信任「放在」錯誤的對象：揭開詐騙集團真實手法 (1版)

類似書籍推薦給您

【簡介】 本書特色： ※以真實案例陳述並揭發詐騙集團面貌與手法，讓世人知悉，引發政府重視。台灣詐騙集團之猖獗已破壞社會中人與人之間的信任感及安全感。 ※面對已成事實的詐騙財務損失，個人與家庭如何面對危機，並在受打擊中重新站立起來。 　　因信任公務機構人員打來的好心與幫忙報案電話，以及相信警察、檢調人員的辦案能力。卻沒想到這全是詐騙極團已寫好的詐騙劇本，自己成為演員全然不知。詐騙集團為了金錢已失去善良和慈悲心，對方才不管被騙的人已失去一生儲蓄，有可能尋短而失去寶貴生命，甚至造成家庭破產。 　　本書的內容為真實案例，內文中的姓名及電話是虛擬，作者希望透過本書幫助社會大眾了解詐騙集團的離奇手法，走出迷失，以避免受害。受害人身心已是低落，親友如何展現適合態度，才不會造成再次傷害，造成難以承受的情況發生。並且可以從主角品川的視野，看見台灣社會底層情況及台灣在國際上的處境。 　　期望藉由本書的出版，能讓政府重視詐騙集團已對社會及家庭經濟構成嚴峻的危害。並且促使政府相關單位思考如何立法嚴懲歹徒，讓社會不至於失去信任。 【目錄】 推薦序一／蔡主恩博士 推薦序二／蔡鈴敏牧師 推薦序三／楊忠霖副理事長 推薦序四／莊華瑋律師 作者序／謝冠賢博士 一、一通電話帶來改變 1. 右眼皮跳個不停象徵壞事即將來臨 2. 一通戶政事務所的來電變成報案電話 3. 恐懼常把非既成事實認為可能發生 二、精明的人，步步留心 三、愚蠢的人愚昧終究是愚昧 1. 報案及問話錄音檔移交檢察官偵辦 2. 請求檢察官分案審理﹁龍華吸金案﹂2 3. 檢察官指示挑選五成銀行帳號接受監管 4. 查證有人假借黃敏昌檢察官從事詐騙 5. 慣性思維來自於一樁間諜案 6. 譴責中信銀公然違法反要求在富邦銀開戶 7. 檢察官開始實施金融監管作業 8. 檢察官說明金融監管原因與偵辦進度 9. 強制實施第二次銀行帳戶監管 10. 檢察官借提主嫌開庭並說明監管科意見 四、有破綻就會上當 五、甚願上帝保守不遭受患難 六、呼喊不出上帝的名字 七、啟動危機處理 ※野火燒不盡春風吹又生 案例一：接到一通戶政事務所錄音電話 案例二：高雄前金區戶政事務所打來詢問電話 案例三：收到「台灣大哥大」賬戶積分未兌換簡訊

LangChain開發手冊：OpenAI × LCEL 表達式 × Agent 自動化流程 × RAG 擴展模型知識 × 圖形資料庫 × LangSmith 除錯工具 (1版)

類似書籍推薦給您

【簡介】 整合大型語言模型能力開發應用程式已成為一股不可阻擋的趨勢, 利用 LangChain 框架可以快速開發讓使用者透過自然語言就能自動化處理任務的應用程式, 大大提高工作效率。LangChain 解決了開發過程中與語言模型溝通必須撰寫大量複雜程式碼的問題, 透過模板機制可以隨時將額外的資訊填補到提示中, 利用工具機制可以讓模型使用我們所撰寫的外部函式, 更提供有許多現成的工具節省開發者重新發明輪子的時間, 還可透過 Agent 機制整合上述功能, 讓你的程式變成自主決策、自動運作的代理機器人。LangChain 還提供有 RAG 機制與串接圖形資料庫的功能, 讓你可以擴展模型知識, 解放限制。 　　|善用模板化機制彈性增、修提示內容, 讓模型生成正確結果| 　　客製具有彈性的提示模板, 根據不同情境替換部分提示內容, 讓模型依據提示模板回覆結果。本書會介紹 LangChain 的提示模板機制彈性替換部分提示內容的方式, 也會展示在模板中嵌入函式替換即時時間, 讓模型知道現在的時空背景。 　　|深入輸出內容解析器 | 　　輸出內容解析器可以讓模型以指定格式的資料結構傳回結果, 不論是 JSON、Dict、CSV、List 等都能要求模型將結果以指定格式傳回, 方便程式進行後續的處理。 　　