管理学 类型
可以朗读 语音朗读
131千字 字数
2025-08-01 发行日期
展开全部

主编推荐语

系统讲解如何基于LangChain构建企业级大语言模型应用。

内容简介

本书以LangChain 0.2为核心，结合OpenAI与开源模型，涵盖Prompt设计、Agent开发、LangServe部署及LangSmith调优等全流程，深入解析LangChain技术生态。

全书共13章。第1～3章介绍LLM基础、LangChain入门及核心模块（如Prompt模板、LCEL等）；第4～7章通过企业文档平台、旅游客服、AI编程助手等案例，整合Agent、LangGraph等技术；第8章和第9章详解LangSmith监控调优与LangServe部署实战（含阿里云案例）；第10～13章拓展生态展望（如AutoGen）、剖析商业案例，并专题解析国产DeepSeek模型及其与LangChain结合的开发实践。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 第1章 拥抱大语言模型
  • 1.1 大语言模型简介
  • 1.1.1 大语言模型的定义
  • 1.1.2 大语言模型的发展和应用场景
  • 1.2 主流的大语言模型
  • 1.2.1 OpenAI的大语言模型
  • 1.2.2 Meta的Llama模型
  • 1.2.3 Claude大语言模型
  • 1.2.4 国内自研大语言模型：ChatGLM、MOSS和文心一言
  • 1.3 大语言模型的开发工具LangChain
  • 第2章 LangChain初体验
  • 2.1 LangChain介绍和安装
  • 2.1.1 什么是LangChain
  • 2.1.2 环境搭建
  • 2.1.3 LangChain的应用场景
  • 2.2 小试牛刀：开发一个AI文章生成工具
  • 2.2.1 初始化项目和配置
  • 2.2.2 编写标题生成服务
  • 2.2.3 编写文章生成服务
  • 2.2.4 多链合并
  • 2.3 LLM开发的工作原理和标准流程
  • 第3章 LangChain基础模块
  • 3.1 LangChain的核心概念
  • 3.2 输入和输出组件
  • 3.2.1 Prompt模板能力
  • 3.2.2 ChatModel模块
  • 3.2.3 自定义Chat Model
  • 3.2.4 LLM模块的选择
  • 3.2.5 输出解析器和自定义输出解析器
  • 3.3 LCEL
  • 3.3.1 管道操作
  • 3.3.2 绑定参数的使用
  • 3.3.3 invoke函数
  • 3.3.4 stream函数
  • 3.3.5 batch函数
  • 3.4 Memory模块
  • 3.5 基于输入的动态逻辑路由
  • 3.5.1 RunnableLambda
  • 3.5.2 RunnableBranch
  • 3.6 检索
  • 3.6.1 文档加载器
  • 3.6.2 文本分割器
  • 3.6.3 词嵌入模型
  • 3.6.4 向量数据库
  • 3.6.5 检索器
  • 3.6.6 索引
  • 第4章 企业文档智能平台实战
  • 4.1 智能文档的架构设计和功能规划
  • 4.2 文档加载和预处理
  • 4.3 Embedding过程
  • 4.4 vectorstore的选择
  • 4.5 问答式检索器：QARetriever
  • 4.6 自查询检索器：SelfQueryRetriever
  • 4.7 多向量检索器：MultiVectorRetriever
  • 4.8 多轮对话能力
  • 4.9 优化会话内存管理
  • 4.10 优化上下文和检索
  • 第5章 旅游业AI客服实战
  • 5.1 旅游服务的“痛点”
  • 5.2 AI客服架构设计
  • 5.3 Agent模块
  • 5.3.1 Agent的基本概念
  • 5.3.2 Agent的常用类型和实际使用场景
  • 5.3.3 Agent Tools的使用
  • 5.3.4 Agent和OpenAI整合
  • 5.4 接入第三方天气API
  • 5.5 第三方酒店预订API整合
  • 5.6 LangGraph的使用
  • 5.7 UI整合
  • 5.8 本章小结
  • 第6章 开发者AI Assistant实战
  • 6.1 开发者的开发流程和新需求
  • 6.1.1 瀑布流开发
  • 6.1.2 Scrum开发
  • 6.2 技术选型和架构设计
  • 6.2.1 插件开发初体验
  • 6.2.2 调试、编译和安装插件
  • 6.3 常用Git操作的封装
  • 6.3.1 自动生成注释
  • 6.3.2 提交信息智能生成
  • 6.3.3 智能rebase多次提交
  • 6.4 基于代码仓库的智能问答和检索
  • 6.4.1 加载文档
  • 6.4.2 切分代码块
  • 6.4.3 词嵌入和向量存储
  • 6.4.4 问答功能
  • 6.5 AI生成代码注释
  • 6.6 文档生成
  • 6.7 基于业务代码生成单元测试
  • 6.8 代码漏洞检测和性能优化
  • 第7章 AI代码审核实战
  • 7.1 代码审核的重要性
  • 7.2 AI如何进行代码审核和接入工作流
  • 7.3 架构设计和场景设计
  • 7.4 最佳实践预学习
  • 7.5 介入合并冲突
  • 7.6 客户端侧实现AI审核
  • 7.7 Webhook实现AI代码审核
  • 7.8 Pull Request驳回和通过的处理
  • 7.9 生成代码质量报告
  • 7.10 集成SonarQube
  • 第8章 LangSmith实战
  • 8.1 什么是LangSmith
  • 8.1.1 LangSmith的基本概念
  • 8.1.2 LangSmith的核心功能模块
  • 8.1.3 自定义追踪设置
  • 8.1.4 性能调优
  • 8.2 离线方式评估LLM应用性能
  • 8.3 CI交互式评估LLM应用性能
  • 8.4 线上方式评估LLM应用性能
  • 第9章 LangChain应用的部署实战
  • 9.1 Docker方式部署
  • 9.2 LangServe部署LLM应用
  • 9.3 LangChain CLI
  • 9.4 LangChain Templates的应用
  • 9.5 案例：LangChain-Chatchat部署LLM应用
  • 第10章 LangChain的生态和未来
  • 10.1 LangChain生态现状
  • 10.2 LangChain Hub
  • 10.3 其他LLM开发框架：AutoGen
  • 10.4 对LangChain的展望
  • 第11章 AI商业创新
  • 11.1 OpenAI的商业之路和创新
  • 11.2 案例分析：Devv.ai
  • 11.3 案例分析：MarsCode
  • 第12章 国产之光：DeepSeek模型
  • 12.1 后起之秀DeepSeek
  • 12.2 DeepSeek模型系列
  • 12.3 DeepSeek-R1模型
  • 12.4 DeepSeek本地部署
  • 12.4.1 Ollama方式部署
  • 12.4.2 UI方案一：Open WebUI
  • 12.4.3 UI方案二：ChatBox
  • 12.5 DeepSeek云上部署
  • 第13章 DeepSeek实战之编程助手
  • 13.1 AI辅助编程的重要性
  • 13.2 需求分析和技术架构设计
  • 13.3 预学习
  • 13.4 代码补全功能开发
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

清华大学出版社

清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。