人工智慧：智慧型系統導論 (3版)

相關熱銷的書籍推薦給您

書名：人工智慧：智慧型系統導論(第三版) 作者：李聯旺 出版社：全華 ISBN：9789862800959

機器學習：類神經網路、模糊系統以及基因演算法則 (4版)

相關熱銷的書籍推薦給您

書名：機器學習：類神經網路、模糊系統以及基因演算法則(第四版) 作者：蘇木春、張孝德 出版社：全華 出版日期：2016/05/00 ISBN：9789864632060 內容簡介 ■ 本書優點特色 1.將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。 2.以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 3.每一種理論都儘可能配合書中範例及圖表加以說明。 ■ 內容簡介 本書將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。此外，作者以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 目錄 第1章 類神經網路之簡介 第2章 感知機 第3章 多層感知機 第4章 非監督式類神經網路 第5章 聯想記憶 第6章 增強式學習 第7章 模糊集合 第8章 模糊關係及推論 第9章 模糊系統 第10章 基因演算法則

本地端 Ollama× LangChain×LangGraph× LangSmith 開發手冊：打造 RAG、Agent、SQL 應用 (1版) (1版)

類似書籍推薦給您

【簡介】 　　>資 料 不 外 流，模 型 任 你 遊 　　No data out, all models in play 　　本書是專為考量資料隱私問題但又想開發結合大型語言模型 LLM 應用者所設計，不倚賴大型 AI 公司的雲端服務，利用 Ollama 系統建置本機 LLM 推論引擎，既保護隱私又節省串接大型 AI 公司 API 服務的費用。更重要的是，可視需要變換模型，不會被大型 AI 公司綁架，完全彈性自主。本書還具備以下特色： 　　LangChain 應用程式開發框架 　　除了簡化程式撰寫，更可跨模型，即使要改用大型 AI 公司的模型也不需要重新撰寫程式。LangChain 框架提供有外部函式（工具）的抽象層，可立即將既有的函式變成模型可用的工具，加上 LangChain 社群的豐富工具，簡直就像是 LLM 軍火庫，讓模型不只能說一口好話，還能付諸行動，可以達成像是執行 SQL 語句查詢資料庫等各種功能。 　　RAG 應用開發 　　對於需要參考私有資料的應用情境，LangChain 也提供有完整的 RAG 支援，不但可讀取 PDF/網頁/JSON 等各種格式資料來源，也提供多種文檔切割方式與 FAISS 等嵌入式資料庫儲存/檢索機制，瞬間就能幫模型補足專屬知識，協助解答問題。 　　AI Agent 代理應用 　　LangChain 設計有現成的 AI Agent 框架，搭配剛剛提到的各式工具與 RAG 機制，即可設計可自主思考，規劃行動並實際完成任務的 ReAct Agent。 　　獨家 LangGraph 主題 　　考量到一般 Agent 帶來的不確定性，LangChain 生態系加入了 LangGraph 框架，可以設計具備穩定流程的 Agent 代理，避免 Agent 陷入無窮迴圈無法完成任務的窘境。 　　LangSmith 評估系統 　　補上 Agent 代理應用的最後一塊拼圖，透過 LangSmith 服務檢視 Agent 執行過程，可評估執行效能、prompt 成效、模型規劃行動優劣，不再只用感覺評斷。 本書特色 　　自由彈性的本地端 Ollama 模型，節省 API 串接費用  　　出張嘴用自然語言替代 SQL 語句查詢資料庫 　　從 PDF/網頁/JSON 檔擷取資料補充模型知識打造 RAG 應用 　　善用 prompt 技巧避免模型產生幻覺 　　設計有記憶、可自主決策規劃並執行任務的 AI Agent 代理 　　獨家 LangGraph 教學，設計穩定流程的 AI Agent 　　利用 LangSmith 監測 AI Agent 執行流程 【目錄】 第 1 章 本地化低硬體門檻的 LLM 應用開發 1-1 解決高昂的 API 成本與硬體需求 API 成本的負擔 硬體需求的挑戰 免費與本地化運算的崛起 1-2 對雲端的依賴與資料安全性 雲端依賴的挑戰 資料安全性的考量 在本地運行模型以減少對雲端的倚賴 1-3 為什麼選擇免費的本地化運算 成本效益 自主性與可客製化 技術可行性 1-4 LangChain、Ollama 和 LangGraph 的特色與優勢 LangChain Ollama LangGraph 最低硬體需求與資源建議 第 2 章 環境建置與模型量化技術 2-1 低硬體需求的環境準備與 Ollama 模型選擇 本書撰寫時使用之硬體環境 本書推薦之大型語言模型 2-2 模型選擇指南與量化技術解析 模型的命名慣例 模型挑選方式 Ollama 模型尋找教學 2-3 如何在本地環境中運行 LangChain 和 Ollama 使用 Docker 快速部署 手動配置本地環境 (適合不方便使用 Docker 的讀者) Colab 雲端部署 Ollama 版本相容性提醒 本書實作範例採用的量化模型說明 程式碼中更換模型的方法 第 3 章 LangChain 基礎入門 3-1 認識 LangChain 生態系統的架構與組成 3-2 認識 LangChain 底層模組 Base Packages (基礎套件群) Integrations (整合模組群) 3-3 可執行單元 (Runnables) 最核心的 Runnable 元件：LLM 生成 提示模板 (Prompt Templates) RunnableLambda 3-4 表達式語言 LCEL (LangChain Expression Language) RunnableSequence RunnableParallel 3-5 回呼 (Callbacks) 回呼事件 (Callback Events) 回呼處理器 (Callback Handlers) 回呼添加方式 (Passing Callbacks) StreamingStdOutCallbackHandler 3-6 避免數字幻覺：用 Prompt 確保 LLM 只根據提供的數據回答 LLM 會如何產生數字幻覺？ 