|LCEL 表達式全解析| 　　LCEL 表達式是 LangChain 獨有的語法, 可以使用表達式串接個別元件加速開發, 本書將會帶大家了解 LCEL 的概念與用法, 比較不使用 LCEL 與使用 LCEL 的差別, 以及各種 LCEL 便利的功能。 　　|使用工具幫模型加上外掛| 　　透過工具機制串接外部函式幫語言模型增加功能, 如：網路搜尋、天氣資料查詢等等, 同時善用 LangChain 內建提供的多種工具, 例如:DuckDuckGO Search、YouTube 等等節省開發時間。 　　 　　|深入理解 Agent 機制開發代理程式| 　　代理是可以自主決策執行流程的元件, 還可以整合對話紀錄、網路搜尋、向量資料庫、程式函式、文字生圖等等功能, 成為實作 AI 的基石。本書會帶大家深度了解代理的運作原理以及使用方式。 　　|利用 RAG 擷取各種格式檔案內容擴展語言模型知識| 　　使用 LangChain 的好處之一, 就是可以使用它內建的多種檔案格式讀取工具, 以及不同的檔案內容切割器, 再整合多種向量資料庫, 讓你可以從各種格式的檔案讀取內容, 提供給模型參考, 擴展模型的知識, 突破模型本身訓練資料的限制, 生成正確的內容。本書將會帶大家解析 RAG 的個別處理方式, 以及它使用的向量檢索概念。 　　|圖形資料庫| 　　LangChain 可以搭配圖形資料庫將過往以資料為中心的概念轉換成資料與關聯並重的方式, 讓語言模型可以藉由對資料間關係的理解, 正確生成以資料間關係為依據的內容, 不再需要我們自己找出資料之間的關係。 　　|實作電影知識專家機器人| 　　使用圖形資料庫儲存電影資訊, 讓模型回答跟電影相關的問題, 像是找出你愛的王淨演過哪些電影、又或者有哪些既能演又能導的天才。 　　|實作辦公室檔案問答機器人| 　　利用 RAG 技術與 LangChain 內建 RAG 工具, 讓語言模型自動解析並回答有關 PPT、EXCEL、WORD、PDF 和 CSV 文件的查詢，提升工作效率與自動化程度。 　　|實作YouTube 懶人包機器人| 　　利用 LangChain 內建工具查詢 YouTube 影片, 並使用 OpenAI Whisper 解析影片內容，再透過 RAG 技術快速找出影片內容來回答問題，節省觀看時間。 本書特色 　　 \大型語言模型應用開發者的軍火庫// 　　‣ 用 LangChain 整合不同語言模型, 單一框架不用修改程式碼就可以吃遍各家語言模型。 　　‣ 善用模板化機制彈性增、修提示內容, 讓模型生成正確結果。 　　‣ 熟悉輸出內容解析器, 強制模型依照指定格式生成內容, 轉換成便利程式碼處理的資料結構。 　　‣ 利用 LCEL 表達式串接模板、語言模型、輸出內容解析器, 快速建立對話流程。 　　‣ 學會使用工具機制串接外部函式幫語言模型增加功能, 同時善用多種 LangChain 內建的工具, 省去撰寫各種外部函式的時間。 　　‣ 深入理解 Agent 機制開發代理程式, 讓語言模型自己決策選用適當工具自動執行完成任務, 不需要撰寫與語言模型溝通的複雜程式碼。 　　‣ 透過內建的對話紀錄功能元件, 快速建立具有記憶、能夠理解前後語意脈絡的對話機器人。 　　‣ 啟用串流功能讓語言模型邊生成邊回覆, 讓使用者不必痴痴等。 　　‣ 串接 OpenAI 聊天、生圖、語音生成文字模型, 甚至幾乎不必修改程式碼無縫替換串接 Google gemini pro 模型。 　　‣ 利用 RAG 擷取各種格式檔案內容擴展語言模型知識, 客製專屬的問答程式。 　　‣ 導入圖形資料庫處理關聯資料, 讓語言模型像是抓粽子一樣幫你快速串起相關資料。 　　