目 錄
第1章 擁抱大語(yǔ)言模型 1
1.1 大語(yǔ)言模型簡(jiǎn)介 1
1.1.1 大語(yǔ)言模型的定義 2
1.1.2 大語(yǔ)言模型的發(fā)展和應(yīng)用場(chǎng)景 3
1.2 主流的大語(yǔ)言模型 5
1.2.1 OpenAI的大語(yǔ)言模型 5
1.2.2 Meta的Llama模型 7
1.2.3 Claude大語(yǔ)言模型 10
1.2.4 國(guó)內(nèi)自研大語(yǔ)言模型：ChatGLM、MOSS和文心一言 12
1.3 大語(yǔ)言模型的開(kāi)發(fā)工具LangChain 14
第2章 LangChain初體驗(yàn) 15
2.1 LangChain介紹和安裝 15
2.1.1 什么是LangChain 15
2.1.2 環(huán)境搭建 16
2.1.3 LangChain的應(yīng)用場(chǎng)景 20
2.2 小試牛刀：開(kāi)發(fā)一個(gè)AI文章生成工具 21
2.2.1 初始化項(xiàng)目和配置 21
2.2.2 編寫(xiě)標(biāo)題生成服務(wù) 23
2.2.3 編寫(xiě)文章生成服務(wù) 28
2.2.4 多鏈合并 30
2.3 LLM開(kāi)發(fā)的工作原理和標(biāo)準(zhǔn)流程 33
第3章 LangChain基礎(chǔ)模塊 36
3.1 LangChain的核心概念 36
3.2 輸入和輸出組件 38
3.2.1 Prompt模板能力 39
3.2.2 ChatModel模塊 46
3.2.3 自定義Chat Model 49
3.2.4 LLM模塊的選擇 50
3.2.5 輸出解析器和自定義輸出解析器 58
3.3 LCEL 61
3.3.1 管道操作 62
3.3.2 綁定參數(shù)的使用 64
3.3.3 invoke函數(shù) 66
3.3.4 stream函數(shù) 67
3.3.5 batch函數(shù) 67
3.4 Memory模塊 68
3.5 基于輸入的動(dòng)態(tài)邏輯路由 71
3.5.1 RunnableLambda 72
3.5.2 RunnableBranch 73
3.6 檢索 74
3.6.1 文檔加載器 74
3.6.2 文本分割器 77
3.6.3 詞嵌入模型 79
3.6.4 向量數(shù)據(jù)庫(kù) 83
3.6.5 檢索器 96
3.6.6 索引 100
第4章 企業(yè)文檔智能平臺(tái)實(shí)戰(zhàn) 103
4.1 智能文檔的架構(gòu)設(shè)計(jì)和功能規(guī)劃 103
4.2 文檔加載和預(yù)處理 105
4.3 Embedding過(guò)程 108
4.4 vectorstore的選擇 110
4.5 問(wèn)答式檢索器：QARetriever 113
4.6 自查詢檢索器：SelfQueryRetriever 116
4.7 多向量檢索器：MultiVectorRetriever 120
4.8 多輪對(duì)話能力 126
4.9 優(yōu)化會(huì)話內(nèi)存管理 130
4.10 優(yōu)化上下文和檢索 132
第5章 旅游業(yè)AI客服實(shí)戰(zhàn) 140
5.1 旅游服務(wù)的痛點(diǎn) 140
5.2 AI客服架構(gòu)設(shè)計(jì) 141
5.3 Agent模塊 144
5.3.1 Agent的基本概念 144
5.3.2 Agent的常用類(lèi)型和實(shí)際使用場(chǎng)景 147
5.3.3 Agent Tools的使用 150
5.3.4 Agent和OpenAI整合 153
5.4 接入第三方天氣API 156
5.5 第三方酒店預(yù)訂API整合 161
5.6 LangGraph的使用 164
5.7 UI整合 168
5.8 本章小結(jié) 170
第6章 開(kāi)發(fā)者AI Assistant實(shí)戰(zhàn) 171
6.1 開(kāi)發(fā)者的開(kāi)發(fā)流程和新需求 171
6.1.1 瀑布流開(kāi)發(fā) 171