提示詞 (Prompt)：避免 LLM 生成錯誤數值 temperature (溫度) 結合 Prompt 與 LLM，驗證是否能有效抑制數字幻覺 3-7 建立多國語言翻譯助手應用 步驟 1：定義提示模版 (Prompt Template) 步驟 2：接收用戶輸入 步驟 3：建立流程鏈並在執行時傳入回呼 執行結果展示 3-8 建立搜尋引擎最佳化 SEO 標題產生器 步驟 1：定義提示模版 (Prompt Templates) 步驟 2：接收用戶輸入 步驟 3：建立流程鏈 步驟 4：使用 .stream() 實現串流輸出 執行結果展示 第 4 章 SQL：結合資料庫打造自然語言查詢系統 4-1 如何透過 LLM 達到 SQL 查詢自動化 認識 SQLite 資料庫 自然語言轉 SQL 查詢 4-2 建立 SQL 人資小幫手問答機器人 步驟 1：初始化模型與連接資料庫 步驟 2：獲取資料庫結構 步驟 3：執行 SQL 查詢的函式 步驟 4：SQL 查詢語句生成 (自然語言輸入 → SQL 語句) 步驟 5：執行 SQL 查詢，並將查詢結果轉換為自然語言回答 步驟 6：主程式 執行結果展示 4-3 跨資料表 SQL 查詢：讓 LLM 理解關聯資料並生成查詢語句 程式碼修改說明 執行結果展示 第 5 章 向量資料庫：基礎 RAG 與語義相似性檢索 5-1 認識檢索增強生成 (RAG) RAG 使用檢索系統帶來的優勢 幫 LLM 擴展知識並減少幻覺 (Hallucination) 5-2 嵌入向量與語義相似性檢索流程 嵌入向量 (Embedding Vector) 語義相似性檢索 (Semantic Similarity Retrieval) 5-3 FAISS 向量資料庫與相似度計算方式 FAISS 的記憶體特性 FAISS 索引類型概覽 相似度計算方式介紹 5-4 OllamaEmbeddings 嵌入模型 在 Ollama 尋找、更換與下載嵌入模型的方法 正規化測試 嵌入模型測試與相似性檢索 5-5 設定相似度閾值：控制語義檢索範圍 L2 距離 (歐幾里得距離, Euclidean Distance) 使用 MAX_INNER_PRODUCT 實現餘弦相似度 (Cosine Similarity) 5-6 將 FAISS 向量資料庫本地化：實現持久化儲存與載入 向量資料庫本地化流程 檢索本地向量資料庫流程 建立與檢索本地 FAISS 向量資料庫 整合 LLM 來回答問題 第 6 章 進階 RAG：記憶、數據向量化、檔案載入器與多資料來源 6-1 認識檢索、生成與數據向量化流程 RAG 詳細運作流程 RAG 數據向量化流程 6-2 建立 RAG 向量化檢索泛用聊天機器人 步驟 1：初始化 LLM 步驟 2：儲存向量並初始化檢索器 步驟 3：建立提示模板 步驟 4：建立檢索鏈與檔案處理鏈 步驟 5：啟動對話系統 執行結果展示 常見觀念誤區整理 6-3 建立相似度閾值機制：本地 RAG 球員戰績問答機器人 步驟 1：新增 SIMILARITY_THRESHOLD 與準備數據 步驟 2：檢查數據是否需要更新 步驟 3：建立 FAISS 向量資料庫 步驟 4：建立檢索與問答系統 執行結果展示 6-4 文本分割 (Chunking) 短片段 vs. 長片段 分割時需要考量的因素 常見的文本分割策略 文本分割的實I建議 6-5 檔案載入器 (Document Loaders) LangChain 的檔案載入器 檔案載入器用法介紹 6-6 建立 PDF、網頁爬蟲、JSON 檢索問答機器人 PDF 檢索問答機器人 執行結果展示 網頁爬蟲檢索問答機器人 執行結果展示 JSON 檢索問答機器人 執行結果展示 6-7 LangChain 記憶 (Memory) LangChain 記憶類型介紹 LangChain 記憶執行流程 6-8 建立有記憶能力的檢索問答機器人 保留完整對話的 ConversationBufferMemory 執行結果展示 保留對話摘要的 ConversationSummaryMemory 執行結果展示 第 7 章 Agent × Memory：讓模型自己選擇工具並擁有對話記憶 7-1 認識代理 (Agent) AgentExecutor (代理執行器) AgentType (代理類型) initialize_agent (初始化代理) 7-2 工具 (Tool) 使用 LangChain 提供的搜尋引擎查詢工具 (Tool) 建立函式當作自訂工具 (Tool) 7-3 建立有記憶的泛用電腦助手 Agent：密碼生成 × 網頁爬蟲 × 搜尋引擎 步驟 1：初始化 Ollama LLM 步驟 2：建立密碼生成函式當工具 步驟 3：建立網頁爬蟲函式當工具 步驟 4：加入搜尋引擎查詢工具 (DuckDuckGoSearchRun) 步驟 5：組成工具清單 步驟 6：設定 Prompt 步驟 7：加入記憶機制 (Memory) 步驟 8：建立代理 (Agent) 步驟 9：建立主程式 執行結果展示 第 8 章 LangGraph：用狀態、節點、邊建構圖結構流程 8-1 認識 LangGraph 圖結構流程控制原理 LangChain AgentExecutor 與 LangGraph 的差異 圖結構 (Graph) 節點與邊 (Nodes and Edges) 8-2 LangGraph 狀態與其更新機制 (State + Reducer) 狀態 (State) Reducer：控制狀態的更新機制 8-3 建立圖結構條件邏輯 Agent：日期查詢 × 數學計算 步驟 1：初始化模型 步驟 2：定義狀態類別 步驟 3：定義節點函式 步驟 4：建構圖 步驟 5：添加節點與邊 步驟 6：編譯圖與主程式 執行結果展示 8-4 建立圖結構網路查詢助手 Agent：維基百科 × 搜尋引擎 步驟 1：定義狀態類別 步驟 2：初始化工具 步驟 3：定義節點函式 步驟 4：構建圖 步驟 5：執行主程式 執行結果展示 8-5 LangGraph 記憶：Checkpointer Checkpointer (檢查點保存器) Thread (執行緒) 與 Checkpoint (檢查點) 檢查點的獲取：get_state 與 get_state_history 8-6 建立有記憶的圖結構泛用聊天機器人 步驟 1：定義狀態類別 步驟 2：定義節點函式 步驟 3：構建圖 步驟 4：建立 Checkpointer 和初始化狀態 步驟 5：執行主程式 執行結果展示 第 9 章 LangSmith：視覺化追蹤與分析 LLM 工作流的每一步 9-1 LangSmith 核心功能與API 金鑰設定 LangSmith 使用教學 探索 LangSmith 的核心功能 9-2 追蹤 SQL、RAG、Agent、Memory 與 LangGraph 等執行流程 基礎執行流程 SQL 執行流程 RAG 執行流程 Agent × Memory 執行流程 LangGraph 執行流程

