（1）核心价值：系统讲解如何将通用大模型高效改造为行业大模型（领域专家）的完整方法论，强调实战性，从理论到实践全流程覆盖。 （2）专家背书：南京大学计算机系胡昊教授、百丽时尚集团副总裁季燕利、滴普科技董事长赵杰辉、南京大学软件学院匡宏宇副教授四位权威专家联袂推荐。 （3）实战验证：作者深度参与百丽时尚集团等大型企业AI项目建设，书中所有案例均来自真实商业项目，经过复杂业务场景的实战检验。
售 价：¥
纸质售价：¥84.60购买纸书
6.4
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
Foreword 序一
Foreword 序二
Preface 前言
Part 1 第一部分 大模型技术基础及实践应用
Chapter 1 第1章 大模型和领域模型基础
1.1 大模型基础
1.1.1 大模型的基本概念
1.1.2 大模型的使用场景
1.1.3 当前大模型面临的几个挑战
1.2 领域模型基础
1.2.1 领域模型概述
1.2.2 领域模型和通用大模型的关系
1.2.3 领域模型解决的问题
1.2.4 领域模型的两大技术路线及其优劣势
1.3 本章小结
Chapter 2 第2章 搭建开发环境
2.1 开发环境概述
2.2 所需软硬件介绍
2.2.1 PyTorch
2.2.2 英伟达显卡与CUDA
2.2.3 Apple M系列芯片和MPS
2.3 在Windows下搭建开发环境
2.3.1 安装Anaconda
2.3.2 创建虚拟环境
2.3.3 安装PyTorch
2.3.4 安装集成开发环境及依赖包
2.4 在macOS下搭建开发环境
2.4.1 安装Homebrew
2.4.2 安装Anaconda
2.4.3 配置开发环境
2.5 在Linux下搭建开发环境
2.5.1 Miniconda简介
2.5.2 安装Miniconda
2.5.3 配置开发环境
2.6 本章小结
Chapter 3 第3章 快速上手：大模型在聊天机器人中的实践
3.1 聊天机器人的需求
3.2 使用公网服务搭建聊天机器人
3.2.1 申请OpenAI API密钥
3.2.2 申请Helicone服务
3.3 案例：聊天机器人的大模型实践
3.3.1 聊天机器人
3.3.2 通过提示词实现文本翻译机器人
3.3.3 通过提示词实现信息提取
3.3.4 通过提示词实现归纳总结
3.4 本章小结
Part 2 第二部分 RAG原理与实战
Chapter 4 第4章 RAG架构介绍
4.1 RAG架构解决的三大问题
4.1.1 大模型训练语料库中语料不足
4.1.2 大模型知识更新难
4.1.3 大模型的泛化能力不足
4.2 RAG架构解决问题的4个手段
4.2.1 文本向量化
4.2.2 采用向量数据库
4.2.3 相似度检索
4.2.4 回答生成
4.3 RAG架构的一般模型
4.3.1 文档切割器
4.3.2 嵌入模型
4.3.3 向量数据库
4.3.4 大模型
4.4 本章小结
Chapter 5 第5章 内容索引
5.1 内容切分
5.1.1 内容切分的三大难点
5.1.2 内容切分的三大技术手段
5.2 嵌入模型
5.2.1 嵌入模型的三大优势
5.2.2 常用嵌入模型
5.3 实战案例
5.4 本章小结
Chapter 6 第6章 相关内容检索
6.1 相关内容检索概述
6.2 向量数据库
6.2.1 本地向量数据库Chroma
6.2.2 在线向量数据库Pinecone
6.2.3 本地向量数据库ClickHouse
6.3 结果精排
6.3.1 结果精排概述
6.3.2 结果精排的意义
6.3.3 结果精排的技术手段
6.4 本章小结
Chapter 7 第7章 大模型整合及优化手段
7.1 大模型整合方案
7.2 多查询检索
7.2.1 问题背景：单一查询的局限性
7.2.2 核心流程与实现
7.3 多向量检索
7.3.1 实现策略
7.3.2 核心流程与实现
7.4 本章小结
Chapter 8 第8章 RAG实战
8.1 实战准备
8.1.1 需求描述
8.1.2 架构设计
8.1.3 技术选型
8.2 离线索引
8.2.1 文档格式转换
8.2.2 文档切片
8.2.3 文档索引
8.3 在线服务
8.3.1 召回搜索
8.3.2 大模型服务
8.4 本章小结
Part 3 第三部分 模型训练
Chapter 9 第9章 模型训练概述
9.1 为什么需要进行模型训练
9.1.1 RAG架构的3个限制
9.1.2 模型训练的3个优势
9.1.3 模型定制的3个阶段
9.2 开源模型一览
9.2.1 ChatGLM
9.2.2 Llama
9.2.3 Vicuna
9.2.4 通义千问Qwen
9.3 模型分类
9.3.1 按模型规模划分
9.3.2 按模型功能划分
9.4 实战：开源模型私有化部署
9.5 本章小结
Chapter 10 第10章 数据集生成
10.1 数据集分类
10.1.1 预训练数据集
10.1.2 指令微调数据集
10.1.3 对话数据集
10.1.4 偏好数据集
10.1.5 指令微调数据集和对话数据集的对比
10.2 对话数据集生成的技巧
10.2.1 搜索并基于现有数据集进行修改
10.2.2 针对一段文本生成数据集
10.3 应用聊天模板
10.3.1 聊天模板的种类
10.3.2 聊天模板的使用
10.4 实战：基于文档生成对话数据集
10.5 本章小结
Chapter 11 第11章 模型训练的方法和流程
