（1）作者背景资深：本书由国内供应链金融科技领域上市企业联易融（股票代码为09959.HK）官方出品。
（2）内容全面系统：从基础理论到技术解析，再到实际应用案例，构建了一个层次分明、逻辑清晰的知识体系。
（3）逻辑严密，有理有据：既有严谨的技术分析，又有大量来源翔实的实例和数据支持，语言准确，内容客观。
（4）案例丰富，实操性强：有丰富的产品展示，有具体的方法和步骤，有详尽的案例分析，易于理解，便于操作。

内容简介
这是一部从业务和技术双重视角讲解AI大模型如何为供应链金融行业赋能的著作，是国内供应链金融科技领域的上市企业联易融的实践经验总结。
本书立足金融科技前沿，基于供应链金融的丰富场景，融合大模型技术的先进理念，创新性地提出供应链金融GPT概念，旨在为读者提供一个全新视角，理解AI大模型在供应链金融领域的应用机制和工作逻辑。
本书集理论性、技术性、前瞻性和实用性于一体，读完本书后，读者能了解和掌握以下知识：
?AIGC与大模型的基础知识，以及面临的挑战
?大模型行业的发展现状，以及中国的大模型布局
?大模型的原理、架构、训练与微调等
?企业落地大模型的方法，如提示工程、RAG、知识库与AI Agent等
?主流的大模型应用开发工具的原理和使用方法
?大模型的监管技术与策略
?大模型的评测体系与框架
?大模型在金融行业的应用场景，以及国内外金融行业的大模型布局
?9大类型的供应链金融场景的大模型解决方案
?供应链金融大模型的构建过程和评估方法
本书不仅能帮助金融行业从业者深度洞察AI大模型带来的变革与机会，看清AI时代的发展方向；而且能指导供应链金融企业如何构建自己的大模型，并将大模型应用到不同类别的供应链金融场景中。

CONTENTS<br />目  录<br />序言  AI重塑供应链金融科技<br />前言  供应链金融新纪元<br />第1章  进化、协同与创新1<br />1.1  语言和文字是人类社会的协同工具2<br />1.2  金融是人类社会生产中的资源协同工具3<br />1.3  传统金融：对人不对事5<br />1.4  供应链金融：对事不对人6<br />1.5  GPT模型：让机器能够理解非结构化数据6<br />1.6  业务场景中链路越长，AI提升的空间越大7<br />1.7  量变引起质变：金融交易的新时代8<br />第2章  全面认识AIGC与大模型9<br />2.1  ChatGPT横空出世10<br />2.2  AIGC的发展历史13<br />2.3  大模型的能力15<br />2.3.1  超强的语言组织能力16<br />2.3.2  垂直领域的能力16<br />2.3.3  逻辑推理能力18<br />2.3.4  多模态内容的理解能力19<br />2.4  大模型的现状20<br />2.5  国内科技巨头的大模型布局23<br />2.5.1  百度“文心一言”大模型24<br />2.5.2  阿里“通义千问”大模型24<br />2.5.3  腾讯“混元”大模型25<br />2.5.4  华为“盘古”大模型26<br />2.5.5  科大讯飞“讯飞星火”大模型26<br />2.5.6  网易“玉言”大模型27<br />2.5.7  “360智脑”大模型28<br />2.5.8  京东“言犀”大模型29<br />2.5.9  百川智能大模型29<br />2.5.10  智谱AI ChatGLM大模型30<br />2.6  开源大模型介绍31<br />2.7  AIGC未来展望34<br />第3章  大模型技术解析39<br />3.1  ChatGPT的工作原理：AI成语接龙40<br />3.2  早期的自然语言处理技术架构41<br />3.3  Transformer架构43<br />3.4  GPT模型的原理与应用45<br />3.4.1  GPT模型：利用无标签数据进行预训练45<br />3.4.2  GPT模型的构建与训练过程47<br />3.5  技术的突破：量变引起质变49<br />3.5.1  大模型的涌现49<br />3.5.2  思维链52<br />3.5.3  训练大模型的软硬件基础54<br />第4章  企业落地大模型的方法59<br />4.1  AI 原生应用和AI应用落地的选择60<br />4.1.1  AI原生应用的特征60<br />4.1.2  向AI原生企业转型的五个阶段61<br />4.1.3  企业落地大模型的常用方法63<br />4.2  提示工程64<br />4.2.1  提示工程的作用65<br />4.2.2  提示类型66<br />4.2.3  提示工程的很好实践69<br />4.3  RAG与知识库76<br />4.3.1  RAG的基本原理 77<br />4.3.2  RAG架构的演变过程79<br />4.3.3  RAG的挑战与未来发展方向81<br />4.3.4  知识库的概念82<br />4.3.5  向量数据库85<br />4.3.6  知识图谱90<br />4.4  AI Agent99<br />4.4.1  AI Agent的哲学意义102<br />4.4.2  AI Agent的架构体系104<br />4.4.3  AI