RAG × LangChain 整合應用：從問診機器人開始，打造可信任的 AI 系統（iThome鐵人賽系列書） (1版)

類似書籍推薦給您

【簡介】 從概念到實作，全方位掌握 RAG 與 LangChain 精準打造你的專屬 AI 系統！ 　　本書改編自第16屆 iThome 鐵人賽生成式 AI 組優選系列文章《初探 LangChain 與 LLM：打造簡易問診機器人》，完整收錄生成式 AI、大型語言模型（LLM）與檢索增強生成（RAG）的核心觀念與技術細節。 　　書中首先帶領讀者認識生成式 AI 與 LLM 的重要觀念，深入探討模型常見的幻覺問題與即時知識更新的難點，並逐步引導讀者學習 RAG 架構如何有效克服這些挑戰。接著，以詳細且易懂的步驟說明環境建置方法，包括 Python、PyCharm、OpenAI API 及 MongoDB Atlas 的設定，確保讀者能快速架設並應用於實務專案。 　　此外，書中透過實際案例「智慧問診機器人」專案的完整演練，全面介紹 LangChain 框架的基礎到進階操作技巧，並深入說明如何評估與測試系統效能，運用 DeepEval 及 LLM as a Judge 等工具進行成效驗證，幫助讀者掌握 RAG 系統的實務與優化策略，快速提升實戰能力。 　　無論你是初次接觸生成式 AI 的新手，或希望深度實作 RAG 技術的進階讀者，本書將引導你扎實地掌握理論基礎與技術細節，輕鬆建立屬於自己的高效能智慧應用系統。 　　重點摘要 　　✦ 理論基礎 　　深入淺出 RAG 核心觀念 　　✦ 環境架設 　　從開發到部署一本搞定 　　✦ 實務專案 　　採用貼近生活的問診系統實戰演練 　　✦ 效能評估 　　開發同時也關注模型回答的表現 　　目標讀者 　　．對生成式 AI 有興趣的讀者 　　．具備基礎 Python 知識的讀者 　　．期望理解 RAG 系統的人士 　　．想要了解如何評估 RAG 表現的開發者 專業推薦 　　本書以教學導向的內容，帶領讀者認識生成式 AI、大型語言模型（LLM）與 RAG（檢索增強生成）的基本概念與架構，進而透過實際操作與範例，理解 LangChain 框架的開發實務，以及向量資料庫在知識檢索中的關鍵角色；並經由智慧問診機器人實作演練，讓讀者學習如何建構一個能實務運作的智慧化系統，同時介紹提升 RAG 系統準確度的建議作法。我誠摯推薦本書給每一位希望從基礎出發，穩健踏入 LLM 與 RAG 實作領域的讀者。相信本書不只會協助您建立知識架構，更會為後續的學習與應用打下良好的基礎。──── 呂奇傑｜輔仁大學資訊管理學系 特聘教授 【目錄】 Chapter 01 生成式 AI 與 RAG 的核心概念 1-1 生成式 AI（Generative AI）與大型語言模型（LLM）簡介 生成式 AI 簡介 大型語言模型簡介 LLMs 的應用與挑戰 生成式 AI 與 LLMs 的比較 LangChain：開發 LLM 應用的框架 向量（Embedding）技術 1-2 LLMs 的幻覺與知識更新問題 LLMs 產生幻覺的原因 幻覺在問答、法律、醫療等應用中的嚴重性 1-3 RAG的基本介紹 檢索增強生成（RAG）的原理與降低幻覺的方法 RAG 對 LLM靜態知識限制的補足與動態應用支持 RAG 的發展階段 LangChain 與 RAG 的整合應用 1-4 章節回顧 Chapter 02 環境架設與金鑰申請 2-1 開發環境架設（ Python、PyCharm 以及虛擬環境） 2-2 OpenAI 金鑰申請 2-3 Mongo Atlas 服務申請 2-4 章節回顧 Chapter 03 LangChain 操作教學：從基礎到進階 3-1 LangChain 快速入門 LangChain 設定 OpenAI API Key 的方式 LangChain 中的 BaseChatModel 與 LLM 的串接 LangChain 中常見的 Message 類型與結構 LangChain 中的 PromptTemplate LangChain 中的 VectorStore 與 InMemoryVectorStore LangChain 中的 Document 與 Metadata 3-2 LangChain 進階功能實作 鍊式操作（Chain）進階應用 LangChain 內建的 RAG Chain 實作 Agent 概念與實務應用 LangChain 內建對話紀錄管理器 3-3 Mongo Atlas 資料及向量的寫入與查詢 使用 Mongo Atlas VectorStore 的寫入與查詢向量 3-4 章節回顧 Chapter 04 環境架設與金鑰申請 4-1 設計專案架構 4-2 資料及向量的寫入 4-3 設計查詢與對話模組 4-4 設計前台頁面 4-5 建立對話紀錄 4-6 建立問診紀錄區塊 4-7 使用 Fly.io 部署站台 4-8 章節回顧 Chapter 05 智慧問診機器人實作演練 5-1 LLM as a Judge 利用大型語言模型對回覆進行評分 為何我們需要「AI裁判」？ 該如何撰寫讓 LLM 充當裁判的提示語（Prompt）？ LLM as a Judge 的主要應用場景 LLM as a Judge 的可靠性：它真的「公平」且「準確」嗎？ 如何在實務中運用 LLM as a Judge？搭建你的自動評估流程 5-2 DeepEval 工具介紹 5-3 該如何準備 DeepEval 中的測試案例？ 回顧基本的 RAG 流程 建立測試案例：使用 LLMTestCase 類別 執行測試的方式 5-4 常用檢索評估指標：文本精確度、文本召回率與文本關聯性 文本精確度（Context Precision） 文本召回率（Context Recall） 文本關聯性（Context Relevancy） 重點整理 5-5 常用生成評估指標：關聯性與忠實性 關聯性（Answer Relenvacy） 忠實性（Faithfulness） 重點整理 5-6 自定義測試 Prompt 5-7 章節回顧 Chapter 06 提升 RAG 系統的準確度 6-1 Chunking 策略 常見的 Chunking 策略與實作範例 6-2 檢索策略（Retrieve Strategy） 6-3 重排序（Re-rank） 6-4 提示工程 Prompt Engineer 6-5 章節回顧 Chapter 07 RAG 在不同行業的應用與挑戰 7-1 企業知識庫 AI：如何運用 RAG 提升內部 FAQ 回答準確性？ 7-2 法律 AI 助理：讓 AI 提供合規建議與文件檢索能力 7-3 醫療 AI 應用：如何確保 AI 在醫療領域提供可靠建議？ 7-4 章節回顧  

LLM的瑞士刀：用LangChain極速開發可擴充大型應用程式 (1版)

