LangChain实战 | PDF下载|ePub下载
类别: 计算机
作者:[美] Gayle Laakmann McDowell
出版社: 人民邮电出版社
原作名: Cracking the coding interview:150 programming questions and solutions,fifth edition
译者:李琳骁/漆犇
出版年: 2013-11
页数: 372
定价: 59.00元
装帧: 平装
ISBN: 9787115332912
出版社: 人民邮电出版社
原作名: Cracking the coding interview:150 programming questions and solutions,fifth edition
译者:李琳骁/漆犇
出版年: 2013-11
页数: 372
定价: 59.00元
装帧: 平装
ISBN: 9787115332912
内容简介 · · · · · ·
本书深入介绍了LangChain平台和大模型的核心概念、应用和实战经验。从LangChain的架构出发，逐一讲解了模型输入/输出、检索、链、记忆和代理等核心组件，并结合丰富的开发场景以详细的代码呈现给读者。此外，本书还将通过几个具体案例来展示如何综合运用所学知识，通过这些案例，读者不仅可以掌握LangChain的实用技术，还可以提升解决实际问题的能力。
本书既适合初学者快速入门LangChain，深入了解大模型领域的最新技术，也适合专业开发者拓展技能，上手大模型应用的开发。
编辑推荐
1. LangChain 0.1 版本：本书代码基于LangChain首个稳定版本v0.1.0（2024年1月发布）编写，确保读者能够将理论知识转化为可靠的实际应用。
2. 实战代码示例：本书围绕自动客服系统的业务场景，通过多个精心设计的实战案例，引导读者巧妙运用LangChain。书中附带的源代码将帮助读者快速掌握项目开发，实现从理论到实践的无缝对接。
3. 国内大模型接入：书中特别收录了百度千帆大模型平台的调用案例，确保读者能够无障碍探索并应用大模型技术。
4. 图解辅助学习：本书采用图片+代码+解释的方式，让复杂的技术概念变得直观易懂，帮助读者迅速掌握LangChain的原理，迅速上手。
5. 专业背景：本书作者作为51CTO AIGC精品课程的资深讲师，凭借丰富的教学经验和学员反馈，精心打磨出这本实用指南。书中融合了实战经验、学员反馈与专业课程精华，为大模型应用初学者提供了一份宝贵的学习资源。
作者简介 · · · · · ·
崔皓
华中科技大学硕士，资深架构师，51CTO平台特约作者、社区编辑、AIGC大模型应用实战精品班讲师。在大模型领域拥有丰富的教学经验，并协助企业成功实施大模型项目。曾在惠普负责企业服务交付工作长达9年，近几年专注于大模型技术的实际应用和企业数字化转型。著有《分布式架构原理与实践》。
目录 · · · · · ·
目 录
第 1章 携手大模型与LangChain，迈向AI新纪元 1
1.1 大模型：不仅火热，更是未来 2
1.2 大模型揭秘：从数字到现实 3
1.3 LangChain：你的大模型工具箱 5
1.4 LangChain探索：开发的第 一步 7
1.5 内容导览：与LangChain共创未来 10
1.6 LangChain的整体框架 12
1.7 总结 14
第 2章 LangChain探索之旅：准备与初始配置 15
2.1 LangChain 安装：步骤简单 16
2.2 环境搭建：Python的简洁与Jupyter NoteBook的力量 17
2.3 密钥之力：打开大模型的通道 18
2.4 启动序章：大模型的调用与应用 20
2.5 总结 23
第3章 驾驭大模型的输入与输出 24
3.1 model I/O概述：通往大模型应用的桥梁 25
3.2 提示模板探究：构筑灵活的提示体系 26
3.2.1 动态提示构造：提示模板在自动客服应用中的应用 27
3.2.2 从客服到技术：ChatMessagePromptTemplate在角色切换中的实践 30
3.2.3 部分提示模板：引导用户获取精准服务 32
3.2.4 自动客服模板组合：PipelinePromptTemplate集成多模板 37
3.3 示例选择探究：借用示例选择器提升响应效率 39
3.3.1 客服交互设计：LengthBasedExampleSelector实现三步响应法 40
3.3.2 用户请求归类：SemanticSimilarityExampleSelector实现相似度选择 44
3.4 模型交互核心：模型应用实战 48
3.4.1 模型框架探析：LangChain实践展现 48
3.4.2 缓存优势展现：实战效能提升 50
3.4.3 虚拟环境构建：FakeListLLM演示 52
3.4.4 并发优势探索：异步调用实现 55
3.5 输出格式解析：输出解析器优化系统交互 58
3.5.1 CRM数据整合：PydanticOutputParser实现输出解析 58
3.5.2 解析自动修复：OutputFixingParser实现解析失败的备选方案 61
3.6 总结 64
第4章 检索技术 65
4.1 检索器概要：执行路径与组件功能 66
4.2 文档加载器：连接数据源与文档的工具 67
