ChatBI核心技術(shù)：生成式BI解鎖智能商業(yè)決策新維度
定 價(jià)：109 元
當(dāng)前圖書(shū)已被 2 所學(xué)校薦購(gòu)過(guò)！
查看明細(xì)
- 作者：游皓麟
- 出版時(shí)間：2025/10/1
- ISBN：9787121513688
- 出 版 社：電子工業(yè)出版社
- 中圖法分類(lèi)：TP31
- 頁(yè)碼：456
- 紙張：
- 版次：01
- 開(kāi)本：16開(kāi)
本書(shū)旨在為讀者提供一個(gè)全面的ChatBI學(xué)習(xí)框架。從基礎(chǔ)概念到核心技術(shù)，再到實(shí)際應(yīng)用場(chǎng)景，書(shū)中詳細(xì)介紹了ChatBI的定義、特點(diǎn)、與傳統(tǒng)BI的區(qū)別，以及其在企業(yè)決策支持、數(shù)據(jù)分析民主化、即時(shí)數(shù)據(jù)洞察等多場(chǎng)景中的應(yīng)用。書(shū)中還深入探討了提示工程、AI智能體、檢索增強(qiáng)生成、大模型微調(diào)等關(guān)鍵技術(shù)，并通過(guò)實(shí)戰(zhàn)案例展示了如何構(gòu)建AI智能體和業(yè)務(wù)知識(shí)庫(kù)，以及實(shí)現(xiàn)數(shù)據(jù)智能查詢(xún)與可視化等功能。此外，書(shū)中還討論了對(duì)話理解、智能分析、用戶(hù)交互等重要環(huán)節(jié)，幫助讀者全面掌握ChatBI的技術(shù)實(shí)現(xiàn)和應(yīng)用思路。
游皓麟，資深數(shù)據(jù)科學(xué)家與AI算法專(zhuān)家，擁有超過(guò)14年的數(shù)據(jù)與算法研發(fā)經(jīng)驗(yàn)，深耕機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、大數(shù)據(jù)及AI領(lǐng)域，具備豐富的工程實(shí)踐經(jīng)驗(yàn)與優(yōu)秀的技術(shù)管理能力。曾就職于華為技術(shù)軟件公司，專(zhuān)注于相關(guān)技術(shù)的研發(fā)與落地�？缧袠I(yè)經(jīng)驗(yàn)豐富，涵蓋移動(dòng)互聯(lián)網(wǎng)、電信、電力、軍工、游戲、保險(xiǎn)等多個(gè)行業(yè)，擅長(zhǎng)行為分析、預(yù)測(cè)建模、算法優(yōu)化、大數(shù)據(jù)架構(gòu)及端到端AI解決方案。著有《R語(yǔ)言預(yù)測(cè)實(shí)戰(zhàn)》《Python預(yù)測(cè)之美》等多部技術(shù)著作。
第1章 初識(shí)ChatBI：商業(yè)智能的新世界 1
1.1 什么是ChatBI 2
1.1.1 BI的定義與演化 2
1.1.2 ChatBI的概念與特點(diǎn) 3
1.1.3 ChatBI與傳統(tǒng)BI的區(qū)別 5
1.1.4 ChatBI的核心價(jià)值 6
1.1.5 ChatBI的優(yōu)勢(shì)與挑戰(zhàn) 8
1.2 ChatBI的行業(yè)生態(tài) 9
1.2.1 業(yè)界前沿 10
1.2.2 行業(yè)ChatBI產(chǎn)品介紹 11
1.3 ChatBI產(chǎn)品特性 13
1.3.1 多端互聯(lián)：跨平臺(tái)、多設(shè)備、實(shí)時(shí)交互 13
1.3.2 多源數(shù)據(jù)：兼容多種數(shù)據(jù)類(lèi)型、靈活高效 13
1.3.3 意圖識(shí)別：分析用戶(hù)意圖，提升交互體驗(yàn) 14
1.3.4 智能問(wèn)答：多元智能交互 15
1.3.5 智能繪圖：自動(dòng)化生成圖表，輔助決策 16
1.3.6 智能分析：深度挖掘數(shù)據(jù)價(jià)值 17
1.4 ChatBI開(kāi)源項(xiàng)目 17
1.4.1 DB-GPT：AI原生數(shù)據(jù)應(yīng)用開(kāi)發(fā)框架 17
1.4.2 PandasAI：數(shù)據(jù)分析助手 18
1.4.3 Vanna-AI：個(gè)性化AI SQL智能體 19