類似書籍推薦給您

【簡介】 　　這本書針對對自然語言處理技術感興趣的讀者，提供了系統化的LLM應用程式開發指南。 　　全書分為11章，從LLM基礎知識開始，透過LangChain這個開放原始碼框架為讀者解讀整個LLM應用程式開發流程。 　　第1~2章概述LLM技術的發展背景和LangChain框架的設計理念。 　　從第3章開始，分章深入介紹LangChain的6大模組，包括模型I/O、資料增強、鏈、記憶等，透過大量程式範例讓讀者了解其原理和用法。 　　第9章透過建構PDF問答程式，幫助讀者將之前學習的知識應用於實踐。 　　第10章則介紹整合，可拓寬LangChain的用途。 　　第11章為初學者簡要解析LLM的基礎理論，如Transformer模型等。 　　本書以LangChain這個讓人熟悉的框架為主線，引導讀者一步一步掌握LLM應用程式開發流程，適合對大語言模型感興趣的開發者、AI應用程式開發者閱讀。 本書特色 　　● 吳恩達親自教學的LangChain套件詳解 　　● 市面第一本中文書操控LLM 　　● 模型I/O模組，RAG模組，鏈的概念 　　● Chat對應的重心 - 記憶模組 　　● 實際執行鏈的角色 – Agent模組 　　● 回呼處理器 　　● PDF、TXT、WIKI、網頁、OFFICE各種文件載入 　　● 向量資料庫的概念 【目錄】 1 LangChain：開啟大型語言模型時代的鑰匙 1.1 大型語言模型概述 1.2 LangChain 與大型語言模型 2 LangChain 入門指南 2.1 初識LangChain 2.2 LangChain 的開發流程 2.3 LangChain 運算式 3 模型I/O 3.1 什麼是模型I/O 3.2 模型I/O功能之模型包裝器 3.3 模型I/O功能之提示詞範本 3.4 模型I/O功能之輸出解析器 4 資料增強模組 4.1 資料增強模組的相關概念 4.2 載入器 4.3 嵌入模型包裝器 4.4 文件轉換器 4.5 向量儲存庫 4.6 檢索器 5 鏈 5.1 為什麼叫鏈 5.2 細說基礎鏈 5.3 四大合併文件鏈 5.4 揭秘鏈的複雜性 6 記憶模組 6.1 記憶模組概述 6.2 記憶增強檢索能力的實踐 6.3 記憶增強Agent能力的實踐 6.4 內建記憶元件的對比 7 Agent模組 7.1 Agent模組概述 7.2 Agent元件的應用 7.3 工具元件和工具套件元件 7.4 Agent元件的功能增強 8 回呼處理器 8.1 什麼是回呼處理器 8.2 內建回呼處理器 8.3 自訂回呼處理器 9 使用LangChain建構應用程式 9.1 PDF問答程式 9.2 對話式表單 9.3 使用LangChain實現BabyAGI 10 整合 10.1 整合的背景與LLM整合 10.2 LLM整合指南 10.3 聊天模型整合指南 10.4 向量資料庫整合指南 10.5 嵌入模型整合指南 10.6 Agent toolkits 整合指南 10.7 Retrievers整合指南 11 LLM應用程式開發必學知識 11.1 LLM的核心知識 11.2 Transformer模型 11.3 語義搜尋 11.4 NLP與機器學習基礎 A LangChain框架中的主要類別 B OpenAI平臺和模型介紹 C Claude 2模型介紹 D Cohere 模型介紹 E PaLM 2 模型介紹 F Pinecone 向量資料庫介紹 G Milvus 向量資料庫介紹

ChatGPT 開發手冊 - 用 OpenAI API‧LangChain‧Embeddings 設計 Plugin、LINE/Discord bot、股票分析與客服自動化助理 (1版)

