買這商品的人也買了...
-
領域驅動設計:軟體核心複雜度的解決方法 (Domain-Driven Design: Tackling Complexity in the Heart of Software)$680$530 -
$1,840The Enterprise Data Catalog: Improve Data Discovery, Ensure Data Governance, and Enable Innovation (Paperback) -
Linux 企業運維實戰 (Redis + Zabbix + Nginx + Prometheus + Grafana + LNMP)$414$393 -
$453AI 輔助編程入門:使用 GitHub Copilot 零基礎開發 LLM 應用 -
多 Agent 智慧體 - LangChain 大型 ReAct 系統開發$880$695 -
$708基於大模型的 RAG 應用開發與優化 — 構建企業級 LLM 應用 -
Redis 應用實例$419$398 -
$512分佈式系統實戰派 — 從簡單系統到復雜系統 -
LLM 原理完整回顧 - 大型語言模型整體脈絡最詳細剖析$1,080$853 -
Generative AI on Google Cloud with LangChain: Design scalable generative AI solutions with Python, LangChain, and Vertex AI on Google Cloud (Paperback)$1,700$1,615 -
讓 AI 好好說話!從頭打造 LLM (大型語言模型) 實戰秘笈$680$537 -
$559Go語言 + Vue.js 實戰派 — 基於 Gin 框架 -
$89DeepSeek 小說創作速成 -
FastAPI|現代 Python 網站開發 (FastAPI : Modern Python Web Development)$680$537 -
AI 超神筆記術:NotebookLM 高效資料整理與分析 250技$480$379 -
$606向量數據庫:大模型驅動的智能檢索與應用 -
$601知識增強大模型 -
架構資料與機器學習平台|雲端啟動分析與AI驅動的創新 (Architecting Data and Machine Learning Platforms: Enable Analytics and Ai-Driven Innovation in the Cloud)$780$616 -
大模型 Agent 應用開發$588$558 -
$406MCP 開發從入門到實戰 -
MCP 極簡開發 : 輕鬆打造高效智能體$479$455 -
AI 加持!Google Sheets 超級工作流$599$473 -
Google BI 解決方案:Looker Studio × AI 數據驅動行銷實作,完美整合 Google Analytics 4、Google Ads、ChatGPT、Gemini$630$497 -
最強 AI 組合技!NotebookLM / Gemini / Nano Banana / Veo 3 【影音生成進化版】$499$424 -
LangChain 學習手冊|使用 LangChain 與 LangGraph 建構 AI 與 LLM 應用程式 (Learning LangChain: Building AI and LLM Applications with LangChain and LangGraph)$680$537
LLM 大語言模型|2書75折 詳見活動內容 »
-
78折
零基礎玩轉 LLM 應用全攻略:Python × No-Code 實作 AI 開發超簡單(iThome鐵人賽系列書)$690$538 -
79折
大型語言模型應用實戰:從 Prompt Engineering 到 Agentic RAG 與 MCP$790$624 -
78折
大模型時代:從 ChatGPT 一枝獨秀到全面開戰的 AI 賽局$500$390 -
79折
業界實戰親授 - 大型語言模型微調、最佳化、佈署一次到位$980$774 -
79折
深度學習最佳入門與專題實戰:自然語言處理、大型語言模型與強化學習篇$880$695 -
79折
AIGC 大型語言模型 - 個人應用到企業實戰立刻上手$780$616 -
79折
讓 LLM 飛起來的工具使用 - AI Agent MCP 協議開發、標準、應用$790$624 -
79折
