亚洲中文字幕久久久久久,中文字幕亚洲乱码在线

"《LangChain與企業(yè)級(jí)LLM服務(wù):從設(shè)計(jì)到部署》系統(tǒng)講解如何基于LangChain構(gòu)建企業(yè)級(jí)大語言模型應(yīng)用。以LangChain 0.2為核心，結(jié)合OpenAI與開源模型，涵蓋Prompt設(shè)計(jì)、Agent開發(fā)、LangServe部署及LangSmith調(diào)優(yōu)等全流程，深入解析LangChain技術(shù)生態(tài)。《LangChain與企業(yè)級(jí)LLM服務(wù):從設(shè)計(jì)到部署》共13章。第1~3章介紹LLM基礎(chǔ)、LangChain入門及核心模塊（如Prompt模板、LCEL等）；第4~7章通過企業(yè)文檔平臺(tái)、旅游客服、AI編程助手等案例，整合Agent、LangGraph等技術(shù)；第8章和第9章詳解LangSmith監(jiān)控調(diào)優(yōu)與LangServe部署實(shí)戰(zhàn)（含阿里云案例）；第10~13章拓展生態(tài)展望（如AutoGen）、剖析商業(yè)案例，并專題解析國產(chǎn)DeepSeek模型及其與LangChain結(jié)合的開發(fā)實(shí)踐。《LangChain與企業(yè)級(jí)LLM服務(wù):從設(shè)計(jì)到部署》適合高等院校計(jì)算機(jī)、人工智能等相關(guān)專業(yè)的學(xué)生閱讀，以及對大語言模型應(yīng)用、HuggingFace、LangChain技術(shù)感興趣的研究人員和互聯(lián)網(wǎng)研發(fā)工程師閱讀參考。"

前言
隨著OpenAI等AI技術(shù)的迅猛發(fā)展和全球普及，AI技術(shù)已成為各行各業(yè)關(guān)注的焦點(diǎn)。眾多企業(yè)開始著手開發(fā)自己的大語言模型（LLM）應(yīng)用，以保持競爭力。鑒于使用OpenAI等AI服務(wù)可能帶來的數(shù)據(jù)隱私和安全風(fēng)險(xiǎn)，大型科技公司對于本地化部署大型模型的需求日益增長。LangChain作為開發(fā)LLM應(yīng)用的首選框架，已被國內(nèi)外眾多公司廣泛采用。
作為一名擁有超過十年行業(yè)經(jīng)驗(yàn)的技術(shù)老兵，我始終保持對新興技術(shù)的敏銳洞察力。早在2023年年初，我就注意到了LangChain框架和大型語言模型等前沿技術(shù)，并開始了系統(tǒng)的學(xué)習(xí)。在獲得技術(shù)領(lǐng)導(dǎo)層的支持后，我在公司內(nèi)部推動(dòng)了LangChain技術(shù)的運(yùn)用，成功孵化了多個(gè)基于大型語言模型的企業(yè)產(chǎn)品應(yīng)用。這些項(xiàng)目中包括一些極具挑戰(zhàn)性的復(fù)雜大型協(xié)作項(xiàng)目。在這個(gè)過程中，我不知不覺積累了大量關(guān)于基于LangChain的大型模型應(yīng)用開發(fā)的經(jīng)驗(yàn)，取得了一系列成果。這些成果不僅得到了公司內(nèi)部用戶的認(rèn)可，也贏得了客戶的喜愛和支持。
在深入學(xué)習(xí)LangChain的過程中，我注意到市面上關(guān)于基于LangChain的企業(yè)級(jí)開發(fā)資源相當(dāng)稀缺。大多數(shù)教程僅僅停留在LangChain的基礎(chǔ)知識(shí)和簡單應(yīng)用層面，缺乏對真實(shí)場景下應(yīng)用落地和實(shí)際操作的深入探討。這使得LangChain技術(shù)似乎一直停留在理論層面，難以在實(shí)際工作中發(fā)揮其應(yīng)有的價(jià)值。
因此，我萌生了一個(gè)想法：撰寫一本專注于企業(yè)實(shí)戰(zhàn)的圖書，希望能幫助那些渴望通過AI技術(shù)實(shí)現(xiàn)賦能的公司，順利邁入大模型時(shí)代。這本書將填補(bǔ)市場上的空白，提供從理論到實(shí)踐的全面指導(dǎo)，讓LangChain技術(shù)真正落地，助力企業(yè)變革。
本書以實(shí)戰(zhàn)為核心，通過逐步深入的方式，讓讀者全面掌握LangChain技術(shù)和大型語言模型的開發(fā)精髓。通過本書的學(xué)習(xí)，讀者將能夠靈活運(yùn)用所學(xué)知識(shí)，開發(fā)出多樣化的AI應(yīng)用，并根據(jù)企業(yè)的業(yè)務(wù)特點(diǎn)，為企業(yè)服務(wù)注入新的活力和增長點(diǎn)。
考慮到本書以實(shí)戰(zhàn)為主，筆者假設(shè)讀者已具備一定的Python編程基礎(chǔ)，并熟悉一些AI服務(wù)的使用（如OpenAI等）。如果讀者之前從未接觸過編程或者完全不熟悉Python，在閱讀過程中，如果遇到難以理解的概念或技術(shù)點(diǎn)，可以利用這些AI服務(wù)作為輔助工具，幫助自己更好地學(xué)習(xí)和理解。這樣的設(shè)計(jì)不僅能夠提高學(xué)習(xí)效率，還能讓讀者在實(shí)踐中加深對LangChain技術(shù)的理解，真正做到學(xué)以致用。
針對不同知識(shí)背景的讀者，我有以下幾條閱讀建議：
（1）對于初次接觸LangChain框架的讀者，建議按照章節(jié)順序閱讀本書，系統(tǒng)地學(xué)習(xí)LangChain技術(shù)及其生態(tài)，并編寫案例代碼，這樣才能真正理解如何開發(fā)LLM應(yīng)用。
（2）對于已有一定LangChain使用經(jīng)驗(yàn)的讀者，可以根據(jù)自己感興趣的實(shí)戰(zhàn)章節(jié)，從第4章開始閱讀，結(jié)合自己的業(yè)務(wù)構(gòu)思新的解決方案。也可以將本書當(dāng)作一本實(shí)踐指南，邊學(xué)習(xí)邊實(shí)踐，逐步領(lǐng)悟LangChain技術(shù)在實(shí)際應(yīng)用中的精妙之處。
配套資源下載
本書配套源代碼，請讀者用微信掃描下面的二維碼下載。如果學(xué)習(xí)本書的過程中發(fā)現(xiàn)問題或疑問，可發(fā)送郵件至booksaga@126.com，郵件主題為LangChain與企業(yè)級(jí)LLM服務(wù)：從設(shè)計(jì)到部署。

