生成式 AI 提示工程｜以前瞻性的設計打造穩定、可信任的 AI 解決方案 (Prompt Engineering for Generative AI: Future-Proof Inputs for Reliable AI Outputs)
James Phoenix, Mike Taylor
- 出版商: 歐萊禮
- 出版日期: 2025-07-16
- 定價: $880
- 售價: 7.9 折 $695
- 語言: 繁體中文
- 頁數: 464
- ISBN: 626425102X
- ISBN-13: 9786264251020
- 此書翻譯自: Prompt Engineering for Generative AI: Future-Proof Inputs for Reliable AI Outputs (Paperback)
尚未上市，歡迎預購
相關主題
商品描述
來自業界專家的推薦📢
「Mike和James是這領域的大師，這絕對是我讀過關於提示工程的最棒書籍之一。」
── Dan Shipper，Every共同創辦人與CEO
「如果想要提升AI系統的準確性和可靠性，這本書在你的書架上足有一席之地。」
── Mayo Oshin，Siennai Analytics創辦人與CEO，LangChain早期貢獻者
ChatGPT、DALL-E這類大型語言模型（LLM）和生成擴散模型具備了前所未有的潛力。經由網際網路上的公開文字與圖像訓練之後，這些模型可應用於各種任務。由於進入門檻大幅降低，幾乎任何開發者都能利用AI模型來解決以往不適合自動化的問題。
透過本書，你將掌握生成式AI的扎實基礎，並學習如何將這些模型應用於實際情境。在將大型語言模型與生成擴散模型整合至工作流程時，多數開發者往往難以生成可供自動化系統使用的可靠結果。本書作者James Phoenix與Mike Taylor將深入解析提示工程的核心原則，讓你在正式部署後能與AI高效共事。
本書精彩內容：
• 適用於不同模型且未來也依然有效的提示五大原則。
• 使用LangChain等函式庫和框架，將生成式AI應用於實際案例。
• 評估GPT-4和DALL-E 2等OpenAI模型與其他包括開放原始碼模型的替代方案，分析比較各自的優勢與弱點。
• 這些原則如何實際應用在自然語言處理、文字與圖像生成以及程式開發領域中。
作者簡介
James Phoenix曾為General Assembly教育公司開設超過60場資料科學訓練營。
Mike Taylor創辦了行銷公司Ladder，該公司在美國、英國與歐盟擁有50名員工。
James和Mike透過他們攜手創辦的公司Vexpower，一同教授各種生成式AI課程。
目錄大綱
chapter 01 提示五大原則
簡述提示五大原則
1. 給予方向
2. 指定格式
3. 提供範例
4. 評估品質
5. 任務分工
總結
chapter 02 簡介大型語言模型用於文字生成
什麼是文字生成模型？
歷史背景：Transformer 架構的崛起
OpenAI 的 GPT
GPT-4
Google Gemini
Meta Llama 與開放原始碼
運用量化與 LoRA
Mistral
Anthropic: Claude
GPT-4V(ision)
比較各種模型
總結
chapter 03 使用 ChatGPT 來生成文字的標準做法
生成清單
階層式清單生成
何時要避免使用正則表達式
生成 JSON
過濾 YAML 負載
處理 YAML 中的無效負載
使用 ChatGPT 生成多種格式
用五歲小孩都能懂的方式來說明
藉由 LLM 實現通用翻譯
要求上下文
文字風格拆解
辨識所需的文字特徵
使用提取特徵來生成新內容
使用 LLM 提取特定文字特徵
摘要
在上下文窗口受限的情況下摘要
文字分塊
分塊策略
使用 SpaCy 進行語句偵測
在 Python 中建置簡易分塊演算法
滑動窗口分塊
文字分塊套件包
使用 Tiktoken 進行文字分塊
編碼
估計 Chat API 呼叫的標記用量
情感分析
最少到最多
角色提示
GPT 提示策略
使用 LLM 分類
建置分類模型
多數決分類法
評估標準
元提示
總結
chapter 04 使用 LangChain 的進階文字生成技巧
簡介 LangChain
聊天模型
串流聊天模型
建立多個 LLM 生成結果
LangChain 提示樣板
LangChain 表達式語言（LCEL）
使用提示樣板與聊天模型
輸出解析器
LangChain 評估
OpenAI 函式呼叫
平行函式呼叫
在 LangChain 中進行函式呼叫
使用 LangChain 來提取資料
查詢規劃
建立少樣本提示樣板
少樣本範例的限制
儲存與載入 LLM 提示
資料連接
文件載入器
文字分割器
根據長度和憑證大小來分割文字
使用遞歸字元分割來分割文字
任務分解
提示鏈接
總結
chapter 05 FAISS 與 Pinecone 向量資料庫
檢索增強生成（RAG）
淺談嵌入
載入文件
使用 FAISS 進行記憶檢索
使用 LangChain 來進行 RAG
使用 Pinecone 來託管向量資料庫
自我查詢
其他檢索機制
總結
chapter 06 具有記憶和工具的自動代理
思維鏈
代理
使用 LLM 作為 API（OpenAI 函式）
比較 OpenAI 函式與 ReAct
代理工具包
自定義標準代理
LCEL 中的自定義代理
理解與使用記憶
LangChain 中的記憶
LangChain 中其他常見的記憶類型
具備記憶的 OpenAI 函式代理
進階代理框架
回呼
總結
chapter 07 淺談圖像生成擴散模型
OpenAI 的 DALL-E
Midjourney
Stable Diffusion
Google Gemini
文字轉影像
模型比較
總結
chapter 08 用 Midjourney 生成圖像的標準做法
樣式修飾符
藝術風格修飾符
負面提示工程
品質提升器
負面提示
加權詞
以圖像為提示
圖像修復
圖像擴展
角色一致性
重寫提示
拆解迷因
迷因對應
提示分析
總結
chapter 09 使用 Stable Diffusion 生成圖片之進階技巧
執行 Stable Diffusion
AUTOMATIC1111 網頁版使用者介面
Img2Img
放大圖像
Interrogate CLIP
SD 圖像修復與圖像擴展
ControlNet
任意分割模型（SAM）
DreamBooth 微調
Stable Diffusion XL Refiner
總結
chapter 10 打造 AI 驅動應用程式
AI 部落格寫作
主題研究
專家訪談
生成大綱
文字生成
寫作風格
標題最佳化
AI 生成的部落格插圖
使用者介面
總結
索引