‣ 善用 LangSmith 工具, 追蹤程式流程與傳輸資料, 再複雜的程式也一目了然。 　　‣ 實作辦公室檔案問答機器人, 工作上會出現的 PPT、EXCEL、WORD、PDF、CSV 檔, 通通丟進去讓語言模型幫你讀, 有效提升工作效率。 　　‣ 實作YouTube 懶人包機器人, 不必完整觀看影片也能問出內容。 　　‣ 實作電影知識專家機器人, 想知道最喜愛的演員演過哪些電影一問就知道。 【目錄】 第 1 章 語言模型開發框架 - LangChain 1-1 為甚麼選擇 LangChain？ • LangChain 簡介 1-2 LangChain 組成元件 1-3 註冊 OpenAI API 帳戶 • 成為付費會員 • 檢查目前用量與限制使用額度 第 2 章 使用官方 LangChain 套件 2-1 安裝與使用 langchain 套件 • 建立與使用 OpenAI 物件 • 傳送多筆訊息 • 串流模式 • 快取與計費功能 • 設定與隱藏金鑰的方法 2-2 與語言模型溝通的藝術 – • 提示模板 (PromptTemplate) • 字串提示模板 - PromptTemplate • 對話提示模板 - ChatPromptTemplate • 角色物件 2-3 提示模板的進階變化 • 固定提示模板的部分參數 • 以函式自動加入最新內容 • 提示模板中的佔位訊息 2-4 認識輸出內容解析器 (Output Parsers) • 輸出文字格式的回覆內容 • 輸出 JSON 格式的內容 • 串接輸出內容解析器 • 輸出 CSV 格式的內容 • 自訂輸出格式 • 結構化輸出格式 第 3 章 使用流程鏈 (Chain) 串接物件 3-1 認識LCEL（LangChain Expression Language） • 細部分解 LCEL • 使用 RunnableSequence 簡化多層函式的呼叫 • 使用 RunnableParallel 執行多個流程合併結果 3-2 LCEL 實用功能 • 使用 RunnablePassthrough 簡化參數 • 使用 RunnableBinding 使用模型方法和代入工具 • 分支與合併 3-3 LCEL 進階功能 • 在流程鏈中使用函式 • 依照輸入分類執行不同的任務 • 切換模型或提示 第 4 章 記憶對話的物件--memory 4-1 串接記憶功能物件 • 將記錄的訊息加入到流程鏈中 • 將訊息記錄在 SQLite 資料庫中 • 將訊息儲存在檔案裡 4-2 記錄一問一答的對話 • 使用對話記憶物件記錄對話 • 建立對話流程鏈 • 可限制記錄對話次數的記憶物件 • 超過 token 數量限制會自動摘要內容的記憶物件 4-3 建立聊天機器人 • 串流模式 第 5 章 工具與代理 5-1 提供搜尋功能的函式 • 使用 LangChain 包裝的 API 類別 • 將函式包裝成 runnable 物件—工具 (tool) 5-2 讓模型自己選擇工具 • 提供工具給模型物件 5-3 使用自訂函式當工具 • 多種工具之間的選擇 5-4 自主決策流程的代理 • 快速建立代理 • 設定工具錯誤訊息 • 中間步驟 第 6 章 建立自己的代理 6-1 文字聊天與生圖代理 • 使用 Dall-e-3 模型建立生圖工具 • 串接成代理 • 加入記憶物件 • 只記錄固定次數對話 6-2 客製中間步驟 • 客製化回應 第 7 章 用 RAG 讓模型擴展額外知識 7-1 什麼是 RAG • RAG 第一步：載入資料 • RAG 第二步：資料分割 7-2 Embedding 向量化 • RAG 第三步：文字轉向量 • RAG 第四步：儲存到向量資料庫 Chroma 7-3 檢索對話流程鏈 • 同時傳回生成結果與關聯資料 • RAG 集大成：建立檢索對話代理 7-4 總結文件內容的流程鏈 • 不同的總結方式 7-5 其他的文件分割器 • JSON 格式 • Markdown 格式 • HTML 格式 • 不同程式碼格式 第 8 章 RAG 與圖形資料庫 8-1 什麼是圖形資料庫？ • 註冊圖形資料庫 Neo4j • 連接資料庫及匯入資料 • 建立問答流程鏈 8-2 與向量資料庫結合 • 合併兩個資料庫 第 9 章 實戰演練 9-1 YouTube 影片懶人包問答機器人 • 執行流程 • 使用 RAG 處理資料 • 建立能持續對話的程式 9-2 辦公室常見檔案問答機器人 • PowerPoint • Word • Excel • CSV 第 10 章 LangSmith - 追蹤程式的資料傳遞過程 10-1 如何使用 LangSmith？ 10-2 流程鏈的資料傳遞過程 10-3 代理的資料傳遞過程 10-4 RAG 的資料傳遞過程

AI 神助攻！程式設計新境界 - GitHub Copilot 開發 Python 如虎添翼 : 提示工程、問題分解、測試案例、除錯 (1版)

類似書籍推薦給您

【簡介】 【程式設計新浪潮 . 開發生態大革命】 你還在研讀程式語法手冊？還在網路上找程式碼來修修改改？還要繼續埋首在手刻程式碼的低效循環中掙扎嗎？就是現在，程式設計生態發生了史無前例的變革！ GitHub Copilot 是由 GitHub 與 OpenAI 大型語言模型（LLMs）合作開發的 AI 程式設計助手，它從巨量程式碼庫中學會所有的程式設計技巧，將人類過往的程式精華融為一體。只要你學會用正確的方法、下達明確的提示詞、妥善地用自然語言與其溝通，就能發揮它的無窮力量，大幅幫助你提高開發軟體的成效。 本書作者：兩位資訊教育學家 Leo Porter 博士與 Daniel Zingaro 博士為了 AI 程式設計時代的到來，在本書規劃出「函式設計循環」流程，整本書的編排圍繞著這個設計循環所需的技能，一遍遍演練、一步步學會進入 AI 程式設計必備的新技能。幫助你以正確的方式掌握 Python 程式設計（當然，其它程式語言也適用），高效快速解決實務上的任務。 【開發程式的重點：從寫程式轉換為寫提示詞】 與傳統的入門程式設計課程相比，使用 GitHub Copilot 協助寫程式需要學習新的技能，特別是問題分解、提示工程、測試與除錯技巧（如果您對這些技能還不太熟悉也無需擔心，本書都會詳細介紹），這些新技能對於現職的程式設計師來說同樣重要。 在以往傳統的程式設計課程中，學生往往需要將精力灌注在語法的細節上，然而在 AI 時代，程式語法已經有 GitHub Copilot 這位大神在身邊，完全不用你操心，你該學的是如何用自然語言，寫出有意義且 AI 工具能正確理解的提示詞，讓它為你寫出符合預期的程式碼。如果你真的很不會寫提示詞，Copilot 除了能夠反向幫助程式產生提示詞，甚至還可以利用提示模式（prompt patterns）翻轉問答對象，讓 Copilot 主動提問以達成你的目標。 本書特色: ● 精心設計為 AI 工具而生的函式設計循環。 ● 使用與業界接軌的 Visual Studio Code 開發工具。 ● 善用 Copilot Chat、inline Chat 提高生產力好助手。 ● 撰寫提示詞：學會用 AI 看得懂的自然語言溝通。 ● 看懂程式碼：程式由 AI 寫, 但你需要看得懂。 ● 問題分解：用 Top-Down 設計將大問題分解成小任務。 ● 測試案例：設計常見案例與邊界案例確認函式正確。 ● 除錯技巧：當 AI 使不上力的時候要學會自救。 ● 從設計模式轉變為提示模式的初體驗。 