6.1.2 Scrum開(kāi)發(fā) 172
6.2 技術(shù)選型和架構(gòu)設(shè)計(jì) 172
6.2.1 插件開(kāi)發(fā)初體驗(yàn) 174
6.2.2 調(diào)試、編譯和安裝插件 176
6.3 常用Git操作的封裝 177
6.3.1 自動(dòng)生成注釋 178
6.3.2 提交信息智能生成 181
6.3.3 智能rebase多次提交 184
6.4 基于代碼倉(cāng)庫(kù)的智能問(wèn)答和檢索 188
6.4.1 加載文檔 188
6.4.2 切分代碼塊 189
6.4.3 詞嵌入和向量存儲(chǔ) 189
6.4.4 問(wèn)答功能 190
6.5 AI生成代碼注釋 191
6.6 文檔生成 192
6.7 基于業(yè)務(wù)代碼生成單元測(cè)試 193
6.8 代碼漏洞檢測(cè)和性能優(yōu)化 195
第7章 AI代碼審核實(shí)戰(zhàn) 197
7.1 代碼審核的重要性 197
7.2 AI如何進(jìn)行代碼審核和接入工作流 199
7.3 架構(gòu)設(shè)計(jì)和場(chǎng)景設(shè)計(jì) 200
7.4 最佳實(shí)踐預(yù)學(xué)習(xí) 201
7.5 介入合并沖突 207
7.6 客戶端側(cè)實(shí)現(xiàn)AI審核 208
7.7 Webhook實(shí)現(xiàn)AI代碼審核 210
7.8 Pull Request駁回和通過(guò)的處理 213
7.9 生成代碼質(zhì)量報(bào)告 215
7.10 集成SonarQube 218
第8章 LangSmith實(shí)戰(zhàn) 230
8.1 什么是LangSmith 230
8.1.1 LangSmith的基本概念 230
8.1.2 LangSmith的核心功能模塊 231
8.1.3 自定義追蹤設(shè)置 237
8.1.4 性能調(diào)優(yōu) 240
8.2 離線方式評(píng)估LLM應(yīng)用性能 242
8.3 CI交互式評(píng)估LLM應(yīng)用性能 246
8.4 線上方式評(píng)估LLM應(yīng)用性能 249
第9章 LangChain應(yīng)用的部署實(shí)戰(zhàn) 251
9.1 Docker方式部署 251
9.2 LangServe部署LLM應(yīng)用 254
9.3 LangChain CLI 255
9.4 LangChain Templates的應(yīng)用 257
9.5 案例：LangChain-Chatchat部署LLM應(yīng)用 260
第10章 LangChain的生態(tài)和未來(lái) 265
10.1 LangChain生態(tài)現(xiàn)狀 265
10.2 LangChain Hub 266
10.3 其他LLM開(kāi)發(fā)框架：AutoGen 268
10.4 對(duì)LangChain的展望 273
第11章 AI商業(yè)創(chuàng)新 275
11.1 OpenAI的商業(yè)之路和創(chuàng)新 275
11.2 案例分析：Devv.ai 277
11.3 案例分析：MarsCode 280
第12章 國(guó)產(chǎn)之光：DeepSeek模型 283
12.1 后起之秀DeepSeek 283
12.2 DeepSeek模型系列 289
12.3 DeepSeek-R1模型 289
12.4 DeepSeek本地部署 290
12.4.1 Ollama方式部署 292
12.4.2 UI方案一：Open WebUI 293
12.4.3 UI方案二：ChatBox 296
12.5 DeepSeek云上部署 297
第13章 DeepSeek實(shí)戰(zhàn)之編程助手 300
13.1 AI輔助編程的重要性 300
13.2 需求分析和技術(shù)架構(gòu)設(shè)計(jì) 301
13.3 預(yù)學(xué)習(xí) 302
13.4 代碼補(bǔ)全功能開(kāi)發(fā) 314