（1）作者背景资深：AstrasX AI创始人，有15年研发与架构经验，是大模型驱动云原生可观测性领域的先行者。 （2）内容体系完整：从可观测性基础、大模型核心技术、融合创新机制到架构落地实践，循序渐、层层深，形成完整知识闭环。 （3）独创方法论：首次提出AI for Observability与AI of Observability双轨实践，构建基于知识的策略架构、Hybrid GraphRAG智能管道、7层智能可观测架构。
售 价：¥
纸质售价：¥92.90购买纸书
6.3
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 推荐序一
Foreword 推荐序二
前言 Preface
Part 1 第一部分 新范式——为什么可观测性需要大语言模型
Chapter 1 第1章 大语言模型驱动的云原生可观测性技术背景
1.1 可观测性的基础知识
1.2 可观测性平台的支柱体系
1.3 可观测性架构的发展演进
1.4 本章小结
Chapter 2 第2章 从模型到范式——大语言模型基础
2.1 大语言模型概述
2.2 大语言模型的发展历程和现实格局
2.3 大语言模型的能力边界与挑战
2.4 本章小结
Part 2 第二部分 核心技术——当可观测性遇上大语言模型
Chapter 3 第3章 大语言模型的系统化能力与工程化体系
3.1 大语言模型生态体系的构成框架
3.2 大语言模型的架构与算力支撑生态
3.3 本章小结
Chapter 4 第4章 大语言模型应用部署生态
4.1 大语言模型的开发框架与库
4.2 模型管理与微调工具
4.3 模型部署与服务化工具
4.4 本章小结
Chapter 5 第5章 云原生可观测性技术原理与体系标准
5.1 云原生可观测性的三大支柱技术及原理
5.2 云原生可观测性的关键技术
5.3 云原生可观测性体系标准
5.4 本章小结
Chapter 6 第6章 国外主流大语言模型解析：技术架构与应用实例
6.1 OpenAI的GPT系列
6.2 Google的AI系列
6.3 Meta的Llama系列
6.4 本章小结
Chapter 7 第7章 国内主流大语言模型解析：DeepSeek的创新与实践
7.1 DeepSeek系列模型概述
7.2 DeepSeek模型训练
7.3 DeepSeek模型最佳实践
7.4 本章小结
Part 3 第三部分 融合与创新——如何构建一个大语言模型驱动的可观测性系统
Chapter 8 第8章 OpenTelemetry在大语言模型可观测性中的演进与实践
8.1 OpenTelemetry概述
8.2 OpenTelemetry的核心架构设计及实现原理
8.3 OpenTelemetry在云原生与大语言模型可观测性生态中的应用
8.4 本章小结
Chapter 9 第9章 融合之路——云原生可观测性与大语言模型的集成
9.1 大语言模型与云原生架构的深度融合机制
9.2 大语言模型与可观测性生态的交互模式
9.3 大语言模型与AIOps的深度范式融合
9.4 本章小结
Part 4 第四部分 架构与落地——基于大语言模型的云原生可观测性架构设计与应用实践
Chapter 10 第10章 基于大语言模型的云原生可观测性架构设计
10.1 大语言模型赋能云原生可观测性架构的核心价值
10.2 架构设计理念与总体框架
10.3 架构的核心组件设计
10.4 本章小结
Chapter 11 第11章 基于大语言模型的云原生可观测性架构应用实践
11.1 某AI平台智能日志分析与自然语言查询实践
11.2 某证券公司Agent及智算可观测性建设实践
11.3 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