4.3 文档转换器：文本分割与格式化 71
4.3.1 分块与重叠：递归文本分割策略 72
4.3.2 结构化数据抽取：用户评论智能转换 75
4.4 文本嵌入向量：深入词向量原理 78
4.5 向量存储：从嵌入到查询 81
4.6 检索器：多维查询与上下文压缩 84
4.7 总结 90
第5章 链组件 91
5.1 模块设计：链组件概述 92
5.2 交互优化：提示模板与链协同工作 93
5.3 生成摘要：探索StuffDocumentsChain的应用 94
5.4 海量文档搜索：探索MapReduceDocumentsChain的应用 98
5.5 过滤请求：实现问题分类与路由选择 105
5.6 串联服务链：使用SequentialChain实现连续处理流程 110
5.7 自动客服系统：架设自然语言到SQL语句的桥梁 114
5.7.1 数据库设计：明确实体与关系 115
5.7.2 数据库部署：SQLite的选择与安装 118
5.7.3 从自然语言到SQL语句：使用SQLDatabaseChain实现查询功能 119
5.8 总结 122
第6章 高效AI聊天机器人：借助记忆组件优化交互体验 123
6.1 增强对话连贯性：记忆组件的实现与应用 124
6.2 优化AI聊天体验：借助记忆组件实现聊天记忆 126
6.3 长聊天交互：使用ConversationSummaryMemory提升聊天连续性 131
6.4 精准检索历史对话：使用VectorStoreRetrieverMemory实现信息检索 135
6.5 多输入链：兼顾历史文档与实时查询 141
6.6 总结 148
第7章 代理与回调组件：实时交互与智能监控 149
7.1 代理组件：实现动态交互 150
7.2 天气与物流协同：对话代理实现对话实时交互 156
7.3 在线文档搜索：搜索与查找实现文档实时交互 159
7.4 自问自答与搜索：实现电商销售推荐 163
7.5 对接订单与物流：StructuredTool自定义工具 165
7.6 实时监控与日志记录：回调实现自定义处理器 169
7.7 总结 174
第8章 大模型项目实践：从理论到应用的跨越 175
8.1 知识图谱实践：理论、方法与工具 176
8.1.1 知识图谱构建：开发流程与关键步骤 176
8.1.2 三元组抽取：从文本到图谱的转化 177
8.1.3 LangChain处理三元组：语义的深度解析 179
8.2 企业知识库构建：技术架构与操作流程 183
8.2.1 自动客服流程：从用户请求到模型响应的完整流程 184
8.2.2 数据应用构建：Streamlit前端与Python后端的融合 185
8.2.3 自动客服执行：从PDF上传到问题响应 186
8.3 用户评论分析：从文本到情感识别 192
8.3.1 用户评价分析：客户反馈与信息抽取 192
8.3.2 从评论到数据洞察：LangChain驱动文本分析流程 194
8.3.3 追加情感分析：LangChain标记链实践 197
8.3.4 情感数据可视化：雷达图洞悉服务满意度 202
8.4 大模型微调： GPT-3.5 Turbo安全微调与效能提升 204
8.4.1 微调GPT-3.5 Turbo：安全标准与成本透明性 205
8.4.2 提升效率与性能：GPT-3.5 Turbo的微调过程 206
8.4.3 数据集构建：打造幽默气象助理 206
8.4.4 定制幽默感：GPT-3.5 Turbo 微调详解 209
8.5 总结 213
第9章 LCEL技术深掘：构建高效的自动化处理链 214
9.1 LCEL概要 215
9.2 自定义链：Runnable接口的功能与实现 216
9.3 组件协作：输入/输出模式和数据传递机制 218
9.4 流畅的AI对话：结合Runnable、模板和解析器 221
9.5 自动化回答链：结合检索、模板和大模型 226
9.6 序列化链：借助LCEL实现技术问题诊断与解决方案生成 228
9.7 并行链：借助LCEL实现多方案整合 231
9.8 总结 236
· · · · · ·
第 1章 携手大模型与LangChain，迈向AI新纪元 1
1.1 大模型：不仅火热，更是未来 2
1.2 大模型揭秘：从数字到现实 3
1.3 LangChain：你的大模型工具箱 5
1.4 LangChain探索：开发的第 一步 7
1.5 内容导览：与LangChain共创未来 10
1.6 LangChain的整体框架 12
1.7 总结 14
第 2章 LangChain探索之旅：准备与初始配置 15
2.1 LangChain 安装：步骤简单 16
2.2 环境搭建：Python的简洁与Jupyter NoteBook的力量 17
2.3 密钥之力：打开大模型的通道 18
2.4 启动序章：大模型的调用与应用 20
2.5 总结 23
第3章 驾驭大模型的输入与输出 24
3.1 model I/O概述：通往大模型应用的桥梁 25
3.2 提示模板探究：构筑灵活的提示体系 26
3.2.1 动态提示构造：提示模板在自动客服应用中的应用 27
3.2.2 从客服到技术：ChatMessagePromptTemplate在角色切换中的实践 30
3.2.3 部分提示模板：引导用户获取精准服务 32