類似書籍推薦給您

內容介紹 ChatGPT 熱潮之後, 就是語言模型開發應用的時代, 如何將語言模型融入各式各樣的應用當中, 就是開發者接下來面臨的挑戰。利用語言模型理解文意與能言善道的超強特性, 迎來『自然語言就是程式語言』的新世代, 終端用戶使用自然語言讓語言模型自主理解規劃邏輯流程, 我們的程式做為語言模型與外界的橋樑, 串接成完整的應用。本書將帶你： □ 【詳解 OpenAI API 個別參數】：想要善用語言模型, 就必須瞭解 API 的個別參數, temperature 到底什麼意思？怎樣可以讓語言模型生成內容避開不想要出現的字詞？怎樣可以讓語言模型選用偏好的字詞？為什麼生出內容有怪怪的東西？這些都可以透過 API 的參數控制, 如果不瞭解參數, 就只能任由語言模型恣意亂為了。 □ 【仿照 ChatGPT 設計會記憶的聊天機器人】：使用 ChatGPT 太習慣, 就會誤以為語言模型會幫你記錄一切, 沒考慮這一點, 利用 API 寫出來的程式就會變成金魚腦, 剛剛對答過的內容通通不記得。本書設計一個簡單的記憶架構, 可以像是 ChatGPT 一樣記錄對話, 即使程式結束重新啟動還是可以記得住。 □ 【利用 function calling 機制建置外掛系統】：OpenAI 語言模型受限於 2021 年 9 月的時空限制, 而且不能連網, 所以新資訊通通不知道, 也沒有辦法與外界介接。透過最新的 function calling 機制, 我們可以撰寫各式各樣的函式作為延伸語言模型能力的小工具, 讓語言模型自主判斷要使用哪些函式來達成任務, 等於是幫語言模型建立了外掛系統, 不管是搜尋網路、介接其他 API 或是服務, 通通都可以辦到, 就算是今天才發生的事也能暢所欲言。 □ 【設計串流輸出的 AI 聊天架構】：使用 ChatGPT 可以看到非常流暢地逐漸顯示生成的內容, 但是你寫的應用程式卻要等語言模型完整生出內容才能秀出來？本書會教你如何設計出類似 ChatGPT 的效果, 再也不用痴痴等完整結果, 呼叫 API 之後就會開始看到片段生成內容, 給使用者最即時的體驗。 □ 【整合 LINE/Discord bot】：實踐多年來大家夢想的 CUI(Conversation User Interface), 以自然語言控制系統。本書會帶大家整合 OpenAI API 與 LINE/Dicord bot, 除了基本的讓即時通訊軟體變身小助理, 還能理解文字幫你創意生圖/改圖/修圖, 也能幫你搜尋股市資訊, 分析股市。 □ 【使用 Embeddings 設計專屬知識的自動諮詢客服】：許多人都想要讓語言模型變成自己專屬的客服, 不但能言善道, 而且 24×7 不用休息。要做到這一點, 如果要靠輸入大量資料訓練新模型, 不但耗時耗力, 效果還不一定好。本書會帶大家透過 Embeddings 的方式彙整你的專屬文件, 用最有效率的方式搜尋到文件中相關的內容, 再由語言模型統合內容生成回覆, 快速又有效。 □ 【引入 LangChain 框架】：使用 OpenAI API 固然能夠控制最細微的功能, 不過只要善用已經幫你統整好底層 API 的高階框架, 開發起來就能事半功倍, LangChain 就是其中的佼佼者。LangChain 幫你將語言模型、提示模板、對談記錄、外部工具以及能理解推斷邏輯流程的代理元件串起來, 自動將使用者輸入的文句分解成細部工作再一一完成, 用最快的速度開發出能以自然語言操控自動生成產品文、上傳社群的自動代理系統 (agent)。 □ 【ChatGPT 外掛開發】：ChatGPT 目前最重要的就是外掛系統, 讓語言模型可以和外界接軌, 儼然建構起 ChatGPT 生態系。本書會帶大家用真實上架 Plugin store 的台鐵時刻表查詢外掛當範例, 手把手教你設計 ChatGPT Plugin, 還會帶你走一遍上架 Plugin store 流程, 讓你的應用程式與服務順暢介接進入 ChatGPT 家族。 本書的目標, 就是在【自然語言就是程式語言】的時代, 為各位奠定開發程式做為語言模型感官與外界溝通的基礎, 我們寫好各式各樣的外部工具聽任語言模型調用, 終端使用者就可以『說』得一口好程式了！ 