AI Agent 手刻首選 - 使用 LangChain 親手實作 LLM 大型商業專案$880$695 -
79折
LLMOps 打造穩定運行的大型語言模型系統 (LLMOps: Managing Large Language Models in Production)$620$489 -
79折
實用 DeepSeek 技術 - 開發真正可用的 LLM 應用程式$880$695 -
7折
AI 程式設計、深度學習與 LLM 入門到精通:PyTorch × GPT × Transformer × LLaMA 實作指南(iThome鐵人賽系列書)$650$455 -
79折
LLM 工程師開發手冊 (LLM Engineer's Handbook: Master the art of engineering large language models from concept to production)$1,250$987 -
79折
AI Agent 智能工作流:設計與自動化全實戰$760$600 -
79折
不再是 ChatBot - 最新 AI Agent 代理建構$880$695 -
79折
最新 AI 開發範式 - Agent 多重智慧體自動產生應用$680$537 -
79折
LangChain 開發手冊 -- OpenAI × LCEL 表達式 × Agent 自動化流程 × RAG 擴展模型知識 × 圖形資料庫 × LangSmith 除錯工具$680$537 -
79折
LLM 語意理解與生成技術完全開發 (Hands-On Large Language Models)$980$774 -
79折
LLM × 網路爬蟲終極實戰:n8n 串接資料爬取 × Qdrant × RAG 打造本機 AI Agent$980$774 -
79折
Node.js 與 LLM 原理與實務:AI 應用程式開發$780$616 -
79折
知道你的下一筆訂單 - 使用 LLM$980$774 -
79折
更少 GPU 卻更強 - LLM 輕量化壓縮及加速訓練$980$774 -
79折
AI Agent 自動化流程超 Easy -- 不寫程式 No Code 聰明完成樣樣事$750$592 -
79折
Ollama 本地 AI 全方位攻略:命令列功能、五大主題測試、RAG、Vibe Coding、MCP,一本搞定所有實戰應用$750$592 -
VIP 95折
AI傳媒學:大模型助力傳媒行業應用與創新$588$558 -
7折
深談 AWS 雲端上的 AI Agent:系統化學習 AWS-AI 證照,協助企業管理 AI Agent$680$476
商品描述
本書採用“知識點+實戰”的編寫方式,共包含28個基礎實戰和1個綜合性實戰,旨在深入解析大語言模型應用開發的核心知識。每個知識點的介紹均遵循清晰的邏輯脈絡:介紹概念、闡述應用原理、說明使用方法、探討選擇該方法的理由、提供優化建議,並且分享最佳實踐案例。本書適合對LangChain感興趣的讀者閱讀。
作者簡介
龍中華,12年來一直在某一線因特網公司擔任資深系統分析師。目前帶領3個研發團隊,承擔系統的分析、設計、實施、演進,以及技術團隊管理和培訓等職責。 有獨到的團隊建設和管理經驗,對因特網多種技術特點和發展趨勢有較深入的研究,對多種技術(如Spring Boot、Spring Cloud和Service Mesh)有深入的研究和實戰經驗。
目錄大綱
▌入門篇
第1章 認識LLM 應用開發
▲1.1 LLM /2
1.1.1 LLM 的分類 /2
1.1.2 發展歷程 /3
1.1.3 應用領域 /4
1.1.4 面臨的挑戰 /4
▲1.2 LLM 應用開發 /5
1.2.1 LLM 應用開發前景 /6
1.2.2 LLM 應用開發的技術方向 /7
▲1.3 LangChain /8
1.3.1 認識LangChain /8
1.3.2 LangChain 的價值 /9
1.3.3 其他開發框架 /10
-
第2章 搭建環境並實現簡單的應用
▲2.1 搭建環境 /12
2.1.1 搭建開發環境 /12
2.1.2 搭建LLM 環境 /13
▲2.2 【實戰】實現問答應用——基於基礎模型 /14
▲2.3 【實戰】實現翻譯應用——基於聊天模型和指令模板 /15
-
▌基礎篇
-
第3章 LangChain 基礎
▲3.1 認識LangChain /19
3.1.1 LangChain 的架構 /19
3.1.2 LangChain 的庫 /19
3.1.3 LangChain 的模塊 /0
▲3.2 LangChain 的調試 /20