3.2.4 自动客服模板组合：PipelinePromptTemplate集成多模板 37
3.3 示例选择探究：借用示例选择器提升响应效率 39
3.3.1 客服交互设计：LengthBasedExampleSelector实现三步响应法 40
3.3.2 用户请求归类：SemanticSimilarityExampleSelector实现相似度选择 44
3.4 模型交互核心：模型应用实战 48
3.4.1 模型框架探析：LangChain实践展现 48
3.4.2 缓存优势展现：实战效能提升 50
3.4.3 虚拟环境构建：FakeListLLM演示 52
3.4.4 并发优势探索：异步调用实现 55
3.5 输出格式解析：输出解析器优化系统交互 58
3.5.1 CRM数据整合：PydanticOutputParser实现输出解析 58
3.5.2 解析自动修复：OutputFixingParser实现解析失败的备选方案 61
3.6 总结 64
第4章 检索技术 65
4.1 检索器概要：执行路径与组件功能 66
4.2 文档加载器：连接数据源与文档的工具 67
4.3 文档转换器：文本分割与格式化 71
4.3.1 分块与重叠：递归文本分割策略 72
4.3.2 结构化数据抽取：用户评论智能转换 75
4.4 文本嵌入向量：深入词向量原理 78
4.5 向量存储：从嵌入到查询 81
4.6 检索器：多维查询与上下文压缩 84
4.7 总结 90
第5章 链组件 91
5.1 模块设计：链组件概述 92
5.2 交互优化：提示模板与链协同工作 93
5.3 生成摘要：探索StuffDocumentsChain的应用 94
5.4 海量文档搜索：探索MapReduceDocumentsChain的应用 98
5.5 过滤请求：实现问题分类与路由选择 105
5.6 串联服务链：使用SequentialChain实现连续处理流程 110
5.7 自动客服系统：架设自然语言到SQL语句的桥梁 114
5.7.1 数据库设计：明确实体与关系 115
5.7.2 数据库部署：SQLite的选择与安装 118
5.7.3 从自然语言到SQL语句：使用SQLDatabaseChain实现查询功能 119
5.8 总结 122
第6章 高效AI聊天机器人：借助记忆组件优化交互体验 123
6.1 增强对话连贯性：记忆组件的实现与应用 124
6.2 优化AI聊天体验：借助记忆组件实现聊天记忆 126
6.3 长聊天交互：使用ConversationSummaryMemory提升聊天连续性 131
6.4 精准检索历史对话：使用VectorStoreRetrieverMemory实现信息检索 135
6.5 多输入链：兼顾历史文档与实时查询 141
6.6 总结 148
第7章 代理与回调组件：实时交互与智能监控 149
7.1 代理组件：实现动态交互 150
7.2 天气与物流协同：对话代理实现对话实时交互 156
7.3 在线文档搜索：搜索与查找实现文档实时交互 159
7.4 自问自答与搜索：实现电商销售推荐 163
7.5 对接订单与物流：StructuredTool自定义工具 165
7.6 实时监控与日志记录：回调实现自定义处理器 169
7.7 总结 174
第8章 大模型项目实践：从理论到应用的跨越 175
8.1 知识图谱实践：理论、方法与工具 176
8.1.1 知识图谱构建：开发流程与关键步骤 176
8.1.2 三元组抽取：从文本到图谱的转化 177
8.1.3 LangChain处理三元组：语义的深度解析 179
8.2 企业知识库构建：技术架构与操作流程 183
8.2.1 自动客服流程：从用户请求到模型响应的完整流程 184
8.2.2 数据应用构建：Streamlit前端与Python后端的融合 185
8.2.3 自动客服执行：从PDF上传到问题响应 186
8.3 用户评论分析：从文本到情感识别 192
8.3.1 用户评价分析：客户反馈与信息抽取 192
8.3.2 从评论到数据洞察：LangChain驱动文本分析流程 194
8.3.3 追加情感分析：LangChain标记链实践 197
8.3.4 情感数据可视化：雷达图洞悉服务满意度 202
8.4 大模型微调： GPT-3.5 Turbo安全微调与效能提升 204
8.4.1 微调GPT-3.5 Turbo：安全标准与成本透明性 205
8.4.2 提升效率与性能：GPT-3.5 Turbo的微调过程 206
8.4.3 数据集构建：打造幽默气象助理 206
8.4.4 定制幽默感：GPT-3.5 Turbo 微调详解 209
8.5 总结 213
第9章 LCEL技术深掘：构建高效的自动化处理链 214
9.1 LCEL概要 215
9.2 自定义链：Runnable接口的功能与实现 216
9.3 组件协作：输入/输出模式和数据传递机制 218
9.4 流畅的AI对话：结合Runnable、模板和解析器 221
9.5 自动化回答链：结合检索、模板和大模型 226
9.6 序列化链：借助LCEL实现技术问题诊断与解决方案生成 228
9.7 并行链：借助LCEL实现多方案整合 231
9.8 总结 236
· · · · · ·
发表回复
要发表评论，您必须先登录。