1.4.4 SuperSonic：融合大語(yǔ)言模型和語(yǔ)義建模的新一代BI平臺(tái) 19
1.5 ChatBI系統(tǒng)架構(gòu) 20
1.5.1 架構(gòu)概覽 20
1.5.2 核心組件 23
1.5.3 對(duì)話引擎 25
1.5.4 知識(shí)引擎 26
1.5.5 智能體引擎 28
1.5.6 系統(tǒng)集成 29
1.5.7 安全部署 31
1.6 ChatBI的應(yīng)用場(chǎng)景 32
1.6.1 企業(yè)決策支持 33
1.6.2 數(shù)據(jù)分析民主化 33
1.6.3 即時(shí)數(shù)據(jù)洞察 36
1.6.4 客戶(hù)服務(wù)與智能問(wèn)答 38
1.6.5 個(gè)性化定制 39
1.6.6 跨行業(yè)應(yīng)用 40
1.7 ChatBI的發(fā)展趨勢(shì) 42
1.7.1 多模態(tài)交互 42
1.7.2 智能推理 43
1.7.3 數(shù)據(jù)安全與隱私保護(hù) 44
第2章 提示工程：讓ChatBI更懂你的需求 46
2.1 提示工程概念 47
2.1.1 什么是提示詞 47
2.1.2 提示詞的類(lèi)型 48
2.1.3 提示詞的基本結(jié)構(gòu) 49
2.1.4 提示詞的設(shè)計(jì)原則 54
2.1.5 提示詞的構(gòu)建方法 56
2.1.6 提示詞優(yōu)化 58
2.2 上下文管理 60
2.2.1 上下文信息組織 61
2.2.2 上下文優(yōu)化策略 64
2.2.3 會(huì)話狀態(tài)維護(hù) 67
2.2.4 歷史信息壓縮 67
2.2.5 內(nèi)存管理策略 68
2.3 提示詞經(jīng)典框架 69
2.3.1 ICIO框架 69
2.3.2 CRISPE框架 71
2.3.3 RACE框架 72
2.3.4 COAST框架 72
2.3.5 ALIGN框架 73
2.3.6 TRACE框架 74
2.4 推理增強(qiáng)技術(shù) 75
2.4.1 思維鏈：線性推理 75
2.4.2 思維樹(shù)：分支探索 78
2.4.3 思維圖與圖提示 80
2.4.4 驗(yàn)證鏈:逐步確認(rèn) 81
2.4.5 知識(shí)鏈：信息增強(qiáng) 82
2.4.6 表格推理 83
2.4.7 代碼推理 84
2.5 知識(shí)整合策略 88
2.5.1 生成知識(shí)提示 88
2.5.2 知識(shí)圖譜提示 89
2.5.3 外部知識(shí)庫(kù)集成 91
2.5.4 檢索增強(qiáng)生成提示 91
2.5.5 知識(shí)一致性檢查 92
2.5.6 基于反饋的知識(shí)修正 93
2.6 提示詞的評(píng)估體系 94
2.6.1 評(píng)估維度 94
2.6.2 評(píng)估方法 95
2.6.3 評(píng)估指標(biāo) 96
2.6.4 評(píng)估流程 96
2.7 提示工程發(fā)展趨勢(shì) 97
2.7.1 自動(dòng)化程度不斷提高 97
2.7.2 多模態(tài)融合 98
2.7.3 個(gè)性化與定制化 98
2.7.4 倫理與合規(guī)性的重視 100
2.7.5 持續(xù)學(xué)習(xí)與進(jìn)化 101
第3章 AI智能體：ChatBI的“多核引擎”，讓效率全面提升 102
3.1 AI智能體概述 103
3.1.1 什么是AI智能體 103
3.1.2 AI智能體的結(jié)構(gòu) 105
3.1.3 AI智能體的特征 110
3.1.4 AI智能體如何工作 111
3.1.5 AI智能體的類(lèi)型 113
3.1.6 ChatBI中AI智能體的用途 120
3.2 AI智能體推理范式 121
3.2.1 ReAct：推理與行動(dòng) 121
3.2.2 ReWOO：無(wú)觀察推理 123
3.2.3 Plan ＆ Solve：規(guī)劃求解 125
3.2.4 LLM Compiler：并行編排 126
3.2.5 Basic Reflection：基本反思 128
3.2.6 Reflexion：增強(qiáng)反思 130
