LangChain 入門指南:構建高可復用、可擴展的 LLM 應用程序
李特麗,康軼文
- 出版商: 電子工業
- 出版日期: 2024-01-01
- 定價: $594
- 售價: 8.5 折 $505
- 貴賓價: 8.0 折 $475
- 語言: 簡體中文
- 頁數: 312
- ISBN: 7121467275
- ISBN-13: 9787121467271
-
相關分類:
人工智慧
-
相關翻譯:
LLM 的瑞士刀 - 用 LangChain 極速開發可擴充大型應用程式 (繁中版)
銷售排行:
🥈 2024/4 簡體中文書 銷售排行 第 2 名
🥈 2024/3 簡體中文書 銷售排行 第 2 名
🥇 2024/2 簡體中文書 銷售排行 第 1 名
🥉 2024/1 簡體中文書 銷售排行 第 3 名
立即出貨
買這商品的人也買了...
-
$352$331 -
$650$455 -
$680$537 -
$421從零開始大模型開發與微調:基於 PyTorch 與 ChatGLM
-
$720$569 -
$570多模態大模型:技術原理與實戰
-
$556大規模語言模型:從理論到實踐
-
$407GPT 圖解 : 大模型是怎樣構建的
-
$500Stable Diffusion AI 繪畫教學:文生圖+圖生圖+提示字+模型訓練+外掛程式應用
-
$509基於 GPT-3、ChatGPT、GPT-4 等 Transformer 架構的自然語言處理
-
$880$695 -
$658一本書講透 Elasticsearch:原理、進階與工程實務
-
$403$379 -
$422LangChain實戰:從原型到生產,動手打造 LLM 應用
-
$414$393 -
$980$774 -
$408LangChain 簡明講義:從0到1建構 LLM 應用程式
-
$680$530 -
$331LangChain編程:從入門到實踐
-
$421ChatGLM3 大模型本地化部署、應用開發與微調
-
$880$695 -
$680$537 -
$708$673 -
$539$512 -
$650$507
相關主題
商品描述
這本書專門為那些對自然語言處理技術感興趣的讀者提供了系統的LLM應用開發指南。全書分為11章,從LLM基礎知識開始,通過LangChain這個開源框架為讀者解讀整個LLM應用開發流程。第1~2章概述LLM技術的發展背景和LangChain框架的設計理念。從第3章開始,分章深入介紹LangChain的6大模塊,包括模型I/O、數據增強、鏈、記憶等,通過大量代碼示例讓讀者瞭解其原理和用法。第9章通過構建PDF問答程序,幫助讀者將之前學習的知識應用於實踐。第10章則介紹集成,可拓寬LangChain的用途。第11章為初學者簡要解析LLM的基礎理論,如Transformer模型等。本書以LangChain這個讓人熟悉的框架為主線,引導讀者一步一步掌握LLM應用開發流程,適合對大語言模型感興趣的開發者、AI應用程序開發者閱讀。
目錄大綱
目 錄
第1 章 LangChain:開啟大語言模型時代的鑰匙
1.1 大語言模型概述
1.1.1 什麽是大語言模型
1.1.2 大語言模型的發展
1.1.3 大語言模型的應用場景
1.1.4 大語言模型的基礎知識
1.2 LangChain 與大語言模型
第2 章 LangChain 入門指南
2.1 初識LangChain
2.1.1 為什麽需要LangChain
2.1.2 LLM 應用開發的最後1 公里
2.1.3 LangChain 的2 個關鍵詞
2.1.4 LangChain 的3 個場景
2.1.5 LangChain 的6 大模塊
2.2 LangChain 的開發流程
2.2.1 開發密鑰指南
2.2.2 編寫一個取名程序
2.2.3 創建你的第一個聊天機器人
2.4 LangChain 表達式
第3 章 模型I/O
3.1 什麽是模型I/O
3.2 模型I/O 功能之模型包裝器
3.2.1 模型包裝器分類
3.2.2 LLM 模型包裝器
3.2.3 聊天模型包裝器
3.3 模型I/O 功能之提示詞模板
3.3.1 什麽是提示詞模板
3.3.2 提示詞模板的輸入和輸出
3.3.3 使用提示詞模板構造提示詞
3.3.4 少樣本提示詞模板
3.3.5 多功能提示詞模板
3.4 模型I/O 功能之輸出解析器
3.4.1 輸出解析器的功能
3.4.2 輸出解析器的使用
3.4.3 Pydantic JSON 輸出解析器
3.4.4 結構化輸出解析器
第4 章 數據增強模塊
4.1 數據增強模塊的相關概念
4.1.1 LEDVR 工作流
4.1.2 數據類型
4.2 加載器
4.3 嵌入模型包裝器
4.3.1 嵌入模型包裝器的使用
4.3.2 嵌入模型包裝器的類型
4.4 文檔轉換器
4.5 向量存儲庫
4.5.1 向量存儲庫的使用
