.1LCEL接口简介603.4.2绑定运行时参数753.4.3运行自定义函数773.4.4流式传输自定义生成器函数783.4.5并行化步骤803.4.6根据输入的动态路由逻辑823.5链863.5.1链接口中的方法调用883.5.2自定义链的创建893.5.3几种常见的链923.6实战案例: 客户服务助手应用程序开发1093.7总结113第4章LangChain进阶: Agent1144.1构建自己的第1个Agent1154.2LangChain中的常见Agent类型1214.2.1Zeroshot ReAct1224.2.2Structured Input ReAct1244.2.3OpenAI Functions1284.2.4Conversational1304.2.5ReAct Document Store1334.3迭代器运行Agent1354.4让Agent返回结构化输出1384.5处理Agent解析错误1434.6将Agent构建为图1444.6.1快速开始1444.6.2流式输出147第5章使用LangChain工具进行文档查询1535.1幻觉现象1535.2文档总结1565.3信息提取1595.4使用工具1615.5解剖LLM推理的底层策略1655.6总结168第6章聊天机器人1706.1聊天机器人简介1706.1.1历史溯源1716.1.2上下文和记忆1736.1.3意识性与主动性1746.2检索和向量1746.2.1嵌入1766.2.2存储嵌入的方式1796.2.3索引1796.2.4向量库1806.2.5向量数据库1816.2.6文档加载器1846.2.7LangChain中的检索器1846.3实战案例: 实现一个聊天机器人1876.4LangChain中的记忆机制1916.4.1快速开始1926.4.2LangChain中基础的记忆类型1946.4.3其他高级记忆类型2116.4.4记忆和LLM链2256.4.5记忆和Agent2286.4.6自定义会话记忆2336.4.7自定义记忆2376.4.8聊天机器人的记忆2406.5内容监管2456.6总结246第7章LangChain和软件开发2487.1步入新时代2487.1.1AI在软件领域的*新进展2497.1.2代码生成LLM2507.1.3未来展望2537.2使用LLM编程2547.3LLM自动化软件开发2607.4总结265第8章LangChain和数据科学2668.1自动化数据科学简介2668.1.1数据收集2688.1.2可视化和探索性数据分析2708.1.3数据预处理和特征提取2708.1.4自动化机器学习2718.1.5生成式AI对数据科学的变革2748.2使用Agent2768.3数据探索和LLM2798.4总结282第9章绽放LangChain的魅力: 定制LLM输出2839.1调整与对齐2839.1.1对齐的方法2849.1.2变革者: InstructGPT2869.1.3LLM推理过程的调整方法2879.1.4效果评估2889.2实战案例: LangChain微调LLM2889.3提示词工程2959.3.1提示词的结构2959.3.2提示模板2979.3.3高级提示词工程2989.4总结301第10章生产环境LLM30310.1引言30310.2LLM应用评估30510.2.1比较两个输出30610.2.2基于标准的比较30710.2.3字符串和语义比较30810.2.4基准数据集30910.3部署LLM应用31210.3.1FastAPI31410.3.2Ray31610.4监测LLM应用32010.4.1跟踪和追踪32110.4.2可观测性工具32310.5LangChain回调32410.5.1异步回调32510.5.2自定义回调处理程序32710.5.3记录到文件32810.5.4多个回调处理程序33010.5.5Token计算33310.6LangSmith33410.6.1LangSmith调试33410.6.2LangSmith样本收集33510.6.3LangSmith测试评估33610.6.4LangSmith人工评估33610.6.5LangSmith监控33610.6.6LangSmith实战演示33710.7总结344第11章生成式AI的未来展望34611.1当前的生成式AI34611.2未来的能力34911.3AI的社会影响35111.3.1AI和创意行业35311.3.2AI和社会经济35411.3.3AI和教育35411.3.4AI和就业35511.3.5AI和其他行业35711.3.6AI和网络安全35711.4应用难题探索35811.5写在*后359参考文献361

展开全部

LANGCHAIN与新时代生产力——AI应用开发之路作者简介

陆梦阳，目前任职于世界500强中排名第26位的思科公司，担任客户网络系统数字化与自动化解决方案的主导工程师。期间，成功领导了多项针对全球500强企业的网络架构自动化项目，涵盖台积电、香奈儿、SAP等知名企业，专注于思科DNA Center AI智能网络日志分析的研究方向。在央企外派至肯尼亚期间，主导与当地AI数据标注公司Sama的合作，共同开发了口罩检测及社交距离监测系统，有效地管理了建筑施工项目中的疫情风险。Sama公司作为OpenAI公司的重要数据标注供应商，为ChatGPT模型提供了大量的数据标注服务。作为项目负责人，与Sama公司的合作项目提供了参与超级大语言模型数据训练的宝贵经验和视角。此外，发表了《基于Transformer模型的安全事故分类研究》等学术论文，体现了在该领域的深入研究与贡献。

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