LangChain大模型應用開發 Generative AI with LangChain: Build large language model (LLM) apps with Python, ChatGPT and other LLMs

目    錄

 

第1章　什麽是生成式人工智能   1

1.1  生成式人工智能簡介   1

1.1.1  什麽是生成式模型   4

1.1.2  為什麽是現在   5

1.2  瞭解大規模語言模型   6

1.2.1　GPT模型是如何工作的   7

1.2.2　GPT模型是如何發展的   12

1.2.3　如何使用大規模語言模型  17

1.3  什麽是文本到圖像模型   18

1.4  人工智能在其他領域的作用  22

1.5  小結   23

1.6  問題   23

第2章　面向大規模語言模型應用程序：LangChain   25

2.1  超越隨機鸚鵡   25

2.1.1  大規模語言模型的局限性  27

2.1.2  如何減少大規模語言模型的局限性   27

2.1.3  什麽是大規模語言模型應用程序   28

2.2  LangChain簡介   30

2.3  探索LangChain的關鍵組件   33

2.3.1  鏈   33

2.3.2  智能體   34

2.3.3  記憶   35

2.3.4  工具   36

2.4  LangChain如何工作   38

2.5  LangChain軟件包結構   40

2.6  LangChain與其他框架的比較   41

2.7  小結   43

2.8  問題   44

第3章　LangChain入門   45

3.1  如何為本書設置依賴   46

3.2  探索API模型集成   49

3.2.1  環境設置和API密鑰   50

3.2.2  OpenAI   51

3.2.3  Hugging Face   52

3.2.4  谷歌雲平臺   53

3.3  大規模語言模型交互基石   54

3.3.1  大規模語言模型   54

3.3.2  模擬大規模語言模型   55

3.3.3  聊天模型   56

3.3.4  提示   57

3.3.5  鏈   59

3.3.6  LangChain表達式語言   60

3.3.7  文本到圖像   61

3.3.8  Dall-E   61

3.3.9  Replicate   63

3.3.10  圖像理解   64

3.4  運行本地模型   65

3.4.1  Hugging Face transformers   66

3.4.2  llama.cpp   68

3.4.3  GPT4All   69

3.5  構建客戶服務應用程序   70

3.5.1  情感分析   70

3.5.2  文本分類   71

3.5.3  生成摘要   72

3.5.4  應用map-reduce   73

3.5.5  監控詞元使用情況   76

3.6  小結   77

3.7  問題   77

第4章　構建得力助手   79

4.1  使用工具回答問題   80

4.1.1  工具使用   80

4.1.2  定義自定義工具   81

4.1.3  工具裝飾器   82

4.1.4  子類化BaseTool   82

4.1.5  StructuredTool數據類   83

4.1.6  錯誤處理   84

4.2  使用工具實現研究助手   85

4.3  探索推理策略   89

4.4  從文件中提取結構化信息   95

4.5  通過事實核查減少幻覺   100

4.6  小結   102

4.7  問題   102

第5章　構建類似ChatGPT的聊天機器人   103

5.1  什麽是聊天機器人   104

5.2  從向量到RAG   105

5.2.1  向量嵌入   106

5.2.2  在LangChain中的嵌入   107

5.2.3  向量存儲   109

5.2.4  向量索引   110

5.2.5  向量庫   111

5.2.6  向量數據庫   112

5.2.7  文檔加載器   117

5.2.8  LangChain中的檢索器   118

5.3  使用檢索器實現聊天機器人   120

5.3.1  文檔加載器   121

5.3.2  向量存儲   122

5.3.3  對話記憶：保留上下文   125

5.4  調節響應   130

5.5  防護   131

5.6  小結   132

5.7  問題   132

第6章　利用生成式人工智能開發軟件   133

6.1  軟件開發與人工智能   134

6.2  使用大規模語言模型編寫代碼   138

6.2.1  Vertex AI   138

6.2.2  StarCoder   139

6.2.3  StarChat   143

6.2.4  Llama 2   144

6.2.5　小型本地模型   145

6.3  自動化軟件開發   147

6.3.1  實現反饋迴路   149

6.3.2  使用工具   152

6.3.3  錯誤處理   154

6.3.4  為開發人員做最後的潤色   155

6.4  小結   157

6.5  問題   157

第7章　用於數據科學的大規模語言模型   159

7.1  生成式模型對數據科學的影響   160

7.2  自動化數據科學   162

7.2.1  數據收集   163

7.2.2  可視化和EDA   164

7.2.3  預處理和特徵提取   164

7.2.4  AutoML   164

7.3  使用智能體回答數據科學的問題   166

7.4  使用大規模語言模型進行數據探索   169

7.5  小結   173

7.6  問題   173

第8章　定製大規模語言模型及其輸出   175

8.1　調節大規模語言模型   176

8.2  微調   180

8.2.1  微調設置   181

8.2.2  開源模型   184

8.2.3  商業模型   187

8.3  提示工程   188

8.3.1  提示技術   190

8.3.2  思維鏈提示   192

8.3.3  自一致性   193

8.3.4  思維樹   195

8.4  小結   198

8.5  問題   198

第9章　生產中的生成式人工智能   199

9.1  如何讓大規模語言模型應用程序做好生產準備   200

9.2  如何評估大規模語言模型應用程序   202

9.2.1  比較兩個輸出   204

9.2.2  根據標準進行比較   205

9.2.3　字符串和語義比較   206

9.2.4　根據數據集進行評估   207

9.3  如何部署大規模語言模型應用程序   211

9.3.1　FastAPI Web服務   213

9.3.2  Ray   216

9.4  如何觀察大規模語言模型應用程序   219

9.4.1  跟蹤響應   221

9.4.2  可觀察性工具   223

9.4.3  LangSmith   224

9.4.4  PromptWatch   225

9.5  小結   227

9.6  問題   227

第10章　生成式模型的未來   229

10.1  生成式人工智能的現狀   229

10.1.1  挑戰   230

10.1.2  模型開發的趨勢   231

10.1.3  大科技公司與小企業   234

10.1.4  通用人工智能   235

10.2  經濟後果   236

10.2.1  創意產業   238

10.2.2  教育   239

10.2.3  法律   239

10.2.4  製造業   239

10.2.5  醫學   240

10.2.6  軍事   240

10.3  社會影響   240

10.3.1  虛假信息與網絡安全   241

10.3.2  法規和實施挑戰   241

10.4  未來之路   243