感謝在寫作過程中家人的支持，特別是我的妻子，感謝她在周末陪伴我在家寫作，在我沮喪困頓時(shí)給予我鼓勵(lì)和包容。我記得，最后兩個(gè)章節(jié)是在山中完成的，遠(yuǎn)山隱入如夢似幻的云海，霞光照亮了我來時(shí)的路。
在此，我還要感謝清華大學(xué)出版社的編輯老師們。他們的嚴(yán)謹(jǐn)與專業(yè)精神對我影響深遠(yuǎn)，他們的指導(dǎo)不僅讓我受益匪淺，也極大地提升了本書的質(zhì)量。在他們的幫助下，我得以細(xì)致打磨每一個(gè)章節(jié)，優(yōu)化內(nèi)容的每一個(gè)細(xì)節(jié)，使得本書的表述更加明晰、易于理解。這份成就離不開他們的悉心指導(dǎo)和無私幫助。
我衷心希望讀者們在閱讀本書后能夠獲得豐富的知識(shí)與技能，并讓這本書成為你們身邊的得力助手。LangChain以及其他大型語言模型技術(shù)正在不斷地發(fā)展和迭代。讓我們攜手共進(jìn)，在人工智能時(shí)代乘風(fēng)破浪，共同探索技術(shù)的無限可能！

編者
2025年6月25日

目錄
第1章擁抱大語言模型 1
1.1 大語言模型簡介 1
1.1.1 大語言模型的定義 2
1.1.2 大語言模型的發(fā)展和應(yīng)用場景 3
1.2 主流的大語言模型 5
1.2.1 OpenAI的大語言模型 5
1.2.2 Meta的Llama模型 7
1.2.3 Claude大語言模型 10
1.2.4 國內(nèi)自研大語言模型：ChatGLM、MOSS和文心一言 12
1.3 大語言模型的開發(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)用場景 20
2.2 小試牛刀：開發(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 編寫標(biāo)題生成服務(wù) 23
2.2.3 編寫文章生成服務(wù) 28
2.2.4 多鏈合并 30
2.3 LLM開發(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 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過程 108
4.4 vectorstore的選擇 110
4.5 問答式檢索器：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的常用類型和實(shí)際使用場景 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章開發(fā)者AI Assistant實(shí)戰(zhàn) 171
6.1 開發(fā)者的開發(fā)流程和新需求 171
6.1.1 瀑布流開發(fā) 171
6.1.2 Scrum開發(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 基于代碼倉庫的智能問答和檢索 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)代碼生成單元測試 193
6.8 代碼漏洞檢測和性能優(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 265
10.1 LangChain生態(tài)現(xiàn)狀 265
10.2 LangChain Hub 266
10.3 其他LLM開發(fā)框架：AutoGen 268
10.4 對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)全功能開發(fā) 314

你還可能感興趣

我要評(píng)論