本書特色 □ 解析 Plugin store 上架的台鐵時刻表外掛教你設計 ChatGPT Plugin □ 善用 OpenAI API 設計 Discord 股票分析機器人 □ 利用 LangChain 製作行銷文宣自動生成上傳社群服務 □ 結合 Embeddings×LangChain 設計台灣旅遊自動諮詢客服機器人 □ 利用 function calling 設計突破時空限制的 LINE AI 聊天機器人 □ 整合 OpenAI Image API 設計 AI 文字生圖/改圖/修圖工具 □ 透過 Gradio 設計可分享的 AI 網頁應用 □ 詳解 OpenAI API 參數/掌握語言模型輸出變化 書籍目錄 第 1 章 OpenAI API 入門 1-1 有了 ChatGPT 為什麼還要寫程式？ 流程自動化 客製化聊天內容 延伸聊天範圍 整合 AI 功能 1-2 註冊 OpenAI API 帳戶 檢查目前用量 成為付費會員 限制使用額度 1-3 利用 Playground 熟悉 API 可用的 API 模式與模型 認識 chat 模式的三種角色 保持對答脈絡 第 2 章 使用 Python 呼叫 API 2-1 使用官方 openai 套件 安裝與使用 openai 套件 傳遞多筆訊息 設定與隱藏金鑰的方法 2-2 認識 token 使用 tokenizer 頁面檢視 token 使用 tiktoken 套件計算精確 token 數 token 切割視覺化工具 ChatML 標記語言 2-3 使用 Python requests 模組呼叫 API OpenAI API 的 HTTP 規格 使用 Python requests 模組 利用 curl 工具快速測試 API 第 3 章 API 參數解析與錯誤處理 3-1 事前準備 3-2 控制生成訊息與 token 數量 指定生成的訊息數量 - n 設定詞彙黑名單 - stop 設定回覆語句的 tokens 數量上限 - max_tokens 3-3 控制回覆內容的變化性 讓回覆更具彈性 - temperature 控制詞彙的豐富度 - top_p 控制詞彙的重複性 - presence_penalty 與 frequency_penalty 調整特定 token 的分數 - logi-bias 3-4 串流輸出 可循序傳回結果的生成器 (generator) - stream 串流多個語句 3-5 錯誤處理與使用限制 使用例外機制處理錯誤 API 存取限制 第 4 章 打造自己的 ChatGPT 4-1 文字模式簡易聊天程式 4-2 加入聊天記錄維持聊天脈絡 4-3 串流版本的聊天程式 4-4 儲存歷史紀錄下次繼續聊 掛接 Google 雲端硬碟 製作復原/儲存歷史紀錄的函式 第 5 章 突破時空限制 – 整合搜尋功能 5-1 用搜尋網頁幫 AI 補充知識 使用 Google 搜尋 5-2 整合搜尋結果讓 AI 跟上時代 5-3 使用 Google Search JSON API 建立搜尋引擎 ID 取得 API Key 使用 HTTP API 取得搜尋結果 使用客製模組 第 6 章 讓 AI 幫 AI – 自動串接流程 6-1 從 ChatGPT 外掛得到的啟示 準備工作 搭配串流/非串流模式的工具函式 6-2 由 AI 自動判斷要額外進行的工作 讓 AI 自行決定是否需要搜尋 撰寫判斷是否需要搜尋的工具函式 可自行判斷是否進行網路搜尋的聊天程式 6-3 可建構外掛系統的 Function Calling 機制 告知語言模型可用的外部工具函式 取得語言模型的建議 執行函式並傳回結果 以串流方式使用 function calling 6-4 建立 API 外掛系統 建立外部工具函式參考表 建立協助 function calling 的工具函式 建立 function_calling 版的 get_reply_f() 函式 建立 function calling 版本的 chat_f() 函式 6-5 迭代式 function-calling 機制 gpt-4 模型真的比較厲害 驗證答案必要時強制進行第二輪 第 7 章 網頁版聊天程式與文字生圖 Image API 7-1 準備工作 7-2 使用 gradio 套件快速建立網頁程式 安裝與使用 gradio 使用串流方式顯示輸出 客製使用者介面 7-3 使用 DALL‧E 的 Image API Image API 用法 建立文字生圖像網址的函式 包裝成生成 markdown 語法的函式 第 8 章 設計 LINE AI 聊天機器人 8-1 設計簡易的 LINE 聊天機器人 Messaging API Replit 線上開發環境 實作 LINE 聊天機器人 設定環境變數 執行程式 串接程式與通道 測試聊天機器人 8-2 升級為 AI 聊天機器人 設定環境變數 修改程式碼 執行與測試 8-3 OpenAI 變化圖像的功能 8-4 可控制變化內容的 create_edit 函式 ChatGPT code interpreter 模型來幫忙 讓 LINE 也能變化圖像背景 第 9 章 自媒體業者必看！