3.2.7 Self-Discover：自主探索 131
3.2.8 LATS：語(yǔ)言智能體樹(shù)搜索 133
3.3 基于LLM的單智能體實(shí)現(xiàn) 135
3.3.1 聊天程序示例 135
3.3.2 多輪對(duì)話 136
3.3.3 函數(shù)調(diào)用 139
3.3.4 自動(dòng)執(zhí)行 145
3.3.5 自定義Agent類(lèi) 148
3.4 基于LLM的多智能體協(xié)作 152
3.4.1 單智能體的問(wèn)題 152
3.4.2 智能體工作交接 152
3.4.3 雙層客服案例 156
3.4.4 研究報(bào)告案例 159
3.4.5 多智能體協(xié)作方式 163
3.4.6 多智能體數(shù)據(jù)共享和傳遞 165
3.5 AI智能體工作流 167
3.5.1 工作流的定義 167
3.5.2 工作流的特點(diǎn) 168
3.5.3 多智能體存在的問(wèn)題 168
3.5.4 構(gòu)建高效的智能體 169
3.5.5 提示鏈 170
3.5.6 路由選擇 171
3.5.7 并行化 173
3.5.8 協(xié)調(diào)者與執(zhí)行者 175
3.5.9 評(píng)估者與優(yōu)化者 179
3.6 實(shí)戰(zhàn)案例1：從零搭建智能數(shù)據(jù)交互平臺(tái) 180
3.6.1 功能說(shuō)明 181
3.6.2 Panel框架 181
3.6.3 聊天機(jī)器人 184
3.6.4 問(wèn)題推薦 189
3.6.5 多輪對(duì)話 191
3.6.6 工具調(diào)用 192
第4章 檢索增強(qiáng)生成：助力ChatBI精準(zhǔn)理解業(yè)務(wù)，高效賦能決策 194
4.1 RAG概述 195
4.1.1 什么是RAG 195
4.1.2 為什么需要RAG 196
4.1.3 RAG的工作流程 197
4.1.4 RAG的優(yōu)點(diǎn)與缺點(diǎn) 200
4.1.5 RAG在ChatBI場(chǎng)景中的應(yīng)用 202
4.1.6 RAG面臨的挑戰(zhàn) 203
4.2 RAG核心技術(shù) 205
4.2.1 RAG提示詞設(shè)計(jì) 205
4.2.2 文本切塊與向量化 210
4.2.3 向量數(shù)據(jù)庫(kù) 213
4.2.4 RAG檢索器 216
4.2.5 RAG生成器 218
4.2.6 RAG查詢(xún)引擎 221
4.2.7 RAG對(duì)話引擎 222
4.2.8 結(jié)構(gòu)化輸出 225
4.3 RAG優(yōu)化方法 228
4.3.1 召回環(huán)節(jié)優(yōu)化 228
4.3.2 RAG框架的優(yōu)化邏輯 230
4.3.3 召回環(huán)節(jié)評(píng)估 232
4.3.4 模型回答評(píng)估 234
4.4 智能體型RAG 236
4.4.1 什么是智能體型RAG 237
4.4.2 智能體型RAG是如何工作的 237
4.4.3 單智能體型RAG 239
4.4.4 多智能體型RAG 239
4.4.5 層次化智能體型RAG 240
4.4.6 智能體型自糾正RAG 241
4.4.7 自適應(yīng)智能體型RAG 242
4.4.8 圖基智能體型RAG 242
4.4.9 智能體型文檔工作流 245
4.5 實(shí)戰(zhàn)案例2：構(gòu)建業(yè)務(wù)知識(shí)庫(kù) 246
4.5.1 功能說(shuō)明 246
4.5.2 創(chuàng)建向量數(shù)據(jù)庫(kù) 248
4.5.3 數(shù)據(jù)分片與導(dǎo)入 249
4.5.4 數(shù)據(jù)檢索 250
4.5.5 構(gòu)建RAG智能體 252
4.5.6 RAG使用案例 254
第5章 大語(yǔ)言模型微調(diào)：驅(qū)動(dòng)ChatBI個(gè)性化與精準(zhǔn)洞察 256
5.1 大語(yǔ)言模型微調(diào)的基礎(chǔ)概念 257
5.1.1 微調(diào)的定義與核心價(jià)值 257
5.1.2 預(yù)訓(xùn)練與微調(diào)的關(guān)系 258