4.5.2 向量存儲庫的搜索方法
4.6 檢索器
4.6.1 檢索器的使用
4.6.2 檢索器的類型
第5 章 鏈
5.1 為什麽叫鏈
5.1.1 鏈的定義
5.1.2 鏈的使用
5.1.3 基礎鏈類型
5.1.4 工具鏈類型
5.2 細說基礎鏈
5.2.1 LLM 鏈
5.2.2 路由器鏈
5.2.3 順序鏈
5.3 四大合並文檔鏈
5.3.1 Stuff 鏈
5.3.2 Refine 鏈
5.3.3 MapReduce 鏈
5.3.4 重排鏈
5.4 揭秘鏈的復雜性
5.4.1 復雜鏈的“套娃”式設計
5.4.2 LEDVR 工作流的終點:“上鏈”
第6 章 記憶模塊
6.1 記憶模塊概述
6.1.1 記憶組件的定義
6.1.2 記憶組件、鏈組件和Agent 組件的關系
6.1.3 設置第一個記憶組件
6.1.4 內置記憶組件
6.1.5 自定義記憶組件
6.2 記憶增強檢索能力的實踐
6.2.1 獲取外部數據
6.2.2 加入記憶組件
6.3 記憶增強Agent 能力的實踐
6.4 內置記憶組件的對比
6.4.1 總結記憶組件
6.4.2 會話記憶組件和會話窗口記憶組件的對比
6.4.3 知識圖譜記憶組件和實體記憶組件的比較
第7 章 Agent 模塊
7.1 Agent 模塊概述
7.1.1 Agent 組件的定義
7.1.2 Agent 組件的運行機制
7.1.3 Agent 組件入門示例
7.1.4 Agent 組件的類型
7.2 Agent 組件的應用
7.2.1 Agent 組件的多功能性
7.2.2 自定義Agent 組件
7.2.3 ReAct Agent 的實踐
7.3 工具組件和工具包組件
7.3.1 工具組件的類型
7.3.2 工具包組件的類型
7.4 Agent 組件的功能增強
7.4.1 Agent 組件的記憶功能增強
7.4.2 Agent 組件的檢索能力增強
第8 章 回調處理器
8.1 什麽是回調處理器
8.1.1 回調處理器的工作流程
8.1.2 回調處理器的使用
8.1.3 自定義鏈組件中的回調
8.2 內置回調處理器
8.3 自定義回調處理器
第9 章 使用LangChain 構建應用程序
9.1 PDF 問答程序
9.1.1 程序流程
9.1.2 處理PDF 文檔
9.1.3 創建問答鏈
9.2 對話式表單
9.2.1 OpenAI 函數的標記鏈
9.2.2 標記鏈的使用
9.2.3 創建提示詞模板
9.2.4 數據更新和檢查
9.3 使用LangChain 實現BabyAGI
9.3.1 BabyAGI 介紹
9.3.2 環境與工具
9.3.3 向量存儲
9.3.4 構建任務鏈
9.3.5 創建BabyAGI
9.3.6 運行BabyAGI
第10 章 集成
10.1 集成的背景與LLM 集成
10.2 LLM 集成指南
10.2.1 Azure OpenAI 集成
10.2.2 Hugging Face Hub 集成
10.3 聊天模型集成指南
10.3.1 Anthropic 聊天模型集成
10.3.2 PaLM 2 聊天模型集成
10.3.3 OpenAI 聊天模型集成
10.4 向量庫集成指南
10.4.1 Chroma 集成
10.4.2 Pinecone 集成
10.4.3 Milvus 集成
10.5 嵌入模型集成指南
10.5.1 HuggingFaceEmbeddings 嵌入集成
10.5.2 LlamaCppEmbeddings 嵌入集成
10.5.3 Cohere 嵌入集成
10.6 Agent toolkits 集成指南
10.6.1 CSV Agent 的集成
10.6.2 Pandas Dataframe Agent 的集成
10.6.3 PowerBI Dataset Agent 的集成
10.7 Retrievers 集成指南
10.7.1 WikipediaRetriever 集成
10.7.2 ArxivRetriever 集成
10.7.3 Azure Cognitive Search 集成
第11 章 LLM 應用開發必學知識
11.1 LLM 的核心知識
11.1.1 文本嵌入
11.1.2 點積相似性和餘弦相似性
11.1.3 註意力機制
11.2 Transformer 模型
11.3 語義搜索
11.3.1 語義搜索的工作原理
11.3.2 RAG 的工作原理
11.4 NLP 與機器學習基礎
11.4.1 LLM 應用開發中的傳統機器學習方法
11.4.2 NLP 文本預處理
11.4.3 構建分類器
附錄A LangChain 框架中的主要類
附錄B OpenAI 平臺和模型介紹
附錄C Claude 2 模型介紹
附錄D Cohere 模型介紹
附錄E PaLM 2 模型介紹
附錄F Pinecone 向量數據庫介紹
附錄G Milvus 向量數據庫介紹