使用 AI 自動生成高品質字幕 9-1 使用 PyTube 套件輕鬆下載 YouTube 檔案 複製 Replit 專案：輕鬆下載 YouTube 檔案 程式碼詳解：輕鬆下載 YouTube 檔案 9-2 使用 Whisper「語音轉文本」模型轉出字幕檔 複製 Replit 專案：從音訊檔轉出字幕檔 程式碼詳解：從音訊檔轉出字幕檔 9-3 影片不是中文的？讓 AI 變出中文字幕！ 複製 Replit 專案：讓 AI 變出中文字幕 程式碼詳解：讓 AI 變出中文字幕 第 10 章 把 AI 帶到 Discord 10-1 建立第一個 Discord 機器人 前置作業 建立 Discord 開發者應用程式 取得 TOKEN 將 Discord 機器人加入伺服器 10-2 建立回聲機器人 複製 Replit 專案：回聲機器人 程式碼詳解：回聲機器人 10-3 讓 Discord 機器人只處理指名給自己的訊息 複製 Replit 專案：指名道姓機器人 程式碼詳解：指名道姓機器人 10-4 加入 AI 的 Discord 機器人 複製 Replit 專案：加入 AI 大腦的機器人 程式碼詳解：加入 AI 大腦的機器人 第 11 章 AI 客製化投資理財應用實戰 11-1 能抓取證交所資料的 Discord 機器人 複製 Replit 專案：能抓取證交所資料的 Discord 機器人 抓取大盤資料 抓取個股股價資料 抓取個股本益比、殖利率及淨值比資料 斜線指令：main.py 11-2 StockGPT：專業的證券分析機器人 複製 Replit 專案：StockGPT 抓取新聞資料 AI 幫你來分析 StockGPT 主程式：main.py 11-3 加入按鈕指令來優化使用者體驗 複製 Replit 專案：按鈕版的 StockGPT 按鈕指令：main.py 第 12 章 用 LangChain 實作新書宣傳自動小編 12-1 認識 LangChain 12-2 熟悉 LangChain 基本功能 使用 ChatOpenAI 提示模板 (PromptTemplate) 建立 LLMChain 對話記憶 Memory 12-3 串接 Google search 及 Agent 代理運用 建立 LangChain 代理 (Agent) 建立工具組 建立 Agent 12-4 實戰演練：用 LangChain 在社交軟體上宣傳新書 建立 Chain 元件 使用爬蟲 建立可取得單一書籍文案的函式 flag_book 宣傳文修改程式 前往 IFTTT 連接 FB 宣傳文編碼與上傳 第 13 章 用 Embeddings 實作台灣旅遊客服機器人 13-1 Embeddings 簡介 主要功能及應用 如何轉成向量 模型與花費 13-2 實作 Embeddings 建立環境 文字轉向量 比較關聯性 - 餘弦相似度 13-3 向量資料庫 動手操作 查詢資料 13-4 台灣旅遊客服機器人 快速建立資料庫 使用 RetrievalQA 使用 Gradio 建立網頁程式 第 14 章 ChatGPT Plugin 開發 14-1 火車時刻表查詢外掛簡介 14-2 使用 TDX 平台查詢台鐵資訊 查詢所有車站基本資料 指定起迄站代號查詢時刻表 取得驗證資訊 以驗證身分方式使用 API 14-3 ChatGPT 外掛實作入門 - 以查詢台鐵車站代號為例 ChatGPT 外掛基本架構 外掛描述檔 API 規格檔 後端程式 測試外掛 14-4 ChatGPT 外掛開發 - 加入時刻表查詢功能 修改外掛描述檔 修改 API 規格檔 修改後端程式 測試外掛 14-5 身分驗證 設定存取令牌 取得驗證令牌 修改後端程式 測試外掛 14-6 協同測試與上架 Plugin store 請其他開發者測試外掛 提交外掛

