快速掌握大模型应用开发：写给AI时代程序员的技术指南 周泉玺 大模型 开发 应用 AI AIGC 生成式AI 人工智能
定 价：129 元
当前图书已被 4 所学校荐购过！
查看明细
- 作者：周泉玺
- 出版时间：2025/9/1
- ISBN：9787111790495
- 出 版 社：机械工业出版社
- 中图法分类：TP18-49
- 页码：
- 纸张：胶版纸
- 版次：
- 开本：16开
本书系统介绍了大模型应用开发的理论与实践，内容涵盖大模型应用开发概述、应用架构设计、前端开发升级、后端服务升级、数据基础设施、大模型能力集成、提示词工程体系、智能特性开发、智能体开发与集成，以及智能写作助手、智能客服平台等项目的实战案例。本书从实用性出发，结合作者的开发经验和行业最佳实践编写而成（随书配套案例源码，获取方式见封底）。本书既可作为软件工程师和程序员学习大模型应用开发的实用指南，也可作为高校AI相关专业的参考用书和企业培训资料。
本书系统介绍了大模型应用开发的理论与实践，内容涵盖大模型应用开发概述、应用架构设计、前端开发升级、后端服务升级、数据基础设施、大模型能力集成、提示词工程体系、智能特性开发、智能体开发与集成，以及智能写作助手、智能客服平台等项目的实战案例。本书从实用性出发，结合作者的开发经验和行业最佳实践编写而成。帮助传统程序员快速掌握AI应用开发技能，实现职业转型。它既体现了本书的实用性和普适性，也传达了AI时代人人都能参与的积极信息。
随着大模型技术的迅猛发展，人工智能正以前所未有的速度重塑各行各业的生产方式与工作流程。2023年以来，ChatGPT、文心一言、DeepSeek等大模型产品不断刷新公众对AI能力的认知，而基于这些模型的应用开发也逐渐成为IT行业的新热点。在这样的技术浪潮中，无论是初入行的开发者还是资深工程师，都需要系统性地掌握大模型应用开发的方法与技能，这不仅是适应时代变革的需要，更是提升个人竞争力的关键一步。本书正是基于这一背景编写而成。本书从应用开发者的视角出发，系统性地梳理了大模型应用开发的核心流程、关键技术和实战经验，旨在帮助广大开发者快速跨越大模型应用开发的学习曲线，构建出性能优异且用户体验佳的AI产品。与市场上侧重于模型原理讲解的书籍不同，本书将重点放在应用层面，关注如何有效地调用和集成大模型能力，打造满足实际业务需求的落地产品。全书共12章，内容涵盖大模型应用开发的全过程。第1~2章介绍大模型应用开发的基础知识与架构设计；第3~5章聚焦前端开发、后端服务与数据基础设施；第6~7章探讨大模型能力集成与提示词工程体系；第8~9章讲解智能特性开发和智能体开发与集成；第10~12章通过实战案例展示如何将知识应用到项目中。每章均设置了明确的学习目标，通过代码示例、架构图解和表格对比，让抽象概念变得具体可行，章末还提供了进一步学习的指导。本书特别关注开源生态下的大模型应用开发，选择DeepSeek等国产开源大模型作为实战案例，既降低了开发成本，又避免了对闭源商业模型的依赖。在架构设计上，提供了多种实现方案；在技术选型上，介绍了多种前后端框架的优劣对比；在性能优化上，详细讲解了从模型量化到缓存设计的各种技巧。作为一线开发者，作者深知技术进步的速度之快，书中所述的某些具体技术细节可能会随时间变化，但其背后的设计思想和方法论却具有长久的参考价值。希望本书能为读者提供一把启迪思想的钥匙，打开大模型应用开发的大门，让每位开发者都能在AI时代把握机遇，创造价值。在编写过程中，作者得到了许多同行和朋友的宝贵建议与支持。也感谢机械工业出版社编辑们的专业指导和辛勤工作，使本书得以顺利出版。受限于个人知识水平和经验，书中难免存在疏漏与不足，恳请读者批评指正。在技术日新月异的今天，唯有不断学习与实践，才能真正掌握技术精髓。愿本书能成为读者探索大模型应用开发的有益伙伴。作者
周泉玺，美国约翰·霍普金斯大学人工智能硕士、英国华威大学工程硕士、大模型算法专家、阿里云人工智能高级认证工程师、IBM量子计算认证工程师。专注于企业级AI应用架构的研究，尤其在大语言模型产业化落地、分布式RAG系统开发、智能内容生成等方向有着深入的技术积累和实战经验。现任国家能源集团大模型智能平台首席架构师，主导央企数字化转型战略，统筹集团级传统IT基础设施向AI智能平台的技术升级。在企业级AI应用架构设计和大模型规模化落地方面有着丰富的实践经验。在大模型应用领域取得了一系列开创性成果：主导设计的企业级RAG问答系统在政府知识库场景成功落地；领导开发智能PPT生成平台；设计实现的多模态对话系统已成功应用于多个大型企业的智能客服场景；主持开发的知识图谱增强型问答平台创新性地将企业级问答准确率大幅提升。曾任科大讯飞AI算法架构师，负责企业级AI应用的核心算法研发和系统架构设计。在任期间成功推动多个行业标杆项目落地，建立了完整的企业AI应用开发规范体系。