3.2.1 跟蹤工具LangSmith /21
3.2.2 【實戰】調試LLM 應用 /1
▲3.3 LangChain 的回退 /24
3.3.1 【實戰】處理LLM 調用API 的錯誤 /25
3.3.2 【實戰】處理序列的回退 /27
3.3.3 【實戰】處理長輸入 /9
3.3.4 回退到更好的模型 /30
▲3.4 LangChain 的回調 /31
3.4.1 認識回調處理程序 /31
3.4.2 認識異步回調 /32
3.4.3 認識標簽 /34
3.4.4 【實戰】自定義回調 /34
3.4.5 【實戰】使用回調記錄日誌 /35
3.4.6 【實戰】處理多個回調 /35
▲3.5 隱私保護 /37
-
第4章 管理LLM 的接口和解析輸出
▲4.1 認識LLM 的接口 /40
4.1.1 認識基礎模型的接口 /40
4.1.2 認識聊天模型的接口 /42
4.1.3 使用異步API /44
4.1.4 認識流式處理 /45
4.1.5 跟蹤令牌的使用情況 /46
4.1.6 認識緩存 /49
4.1.7 【實戰】緩存LLM 生成的內容 /49
4.1.8 序列化LLM 配置 /51
▲4.2 認識OpenAI 適配器 /53
▲4.3 認識ModelLaboratory /55
▲4.4 認識輸出解析器 /56
4.4.1 列表解析器 /57
4.4.2 日期時間解析器 /58
4.4.3 枚舉解析器 /58
4.4.4 JSON 解析器 /59
4.4.5 輸出修正解析器 /61
4.4.6 重試解析器 /61
4.4.7 XML 解析器 /63
▲4.5 【實戰】自定義輸出解析器 /66
4.5.1 在LCEL 中使用RunnableGenerator 類 /66
4.5.2 繼承解析器的基類來自定義輸出解析器 /67
-
第5章 指令——激活LLM 能力的鑰匙
▲5.1 認識指令 /72
5.1.1 指令的概念 /72
5.1.2 指令的構成要素 /73
▲5.2 編寫指令的18 個策略 /73
▲5.3 防禦惡意攻擊 /81
-
第6章 指令模板和示例選擇器
▲6.1 指令模板 /84
6.1.1 認識指令模板 /84
6.1.2 聊天消息指令模板的類型 /86
▲6.2 指令模板的應用 /88
6.2.1 格式化指令模板 /88
6.2.2 自定義指令模板 /90
6.2.3 驗證指令模板 /90
6.2.4 序列化指令模板 /91
6.2.5 分隔指令模板 /92
6.2.6 使用指令管道組合指令 /93
6.2.7 【實戰】組合指令 /95
▲6.3 示例選擇器 /97
▲6.4 少樣本指令模板 /97
6.4.1 認識少樣本指令模板 /97
6.4.2 在聊天模型中使用少樣本指令模板 /103
-
第7章 使用外部數據
▲7.1 文檔加載器. /108
7.1.1 認識文檔加載器 /108
7.1.2 【實戰】使用文檔加載器 /109
▲7.2 文本拆分器. /114
7.2.1 認識文本拆分器 /114
7.2.2 拆分文本和代碼 /116
▲7.3 檢索器 /118
▲7.4 索引 /121
-
第8章 集成向量數據庫,實現對向量的操作
▲8.1 向量數據庫 /12 3
8.1.1 認識向量數據庫 /12 3
8.1.2 向量數據庫的發展機遇 /12 5
8.1.3 常見的向量數據庫 /12 7
▲8.2 文本嵌入模型和緩存向量 /12 8
8.2.1 文本嵌入模型 /12 8
8.2.2 緩存向量 /130
8.2.3 【實戰】偽造嵌入模型 /131
▲8.3 開源的向量數據庫Chroma /132
8.3.1 支持的嵌入模型 /133
8.3.2 認識客戶端 /135
8.3.3 數據操作方法 /138
8.3.4 使用集合 /141
▲8.4 【實戰】使用LangChain 和Chroma 操作向量 /148
8.4.1 使用Chroma 存儲和查詢向量 /148
8.4.2 將向量保存到磁盤上 /149
8.4.3 使用Chroma 客戶端 /150
8.4.4 更新和刪除向量 /151
8.4.5 使用OpenAIEmbeddings 嵌入向量 /151
8.4.6 使用帶分數的相似性搜索 /152
8.4.7 使用MMR 優化搜索結果 /153
8.4.8 根據元數據篩選集合 /153
-
▌進階篇
-
第9章 使用內存保持應用狀態
▲9.1 認識內存和聊天消息歷史記錄. /156
9.1.1 認識內存 /156
9.1.2 認識聊天消息歷史記錄類 /157
▲9.2 內存的類型 /157
9.2.1 會話內存 /157