5.1.3 全量微調(diào)的基本原理 259
5.2 參數(shù)高效微調(diào) 262
5.2.1 適配器微調(diào) 262
5.2.2 前綴微調(diào) 264
5.2.3 提示微調(diào) 266
5.2.4 低秩適配技術(shù) 267
5.2.5 模型分層凍結(jié)策略 269
5.3 多任務(wù)學(xué)習(xí)與持續(xù)學(xué)習(xí)微調(diào) 271
5.3.1 多任務(wù)學(xué)習(xí)框架設(shè)計(jì) 271
5.3.2 持續(xù)學(xué)習(xí)中災(zāi)難性遺忘的應(yīng)對(duì)策略 273
5.3.3 課程學(xué)習(xí)與漸進(jìn)式微調(diào)的實(shí)現(xiàn)方法 274
5.4 微調(diào)中的數(shù)據(jù)工程 276
5.4.1 小樣本數(shù)據(jù)增強(qiáng)技術(shù) 276
5.4.2 數(shù)據(jù)毒化防御機(jī)制 278
5.4.3 領(lǐng)域遷移數(shù)據(jù)選擇策略 278
5.5 分布式微調(diào)技術(shù) 279
5.5.1 模型并行與數(shù)據(jù)并行優(yōu)化 280
5.5.2 混合精度訓(xùn)練方法 281
5.5.3 梯度壓縮與通信效率提升 282
5.6 微調(diào)評(píng)估體系 283
5.6.1 傳統(tǒng)評(píng)估指標(biāo) 284
5.6.2 健壯性測(cè)試方法 286
5.6.3 領(lǐng)域泛化能力評(píng)估 288
5.7 新興微調(diào)技術(shù) 290
5.7.1 蒸餾—微調(diào)協(xié)同優(yōu)化 290
5.7.2 強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的微調(diào) 291
5.7.3 聯(lián)邦學(xué)習(xí)中的隱私保護(hù)微調(diào) 293
第6章 對(duì)話理解：提升ChatBI的自然交互與上下文感知能力 295
6.1 意圖識(shí)別 296
6.1.1 基于LLM的意圖分類(lèi) 296
6.1.2 智能體輔助的意圖理解 297
6.1.3 復(fù)雜場(chǎng)景下的意圖建模 298
6.2 狀態(tài)管理 299
6.2.1 對(duì)話狀態(tài)跟蹤 299
6.2.2 智能體驅(qū)動(dòng)的狀態(tài)管理 301
6.2.3 基于權(quán)限的沖突預(yù)防 302
6.2.4 長(zhǎng)短期記憶協(xié)同 302
6.2.5 跨會(huì)話記憶遷移 304
6.3 語(yǔ)義增強(qiáng) 304
6.3.1 知識(shí)圖譜賦能的語(yǔ)義理解 304
6.3.2 LLM預(yù)訓(xùn)練模型的語(yǔ)義擴(kuò)展 306
6.3.3 智能體在語(yǔ)義增強(qiáng)中的角色 309
6.4 交互優(yōu)化 311
6.4.1 自然語(yǔ)言生成 311
6.4.2 智能體驅(qū)動(dòng)的用戶(hù)體驗(yàn)設(shè)計(jì) 312
6.4.3 提示詞與交互策略的協(xié)同優(yōu)化 313
6.5 結(jié)構(gòu)化指令生成 313
6.5.1 技術(shù)演進(jìn)與核心挑戰(zhàn) 314
6.5.2 SQL生成 315
6.5.3 領(lǐng)域語(yǔ)言生成 325
6.5.4 接口調(diào)用 331
6.5.5 代碼生成 337
6.6 執(zhí)行智能體 341
6.6.1 基于LLM的執(zhí)行智能體架構(gòu) 341
6.6.2 多智能體協(xié)作的任務(wù)執(zhí)行 343
6.6.3 異常處理與容錯(cuò)機(jī)制 345
6.7 實(shí)戰(zhàn)案例：構(gòu)建數(shù)據(jù)查詢(xún)智能體 346
6.7.1 功能說(shuō)明 346
6.7.2 數(shù)據(jù)集介紹 347
6.7.3 M-Schema表示方法 348
6.7.4 構(gòu)建Query智能體 350
