"本书全面深入地探讨了AI生成大模型的领域，从AI的历史探源、生成式模型在不同领域的应用（文本、图片、声乐、视频及多模态模型），到大型语言模型（如GPT）的运作机制、预训练、可扩展架构及其适应性。通过详细介绍LangChain的概念、应用、安装方法及如何利用LangChain进行软件开发和数据科学，本书为读者提供了一个关于AI生成大模型应用的全景视图。
本书共11章，覆盖了AI生成大模型的理论基础、LangChain的初识与入门、进阶使用、在软件开发和数据科学中的应用及生成式AI的未来展望等多个方面。第1~3章介绍AI生成大模型的基础知识，如AI历史、生成式模型在不同领域的应用、大型语言模型如GPT的基础和LangChain的初识与入门。第4~6章深入LangChain的进阶使用，探讨Agent构建、文档查询工具、聊天机器人开发，提供实战案例和技术细节。第7~9章聚焦LangChain在软件开发和数据科学的应用及定制LLM输出的策略，介绍编程、自动化软件开发、数据探索技术方法及LLM输出优化。第10章和第11章讨论LLM在生产环境的应用、监控、回调处理，以及生成式AI的未来展望，包括其潜力、社会影响和挑战，旨在为读者提供从入门到进阶的全面知识，适合不同背景的读者深入学习和应用。
本书特色在于其理论与实践相结合的方法论，适合对AI生成大模型感兴趣的学生、研究人员和软件开发者。书中不仅详细介绍了AI生成大模型的基础知识和前沿技术，还提供了丰富的实践指导和案例分析，帮助读者掌握如何在实际项目中应用这些技术。此外，配套资源丰富，包括示例代码、工具安装指南和案例研究，极大地增强了本

目录



第1章什么是AI生成大模型1
1.1AI历史探源1
1.1.1生成式模型2
1.1.2生成式模型在文本领域3
1.1.3生成式模型在图片领域4
1.1.4生成式模型在声乐领域5
1.1.5生成式模型在视频领域6
1.1.6多模态模型6
1.2LLM简介6
1.2.1潮流涌现8
1.2.2GPT的运作机制10
1.2.3模型的预训练12
1.2.4可扩展架构12
1.2.5模型的适应性13
1.2.6上手GPT13
1.3图像模型13
1.3.1图像模型工作原理14
1.3.2图像模型的不同版本15
1.3.3图形模型的调节性16
1.4总结16
第2章初识LangChain17
2.1LLM的局限性17
2.2LLM应用介绍19
2.3LangChain介绍21
2.3.1LangChain的必要性23
2.3.2LangChain支持的应用23
2.4LangChain的工作机制24
2.4.1初识Agent24
2.4.2初识链27
2.4.3初识记忆28
2.4.4LangChain中的工具28
2.5总结29
第3章LangChain入门30
3.1安装LangChain方法30
3.1.1安装Python30
3.1.2Jupyter Notebook和JupyterLab30
3.1.3环境管理32
3.2导入模型34
3.2.1虚拟LLM（Fake LLM）35
3.2.2OpenAI36
3.2.3HuggingFace37
3.2.4微软云38
3.2.5谷歌云38
3.2.6Jina AI40
3.2.7Replicate42
3.2.8本地模型42
3.3模型输出解析45
3.3.1列表解析器47
3.3.2日期解析器48
3.3.3自动修复解析器49
3.3.4Pydantic（JSON）解析器51
3.3.5重试解析器53
3.3.6结构化输出解析器55
3.3.7XML解析器57
3.4LangChain表达式语言59
3.4.1LCEL接口简介60
3.4.2绑定运行时参数75
3.4.3运行自定义函数77
3.4.4流式传输自定义生成器函数78
3.4.5并行化步骤80
3.4.6根据输入的动态路由逻辑82
3.5链86
3.5.1链接口中的方法调用88
3.5.2自定义链的创建89
3.5.3几种常见的链92
3.6实战案例: 客户服务助手应用程序开发109
3.7总结113
第4章LangChain进阶: Agent114
4.1构建自己的第1个Agent115
4.2LangChain中的常见Agent类型121
4.2.1Zeroshot ReAct122