Agent的实际案例114<br />4.4.4  AI Agent的社会协同模式116<br />4.4.5  AI Agent的问题和挑战118<br />4.4.6  AI Agent的落地设想121<br />4.5  模型微调123<br />4.5.1  大模型微调的意义123<br />4.5.2  大模型的微调方法126<br />4.5.3  大模型微调的实践与挑战138<br />4.6  重新训练大模型145<br />4.6.1  基础准备与大模型架构选择145<br />4.6.2  数据的收集与处理148<br />4.6.3  训练策略154<br />4.6.4  模型评估和调优156<br />4.6.5  大模型训练的案例研究157<br />4.6.6  模型蒸馏158<br />4.6.7  挑战与未来展望159<br />第5章  大模型开发工具及应用案例161<br />5.1  常用的大模型开发工具162<br />5.1.1  LangChain164<br />5.1.2  LlamaIndex166<br />5.1.3  Dify.AI167<br />5.1.4  OpenAgents168<br />5.1.5  AgentGPT168<br />5.1.6  ModelScopeGPT170<br />5.2  案例：重现ChatGPT的对话聊天功能171<br />5.2.1  Langchain-Chatchat171<br />5.2.2  Langchain-Chatchat的工作原理172<br />5.2.3  Langchain-Chatchat的部署174<br />5.2.4  Langchain-Chatchat的运行176<br />第6章  大模型的挑战、监管与评测181<br />6.1  大模型面临的挑战182<br />6.1.1  大模型输出的不可预测性182<br />6.1.2  大模型的幻觉现象183<br />6.1.3  大模型偏见与不公平性185<br />6.1.4  对抗性攻击187<br />6.1.5  大模型的可解释性188<br /> 6.1.6  超级对齐193<br />6.2  大模型的监管194<br />6.2.1  AIGC伪造及检测技术194<br />6.2.2  大模型隐私和数据泄露195<br />6.2.3  大模型窃取与知识产权保护198<br />6.2.4  大模型的监管趋势与应对策略202<br />6.3  大模型的评测204<br />6.3.1  大模型的评测体系204<br />6.3.2  常见的大模型评测体系205<br />6.3.3  典型的大模型评测框架206<br />6.3.4  大模型评测的未来方向208<br />第7章  金融行业的大模型209<br />7.1  金融科技概述210<br />7.1.1  重要概念210<br />7.1.2  三个发展阶段210<br />7.1.3  六大特征212<br />7.2  国内外发展态势214<br />7.2.1  国内发展态势214<br />7.2.2  国外发展态势216<br />7.3  在金融科技领域应用AIGC的挑战217<br />7.4  AIGC在金融科技领域的主要应用场景218<br />7.4.1  FinChat金融聊天机器人219<br />7.4.2  智能投资顾问220<br />7.4.3  量化交易221<br />7.5  金融行业的大模型布局223<br />7.5.1  BloombergGPT223<br />7.5.2  金融机构大模型应用案例224<br />7.6  开源的金融大模型228<br />7.7  金融科技大模型的发展与展望235<br />第8章  供应链金融的演进与创新237<br />8.1  从传统金融到供应链金融的变革238<br />8.2  供应链金融解析239<br />8.2.1  供应链金融的特点239<br />8.2.2  供应链金融的技术侧重点240<br />8.2.3  供应链金融的创新242<br />8.3  供应链金融的业务形态243<br />8.3.1  招标阶段243<br />8.3.2  中标阶段245<br />8.3.3  备货阶段245<br />8.3.4  到货阶段246<br />8.3.5  应收阶段248<br />8.3.6  下游客户经销商订货阶段249<br />8.4  数字债权凭证254<br />第9章  AI驱动的供应链金融革命257<br />9.1  大模型诞生之前供应链金融行业的AI实践258<br />9.1.1  国外供应链金融AI实践258<br />9.1.2  国内供应链金融AI实践260<br />9.1.3  过于超前的供应链金融AI实践267<br />9.2  大模型诞生之前AI的270<br />9.3   AI大模型赋能供应链金融273<br />9.3.1  AI大模型助力市场营销与销售275<br />9.3.2  AI大模型助力客户服务与运营支持278<br />9.3.3  AI大模型助力软件开发281<br />9.3.4  