9.2.2 滑動窗口會話內存 /158
9.2.3 實體內存 /159
9.2.4 知識圖譜會話內存 /161
9.2.5 會話摘要內存 /163
9.2.6 會話摘要緩沖內存 /165
9.2.7 會話令牌緩沖內存 /166
9.2.8 向量儲存檢索內存 /167
▲9.3 【實戰】自定義會話內存. /169
▲9.4 【實戰】組合多個內存類. /172
-
第10章 使用鏈構造調用序列
▲10.1 【實戰】使用鏈接入LLM /175
▲10.2 鏈 /176
10.2.1 認識鏈 /176
10.2.2 基礎鏈 /180
10.2.3 文檔鏈 /181
10.2.4 chain_type 參數 /182
10.2.5 鏈的調用方法 /183
10.2.6 鏈的安全 /184
▲10.3 鏈的序列化和反序列化 /185
▲10.4 在鏈中使用內存. /188
10.4.1 瞭解在鏈中使用內存 /188
10.4.2 【實戰】為會話鏈添加內存 /189
10.4.3 【實戰】為LLMChain 添加內存 /190
-
第11章 使用和自定義工具
▲11.1 認識工具 /195
▲11.2 認識、使用和自定義內置工具. /197
11.2.1 認識內置工具 /197
11.2.2 使用內置工具 /198
11.2.3 自定義內置工具 /199
▲11.3 自定義工具 /200
11.3.1 使用@tool 裝飾器 /201
11.3.2 繼承BaseTool 類. /202
11.3.3 使用StructuredTool 類 /204
11.3.4 處理工具錯誤 /206
▲11.4 【實戰】實現人工驗證工具 /207
▲11.5 【實戰】實現多輸入工具 /209
-
第12章 使用代理串聯工具
▲12.1 代理 /212
▲12.2 代理類型和工具調用代理 /214
12.2.1 代理類型 /214
12.2.2 【實戰】實現工具調用代理 /215
▲12.3 自定義代理操作和配置 /216
12.3.1 處理解析錯誤 /216
12.3.2 處理代理運行超時 /217
12.3.3 處理流式處理的輸出 /217
12.3.4 訪問中間步驟 /219
12.3.5 返回結構化的內容 /219
12.3.6 限制最大疊代次數 /220
-
第13章 使用LCEL 將原型直接投入生產
▲13.1 LCEL /224
13.1.1 認識LCEL /224
13.1.2 LCEL 的優勢 /225
13.1.3 【實戰】使用LCEL 鏈接指令模板、模型和輸出解析器
13.1.4 Runnable 接口 /226
13.1.5 流式處理 /229
13.1.6 基於輸入的動態路由邏輯 /229
▲13.2 LCEL 鏈 /229
▲13.3 消息歷史和存儲聊天消息 /230
13.3.1 消息歷史 /230
13.3.2 【實戰】存儲聊天消息 /232
▲13.4 基本體 /235
13.4.1 鏈接可運行對象 /235
13.4.2 輸入與輸出格式化 /238
13.4.3 附加運行時參數 /240
13.4.4 運行自定義函數 /241
13.4.5 數據傳遞 /244
13.4.6 向鏈狀態添加值 /244
13.4.7 運行時配置鏈 /244
▲13.5 【實戰】檢查可運行對象 /244
-
第14章 使用LangChain 全家桶
▲14.1 LangSmith /247
▲14.2 LangServe /248
▲14.3 使用LangGraph 構建有狀態、多角色應用. /249
14.3.1 認識LangGraph /249
14.3.2 認識流式處理 /250
14.3.3 【實戰】創建可視化執行圖 /251
14.3.4 【實戰】創建節點和邊,設置圖的入口點和結束點 /252
-
▌項目實戰篇
-
第15章 【實戰】使用RAG 構建問答智能體
▲15.1 整體架構 /255
15.1.1 項目介紹 /255
15.1.2 核心組件 /255
▲15.2 實現索引和檢索 /256
15.2.1 實現索引 /256
15.2.2 實現檢索 /257
▲15.3 生成回答 /257
15.3.1 創建指令模板 /258
15.3.2 定義鏈 /258
▲15.4 實現溯源 /259
▲15.5 實現流式傳輸最終輸出 /260
▲15.6 實現結構化數據的檢索和生成. /260
15.6.1 連接數據庫 /260
15.6.2 將問題轉換為SQL 查詢語句 /261
15.6.3 執行SQL 查詢 /261
15.6.4 生成最終答案 /262