4.2.2Structured Input ReAct124
4.2.3OpenAI Functions128
4.2.4Conversational130
4.2.5ReAct Document Store133
4.3迭代器运行Agent135
4.4让Agent返回结构化输出138
4.5处理Agent解析错误143
4.6将Agent构建为图144
4.6.1快速开始144
4.6.2流式输出147
第5章使用LangChain工具进行文档查询153
5.1幻觉现象153
5.2文档总结156
5.3信息提取159
5.4使用工具161
5.5解剖LLM推理的底层策略165
5.6总结168
第6章聊天机器人170
6.1聊天机器人简介170
6.1.1历史溯源171
6.1.2上下文和记忆173
6.1.3意识性与主动性174
6.2检索和向量174
6.2.1嵌入176
6.2.2存储嵌入的方式179
6.2.3索引179
6.2.4向量库180
6.2.5向量数据库181
6.2.6文档加载器184
6.2.7LangChain中的检索器184
6.3实战案例: 实现一个聊天机器人187
6.4LangChain中的记忆机制191
6.4.1快速开始192
6.4.2LangChain中基础的记忆类型194
6.4.3其他高级记忆类型211
6.4.4记忆和LLM链225
6.4.5记忆和Agent228
6.4.6自定义会话记忆233
6.4.7自定义记忆237
6.4.8聊天机器人的记忆240
6.5内容监管245
6.6总结246
第7章LangChain和软件开发248
7.1步入新时代248
7.1.1AI在软件领域的近期新进展249
7.1.2代码生成LLM250
7.1.3未来展望253
7.2使用LLM编程254
7.3LLM自动化软件开发260
7.4总结265
第8章LangChain和数据科学266
8.1自动化数据科学简介266
8.1.1数据收集268
8.1.2可视化和探索性数据分析270
8.1.3数据预处理和特征提取270
8.1.4自动化机器学习271
8.1.5生成式AI对数据科学的变革274
8.2使用Agent276
8.3数据探索和LLM279
8.4总结282
第9章绽放LangChain的魅力: 定制LLM输出283
9.1调整与对齐283
9.1.1对齐的方法284
9.1.2变革者: InstructGPT286
9.1.3LLM推理过程的调整方法287
9.1.4效果评估288
9.2实战案例: LangChain微调LLM288
9.3提示词工程295
9.3.1提示词的结构295
9.3.2提示模板297
9.3.3高级提示词工程298
9.4总结301
第10章生产环境LLM303
10.1引言303
10.2LLM应用评估305
10.2.1比较两个输出306
10.2.2基于标准的比较307
10.2.3字符串和语义比较308
10.2.4基准数据集309
10.3部署LLM应用312
10.3.1FastAPI314
10.3.2Ray316
10.4监测LLM应用320
10.4.1跟踪和追踪321
10.4.2可观测性工具323
10.5LangChain回调324
10.5.1异步回调325
10.5.2自定义回调处理程序327
10.5.3记录到文件328
10.5.4多个回调处理程序330
10.5.5Token计算333
10.6LangSmith334
10.6.1LangSmith调试334
10.6.2LangSmith样本收集335
10.6.3LangSmith测试评估336
10.6.4LangSmith人工评估336
10.6.5LangSmith监控336
10.6.6LangSmith实战演示337
10.7总结344
第11章生成式AI的未来展望346
11.1当前的生成式AI346
11.2未来的能力349
11.3AI的社会影响351
11.3.1AI和创意行业353
11.3.2AI和社会经济354
11.3.3AI和教育354
11.3.4AI和就业355
11.3.5AI和其他行业357
11.3.6AI和网络安全357
11.4应用难题探索358
11.5写在最后359
参考文献361