6.7.5 智能問(wèn)數(shù)案例 354
第7章 智能分析：賦能ChatBI深度洞察數(shù)據(jù)，精準(zhǔn)驅(qū)動(dòng)業(yè)務(wù)增長(zhǎng) 358
7.1 數(shù)據(jù)預(yù)處理 359
7.1.1 數(shù)據(jù)清洗與標(biāo)準(zhǔn)化 359
7.1.2 字段映射與語(yǔ)義理解 360
7.1.3 數(shù)據(jù)轉(zhuǎn)換與增強(qiáng) 361
7.1.4 動(dòng)態(tài)數(shù)據(jù)更新 363
7.1.5 上下文感知預(yù)處理 364
7.2 相關(guān)性分析 365
7.2.1 特征選擇與降維 366
7.2.2 關(guān)聯(lián)規(guī)則挖掘 367
7.2.3 多維數(shù)據(jù)關(guān)聯(lián) 368
7.2.4 因果推斷 369
7.2.5 實(shí)時(shí)相關(guān)性計(jì)算 370
7.3 異常檢測(cè) 371
7.3.1 統(tǒng)計(jì)方法 371
7.3.2 基于LLM的規(guī)則推理 372
7.3.3 動(dòng)態(tài)閾值調(diào)整 373
7.3.4 異常模式庫(kù)構(gòu)建 374
7.3.5 用戶(hù)反饋閉環(huán) 375
7.4 智能歸因 376
7.4.1 貢獻(xiàn)度分解 377
7.4.2 影響因素識(shí)別 377
7.4.3 歸因路徑分析 378
7.4.4 歸因模型訓(xùn)練 379
7.4.5 交互式歸因 380
7.5 預(yù)測(cè)分析 380
7.5.1 時(shí)間序列預(yù)測(cè) 381
7.5.2 模型動(dòng)態(tài)選擇 382
7.5.3 實(shí)時(shí)預(yù)測(cè)與預(yù)警 383
7.5.4 預(yù)測(cè)結(jié)果解釋 384
7.6 模式識(shí)別 385
7.6.1 聚類(lèi)分析 385
7.6.2 序列模式挖掘 386
7.6.3 模式庫(kù)動(dòng)態(tài)更新 388
7.6.4 語(yǔ)義模式匹配 389
7.6.5 模式推薦 390
7.7 數(shù)據(jù)可視化 390
7.7.1 智能圖表推薦 391
7.7.2 動(dòng)態(tài)數(shù)據(jù)渲染 393
7.7.3 交互式探索 396
7.7.4 可視化模板適配 398
7.7.5 知識(shí)增強(qiáng)圖表 400
7.8 復(fù)雜計(jì)算 402
7.8.1 SQL生成與優(yōu)化 402
7.8.2 分布式計(jì)算 404
7.8.3 資源動(dòng)態(tài)調(diào)度 406
7.8.4 計(jì)算準(zhǔn)確性驗(yàn)證 409
7.9 實(shí)戰(zhàn)案例：構(gòu)建數(shù)據(jù)可視化智能體 411
7.9.1 功能說(shuō)明 411
7.9.2 Pygal庫(kù)介紹 412
7.9.3 構(gòu)建數(shù)據(jù)可視化智能體 414
7.9.4 智能問(wèn)數(shù)案例 418
第8章 用戶(hù)交互：打造ChatBI的無(wú)縫體驗(yàn)與高效溝通 421
8.1 應(yīng)用形態(tài)多樣化 422
8.1.1 跨平臺(tái)適配與終端兼容 422
8.1.2 界面動(dòng)態(tài)配置能力 424
8.1.3 多模態(tài)交互入口設(shè)計(jì) 425
8.1.4 智能客服與主動(dòng)服務(wù)集成 426
8.1.5 安全與權(quán)限分級(jí)控制 428
8.2 功能交互設(shè)計(jì) 429
8.2.1 多模態(tài)交互支持 429
8.2.2 數(shù)據(jù)協(xié)作 430
8.2.3 客服支持 432
8.2.4 交互安全性設(shè)計(jì) 433
8.3 體驗(yàn)優(yōu)化策略 434
8.3.1 問(wèn)答體驗(yàn)優(yōu)化 435
8.3.2 用戶(hù)反饋與持續(xù)優(yōu)化 436
8.3.3 個(gè)性化交互設(shè)計(jì) 438
書(shū)單推薦