AI大模型助力风控、合规和融资决策284<br />9.3.5  AI大模型助力企业管理290<br />9.3.6  AI大模型助力解决产业链数字化断点292<br />第10章  供应链金融场景及大模型应用展望299<br />10.1  核心企业主导的供应链金融场景300<br />10.1.1  定义300<br />10.1.2  运作模式301<br />10.1.3  核心功能302<br />10.1.4  面临的挑战及大模型解决方案303<br />10.2  商业银行主导的供应链金融场景306<br />10.2.1  商业银行开展供应链金融的特点306<br />10.2.2  商业银行主导的供应链金融案例308<br />10.2.3  商业银行主导的供应链金融的挑战和机遇310<br />10.2.4  商业银行主导的供应链金融的大模型解决方案312<br />10.3  第三方金融科技平台主导的供应链金融场景313<br />10.3.1  第三方金融科技平台的应用场景314<br />10.3.2  第三方金融科技平台主导的供应链金融案例315<br />10.3.3  第三方金融科技平台主导的供应链金融的特点317<br />10.3.4  第三方金融科技平台主导的供应链金融的大模型<br />     解决方案318<br />10.4  物流企业主导的供应链金融场景320<br />10.4.1  物流企业主导的供应链金融的特点320<br />10.4.2  物流企业主导的供应链金融案例：UPS和<br />     顺丰集团321<br />10.4.3  物流企业主导的供应链金融的发展瓶颈324<br />10.4.4  物流企业主导的供应链金融的大模型解决方案326<br />10.5  建筑工程行业的供应链金融场景327<br />10.5.1  建筑工程行业的发展特征327<br />10.5.2  建筑工程行业供应链金融的核心需求328<br />10.5.3  建筑工程行业供应链金融案例332<br />10.5.4  建筑工程行业供应链金融的大模型解决方案333<br />10.6  医疗行业的供应链金融场景336<br />10.6.1  医疗行业供应链金融简介336<br />10.6.2  医疗行业供应链金融案例337<br />10.6.3  医疗行业供应链金融的发展瓶颈及挑战339<br />10.6.4  医疗行业供应链金融的大模型解决方案341<br />10.7  农业的供应链金融场景342<br />10.7.1  农业供应链金融的当前发展路径342<br />10.7.2  农业供应链金融案例：延川四苹果343<br />10.7.3  农业供应链金融的发展瓶颈及挑战345<br />10.7.4  农业供应链金融的大模型解决方案347<br />10.8  直播电商的供应链金融场景348<br />10.8.1  直播电商供应链金融的商业模式349<br />10.8.2  直播电商供应链金融案例350<br />10.8.3  直播电商供应链金融的特点352<br />10.8.4  直播电商供应链金融的大模型解决方案353<br />10.9  基于数据和交易关系的供应链金融场景354<br />10.9.1  基于数据和交易关系的供应链金融的特点354<br />10.9.2  基于交易关系的供应链金融案例356<br />10.9.3  基于数据和交易信用的供应链金融的业务痛点358<br />10.9.4  基于数据和交易信用的供应链金融的大模型<br />     解决方案359<br />第11章  供应链金融大模型的构建和评估361<br />11.1  供应链金融大模型的设想与架构设计362<br />11.1.1  数据、信息、知识和智慧362<br />11.1.2  AI时代的学习革命364<br />11.1.3  大模型时代的软件架构366<br />11.1.4  当下的供应链金融平台架构374<br />11.1.5  In-Chat App平台+供应链金融大模型376<br />11.2  供应链金融大模型的开发训练过程390<br />11.2.1  SCF-GPT模型训练的规划390<br />11.2.2  SCF-GPT模型训练三阶段的设想392<br />11.2.3  SCF-GPT 1.0：对话训练394<br />11.2.4  SCF-GPT 2.0：多模态数据训练397<br />11.2.5  SCF-GPT 3.0：数字孪生训练400<br />11.3  供应链金融大模型实践：AI智能审单项目405<br />11.3.1  项目背景与挑战406<br />11.3.2  大模型技术在文档处理方面的潜力407<br />11.3.3  LDP框架407<br />11.3.4  LDP 框架面临的挑战与解决方案411<br />11.3.5  大模型性能优化措施416<br />11.3.6  总结417<br />11.4  供应链金融大模型评测体系417<br />11.4.1  标准问题集的评估418<br />11.4.2  结合实际业务的评估423<br />11.4.3  总结424<br />