11.1 模型训练方法一览
11.1.1 CPT
11.1.2 SFT
11.1.3 偏好对齐
11.1.4 3种训练方法的区别
11.2 模型训练的一般流程
11.2.1 选择一个预训练模型
11.2.2 准备数据集
11.2.3 CPT
11.2.4 SFT
11.2.5 偏好对齐
11.3 模型训练的硬件需求及环境搭建
11.3.1 不同规模模型训练的硬件需求
11.3.2 环境搭建
11.3.3 训练过程中需要关注的指标
11.4 实战1：训练一个开源对话模型
11.5 实战2：使用自己的代码训练一个GitHub Copilot
11.5.1 单向模型的局限
11.5.2 FIM简介
11.5.3 FIM的原理
11.5.4 相关代码
11.6 实战3：使用PEFT进行LoRA训练
11.7 实战4：进行CPT训练
11.8 实战5：DPO训练
11.9 本章小结
Chapter 12 第12章 分布式模型训练
12.1 相关硬件设备
12.1.1 NVLink
12.1.2 IB交换机
12.1.3 IB网卡
12.2 相关的软件环境
12.2.1 NCCL
12.2.2 nload
12.2.3 DeepSpeed
12.3 基本的多机多卡网络拓扑结构
12.4 实战：多机多卡训练
12.4.1 DeepSpeed配置文件
12.4.2 主机文件
12.4.3 启动脚本
12.5 本章小结
Chapter 13 第13章 模型部署
13.1 Transformers不能用于生产的3个原因
13.2 相关技术与框架
13.2.1 分页注意力
13.2.2 vLLM
13.2.3 TGI
13.3 实战代码
13.4 模型量化
13.4.1 量化的种类
13.4.2 量化的格式
13.5 本章小结
Part 4 第四部分 企业大模型实战
Chapter 14 第14章 企业大模型概述
14.1 从通用到专用：企业大模型的构建蓝图
14.1.1 起点：通用基础大模型
14.1.2 目标：企业大模型
14.1.3 现实鸿沟：从理想到实践的挑战
14.2 企业大模型的技术工具箱：应对挑战的原子能力
14.2.1 工具一：模型训练
14.2.2 工具二：RAG
14.2.3 工具三：企业数据仓库集成
14.2.4 工具四：CoT
14.2.5 工具五：PoT
14.3 前瞻：从工匠到建筑师
14.4 本章小结
Chapter 15 第15章 训练飞轮法：打造可持续迭代的模型体系
15.1 方法论概述
15.1.1 企业大模型落地的训练飞轮法
15.1.2 训练飞轮法的核心理念
15.1.3 方法论的价值和意义
15.2 第一阶段：场景甄选与分析
15.2.1 场景甄选的意义
15.2.2 场景评估维度
15.2.3 典型适配场景案例分析
15.3 第二阶段：快速验证与数据积累
15.3.1 阶段定位与目标
15.3.2 核心技术手段
15.3.3 数据积累
15.4 第三阶段：能力内化
15.4.1 训练基础与策略
15.4.2 数据集来源
15.4.3 三阶段渐进式训练法
15.4.4 训练效果评估与优化
15.4.5 迭代
15.5 本章小结
Chapter 16 第16章 左右脑架构：实现语言与工具的协同
16.1 大模型技术的能力边界
16.1.1 实时数据处理
16.1.2 精确的计算能力
16.1.3 业务规则的执行
16.1.4 外部系统集成
16.2 架构整体设计
16.2.1 架构设计原则
16.2.2 整体架构图
16.2.3 组件间的协作机制
16.3 左脑设计
16.3.1 PoT实现
16.3.2 企业数据接入能力
16.4 右脑设计：文本生成与知识融合的艺术
16.4.1 大模型的选择和应用
16.4.2 企业知识库的设计要点
16.5 脑干设计
16.5.1 脑干的定位与重要性
16.5.2 脑干的工作原理
16.6 架构的演进与展望
16.6.1 架构演进的驱动力及未来优化方向
16.6.2 左右脑架构的迭代路径
16.7 本章小结
Chapter 17 第17章 高级推理系统：从任务执行到战略决策
17.1 现有推理的瓶颈：从CoT的演进与局限谈起
17.1.1 CoT的演进：反思式推理的出现
17.1.2 新的工程瓶颈：效率黑盒与路径偶然性
17.1.3 结论：企业级应用需要结构化的规划框架
17.2 提升单步推理质量：用广度推理增强鲁棒性
17.2.1 广度推理与自洽性
17.2.2 广度推理的工程实践
17.2.3 广度推理的局限：从单点优化到全局规划
17.3 规划全局路径：用MCTS实现深度推理
17.3.1 MCTS的核心原理
17.3.2 MCTS：从单步思考到全局规划的跃迁
17.3.3 MCTS的适用场景
17.4 MCTS的实现方式
17.4.1 隐式MCTS的实现
17.4.2 显式MCTS的实现
17.5 深度推理实战：MCTS的威力展示
17.5.1 基础报告
17.5.2 MCTS报告
17.5.3 两份报告的对比
17.6 本章小结
Chapter 18 第18章 企业大模型实战项目
18.1 单店运营分析
18.1.1 需求分析
18.1.2 技术实现
18.1.3 训练飞轮的应用
18.2 多店运营分析
18.2.1 需求分析
18.2.2 技术实现
18.2.3 脑干模块实现
18.3 本章小结
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