前言第1章 大模型应用开发概述1.1大模型应用开发趋势1.1.1大模型应用的技术特点1.1.2开发模式的转变与机遇1.1.3开发者技能提升指南1.2技术栈与架构选型1.2.1前端技术栈规划1.2.2后端技术栈规划1.2.3AI服务架构设计1.3快速开发环境搭建1.3.1一站式开发环境配置1.3.2AI开发工具集成1.3.3项目脚手架使用1.4小结第2章 应用架构设计2.1面向AI的架构规划2.1.1大模型服务架构设计2.1.2向量存储架构设计2.1.3实时推理服务设计2.2核心服务模块构建2.2.1模型服务集成方案2.2.2AI能力抽象层设计2.2.3流式处理机制2.3数据流与状态管理2.3.1AI交互数据流设计2.3.2上下文状态管理2.3.3缓存策略优化2.4小结第3章 前端开发升级3.1AI交互设计3.1.1大模型对话组件设计3.1.2流式响应渲染方案3.1.3实时反馈机制3.2Vue 3技术实现3.2.1AI组件库封装3.2.2大模型状态管理3.2.3智能特性集成3.3React技术实现3.3.1AI场景的Hooks设计3.3.2流式数据处理3.3.3性能优化方案3.4小结第4章 后端服务升级4.1Spring Boot实现4.1.1AI服务网关设计4.1.2基于WebSocket的流式服务4.1.3模型调用封装4.2FastAPI实现4.2.1异步模型服务4.2.2流式响应处理4.2.3AI中间件开发4.3核心服务组件4.3.1向量检索服务4.3.2知识库管理服务4.3.3模型性能监控4.4小结第5章 数据基础设施5.1AI数据存储方案5.1.1向量数据库应用5.1.2知识库存储设计5.1.3缓存系统优化5.2数据处理链路5.2.1文本向量化处理5.2.2知识抽取与组织5.2.3数据质量保障5.3混合检索系统5.3.1语义检索实现5.3.2混合召回策略5.3.3搜索性能优化5.4小结第6章 大模型能力集成6.1大模型服务架构设计6.1.1大模型服务层规划6.1.2大模型负载均衡策略6.1.3高可用架构设计6.2大模型能力接入6.2.1DeepSeek等开源模型集成6.2.2流式响应处理方案6.2.3多模型调度策略6.3大模型服务优化6.3.1大模型性能调优6.3.2响应延迟优化6.3.3成本效益分析6.4小结第7章 提示词工程体系7.1提示词开发基础7.1.1提示词设计原则7.1.2上下文管理策略7.1.3提示词测试方法7.2提示词高级技术7.2.1动态提示词生成7.2.2多轮对话优化7.2.3提示词自动优化7.3提示词工程平台7.3.1提示词版本控制7.3.2A/B测试系统7.3.3效果分析平台7.4小结第8章 智能特性开发8.1AI增强型前端8.1.1AI对话组件开发8.1.2流式渲染实现8.1.3智能交互设计8.2AI增强型后端8.2.1向量数据库集成8.2.2语义检索实现8.2.3知识库管理系统8.3智能特性优化8.3.1多模态处理技术8.3.2个性化推荐系统8.3.3智能分析报告生成8.4小结第9章 智能体开发与集成9.1智能体架构设计9.1.1基于LangChain的框架搭建9.1.2智能体行为定义9.1.3多智能体协作机制9.2场景化智能体实现9.2.1写作助手智能体9.2.2知识检索智能体9.2.3质量评估智能体9.3智能体优化管理9.3.1智能体性能优化9.3.2行为约束与安全机制9.3.3智能体监控系统9.4小结第10章 智能写作助手项目实战10.1项目架构设计10.1.1需求分析与规划10.1.2技术架构设计10.1.3数据流转方案10.2核心功能实现10.2.1写作引擎开发10.2.2知识库构建10.2.3智能体协作系统10.3DeepSeek模型部署与优化10.3.1DeepSeek部署实践10.3.2大模型应用性能优化方案10.4小结第11章 智能客服平台项目实战11.1基于DeepSeek的系统设计11.1.1DeepSeek多模型协同架构11.1.2开源模型成本优化方案11.1.3高并发服务设计11.2智能客服核心实现11.2.1实时对话能力开发11.2.2意图理解与智能路由系统11.2.3多轮对话状态管理11.3企业级运营体系11.3.1对话质量实时评估11.3.2智能客服数据分析11.3.3服务监控与告警11.4小结第12章 其他关键场景实践指南12.1文档智能处理场景12.1.1多模态文档解析架构12.1.2智能文档分类与路由12.1.3知识图谱构建方案12.2数据分析助手场景12.2.1多源数据接入与清洗12.2.2自然语言转SQL实现12.2.3可视化报表生成12.3智能决策支持场景12.3.1多维数据推理框架12.3.2决策链路可解释性12.4小结参考文献
书单推荐
