大模型Agent应用开发

《大模型Agent应用开发 》深入探讨了LLM的核心概 念、前沿技术和实际应用， 最终为扩展AI能力边界的大 型基础模型（Large Foundation Models，LFM ）的崛起铺平道路。 本书开篇详细介绍了LLM 的基本原理，随后探讨了多 种主流架构框架，既涵盖专 有模型（如GPT-3.5/4）， 也分析开源模型（如Falcon LLM）的独特优势与差异。 接下来，我们以基于Python 的轻量级框架LangChain为 核心，引导读者逐步构建智 能体。这些智能体能够从非 结构化数据中提取信息，并 利用LLM和强大工具包与结 构化数据交互。此外，本书 还将深入探索LFM领域—— 该类模型融合了视觉、音频 等多态能力，可以覆盖更广 泛的AI任务。 无论你是经验丰富的AI 专家，还是初入该领域的新 人，本书都将为你提供解锁 LLM全部潜力的路线图，助 力开创智能机器的新纪元。

\"Valentina Alto是一名人工智能爱好者、技术文献作者和跑步健将。在拿到数据科学硕士学位后，她于2020年加入微软，目前担任人工智能专家。Valentina从求学之初就对机器学习和人工智能充满热情，她不断加深对这一领域的了解，并在科技博客上发表了数百篇文章。她与Packt合作撰写了第一本书，名为Modern Generative AI with ChatGPT and OpenAI Models。在目前的工作中，她与大型企业合作，旨在将人工智能整合到企业业务中，并利用大型基础模型开发创新解决方案。 除了职业追求，Valentina还热爱徒步于意大利美丽的山川之间，喜欢跑步、旅行，并乐于手捧好书，品一杯香浓的咖啡。\"

第1章 大规模语言模型简介 1.1 大型基础模型和大规模语言模型定义 1.1.1 人工智能范式转变——基础模型简介 1.1.2 大规模语言模型简介 1.2 最流行的基于transformer架构的大规模语言模型 1.2.1 早期实验 1.2.2 transformer架构 1.3 训练和评估大规模语言模型 1.3.1 训练大规模语言模型 1.3.2 模型评估 1.4 基础模型与定制模型 1.5 小结 1.6 参考文献 第2章 面向人工智能应用的大规模语言模型 2.1 大规模语言模型如何改变软件开发 2.2 Copilot系统 2.3 引入人工智能编排器，将大规模语言模型嵌入应用程序 2.3.1 人工智能编排器的主要组成部分 2.3.2 LangChain 2.3.3 Haystack 2.3.4 语义内核 2.3.5 如何选择框架 2.4 小结 2.5 参考文献 第3章 为应用选择大规模语言模型 3.1 市场上最有前途的大规模语言模型 3.1.1 专有模型 3.1.2 开源模型 3.2 语言模型之外 3.3 选择正确大规模语言模型的决策框架 3.3.1 考虑因素 3.3.2 案例研究 3.4 小结 3.5 参考文献 第4章 提示工程 4.1 技术要求 4.2 提示工程的定义 4.3 提示工程原则 4.3.1 明确的指令 4.3.2 将复杂任务划分为子任务 4.3.3 询问理由 4.3.4 生成多个输出，然后使用模型挑选最佳输出 4.3.5 结尾处的重复指令 4.3.6 使用分隔符 4.4 高级技术 4.4.1 少样本方法 4.4.2 思维链 4.4.3 ReAct 4.5 小结 4.6 参考文献