LangChain學習手冊｜使用 LangChain 與 LangGraph 建構 AI 與 LLM 應用程式 (1版)

類似書籍推薦給您

【簡介】 　　若要打造可推理及提取外部資料、理解前後脈絡、可投入正式環境的 AI 應用程式，你就必須熟悉熱門的開發框架與平台 LangChain。它可以用來建立、執行與管理有自主行動能力的 app。目前已有許多頂尖公司採用 LangChain，包括 Zapier、Replit、Databricks 等。對於已經學會 Python 或 JavaScript，且想要掌握 AI 能力的新手開發者而言，本書是必備的學習資源。  　　作者 Mayo Oshin 與 Nuno Campos 透過實用的見解與深入的教學，帶領你逐步掌握 LangChain 的運用。從基礎概念開始，一步步帶你建立一個可正式上線，並且能夠使用個人資料的 AI agent。  　　• 運用 retrieval-augmented generation（RAG）技術，結合外部的即時資料來提升 LLM 的準確性。  　　• 開發並部署能夠與使用者聰明地互動，並且記得前後脈絡的 AI 應用程式。  　　• 透過 LangGraph 來使用強大的 agent 架構。  　　• 整合並管理第三方 API 與工具，以擴充 AI 應用程式的功能。  　　• 監控、測試與評估 AI 應用程式，以提升效能。  　　• 瞭解 LLM app 開發的基礎知識，並學習如何在 LangChain 上加以活用。  　　-------------------------------------------------------------  　　「本書包含條理分明的講解和可落實的技巧，是掌握 LangChain 的強大功能，並用它來製作可上線的生成式 AI 與 agent 的首選資源。對於想充分利用此平台之潛力的開發者來說，是必讀之作。」 ── Tom Taulli，IT 顧問暨《AI輔助程式開發》作者  　　「這本完整的指南涵蓋文件提取與檢索，以及在正式環境中部署與監控 AI agent 的完整知識。透過引人入勝的範例、直覺的圖解與實際的程式碼，讓 LangChain 變得既有趣又好玩！」 ── Rajat K. Goel，IBM 資深軟體工程師  　　「這是一本完整的 LLM 指南，不只介紹基礎知識，也探討生產階段，充滿技術見解、實用策略，以及強大的 AI 模式。」 ── Gourav Singh Bais，Allianz Services 資深資料科學家暨技術內容撰寫人  【目錄】 第一章 使用 LangChain 必備的 LLM 基礎知識  設置 LangChain 環境  在 LangChain 中使用 LLM  讓 LLM 的指示詞可以重複使用  從 LLM 取得特定格式的輸出  組合 LLM 應用程式的各個部分  第二章 RAG 首部曲：為你的資料建立索引  目標：為 LLM 挑選相關的脈絡  embedding：將文字轉換成數值  將文件轉換成文字  將文字拆成小段落  產生文字embedding  將 embedding 存入向量庫  追蹤文件的變更  索引最佳化  第三章 RAG 二部曲：與你的資料對話  Retrieval-Augmented Generation 簡介  查詢句轉換  查詢句路由  建構查詢句  第四章 使用 LangGraph 來為聊天機器人加入記憶功能  建立聊天機器人記憶系統  介紹 LangGraph  建立 StateGraph  為 StateGraph 加入記憶功能  修改聊天歷史  第五章 LangGraph 與認知架構  架構 #1：LLM 呼叫  架構 #2：鏈式架構  架構 #3：路由器  第六章 agent 架構  Plan-Do 迴圈  建立一個 LangGraph agent  始終先呼叫某一個工具  使用大量工具  第七章 Agents 第二集  反省  LangGraph 的 subgraph  多 agent 架構  第八章 善用 LLM 的設計模式  結構化輸出  第九章 部署：將 AI 應用程式部署到正式環境  先決條件  瞭解 LangGraph Platform API  在 LangGraph Platform 上部署 AI 應用程式  安全  第十章 測試：評估、監控與持續改進  在 LLM app 開發週期中的測試技巧  設計階段：能自我修正的 RAG  預備上線階段  正式上線階段  第十一章 使用 LLM 來建構應用程式  互動式聊天機器人  與 LLM 合作編輯  環境式運算（ambient computing）