【目錄】 目錄: 第 1 章 GitHub Copilot 簡介 1.1 本書用到的技術 1.1.1 GitHub Copilot 就是寫程式的 AI 助手 1.1.2 GitHub Copilot 背後運作方式 1.2 GitHub Copilot 改變寫程式的方式 1.3 GitHub Copilot 能幫我們做什麼其他事情？ 1.4 使用 Github Copilot 的風險與挑戰 1.5 技能需求 1.6 AI 程式助手（如 Copilot）帶來的顧慮 第 2 章 GitHub Copilot 入門 2.1 使用 Copilot 必備工具 2.1.1 需要註冊 GitHub 帳號 2.1.2 需要安裝 Python 延伸模組 2.1.3 需要安裝 VS Code 2.2 設定您的開發環境 2.3 在 Visual Studio Code 中使用 Copilot 2.3.1 設定工作資料夾 2.3.2 檢查設置是否能正常運行 2.4 常見的 Copilot 問題 2.5 在 VS Code 中用 Copilot 產生程式碼 2.6 第一個程式任務 2.6.1 Copilot 在資料處理任務中的價值 2.6.2 計算 Aaron Rodgers 在 2019~2022 年的傳球碼數 2.6.3 查出那段期間所有四分衛的表現 2.6.4 將傳球碼數統計資料繪製成圖表 第 3 章 設計函式 3.1 函式（Functions） 3.1.1 函式的組成 3.1.2 使用函式 3.2 函式的好處 3.3 呼叫函式的執行順序與函式的不同角色 3.3.1 瞭解呼叫函式的執行順序 3.3.2 函式的其它角色 3.4 函式的合理任務 3.4.1 好函式的特色 3.4.2 好與不好的葉子函式例子 3.5 使用 Copilot 的函式設計循環 3.6 使用 Copilot 建立函式的例子 3.6.1 計算股票獲利的函式 3.6.2 檢查強密碼的函式 3.6.3 獲取強密碼的函式 3.6.4 拼字遊戲的計分函式 3.6.5 找出分數最高單字的函式 第 4 章 學習閱讀 Python 程式碼 (1) 4.1 為何需要閱讀程式碼 4.2 要求 Copilot 解釋程式碼的意思 4.2.1 用 Copilot Chat 窗格解釋程式碼 4.2.2 從 inline Chat 叫出 GitHub Chat 解釋程式碼 4.2.3 透過格式化文件命令窗解釋程式碼 4.3 Python 語言的 10 大構成要素 4.4 內建函式 4.5 變數（Variables） 4.6 條件語句（Conditionals） 4.6.1 當條件判斷只有兩種可能結果 4.6.2 當條件判斷多於兩種可能結果 4.6.3 每個 if 語句都是獨立的條件判斷 4.7 字串（Strings） 4.7.1 字串的 method 練習 4.7.2 請 Copilot 解釋 method 與使用情境 4.7.3 字串的串接與重複 4.8 串列（Lists） 4.8.1 串列中的元素 4.8.2 串列元素的索引 4.8.3 串列元素切片 4.8.4 用索引更改串列中的值 4.9 Python 前 5 種構成要素整理 第 5 章 學習閱讀 Python 程式碼 (2) 5.1 迴圈（Loops） 5.1.1 for 迴圈 - 讀取字串 5.1.2 for 迴圈 - 讀取串列 5.1.3 for 迴圈 – 搭配索引 5.1.4 while 迴圈 5.2 縮排（Identation） 5.2.1 縮排代表程式區塊 5.2.2 二層縮排 5.2.3 三層縮排 5.2.4 美觀性的縮排 5.2.5 縮排與巢狀迴圈 5.3 字典（Dictionary） 5.3.1 存取字典的內容 5.3.2 用迴圈取得字典的內容 5.4 檔案（Files） 5.4.1 開檔並讀取資料 5.4.2 用迴圈逐列讀取檔案中的資料 5.4.3 用模組簡化處理 CSV 檔案的過程 5.5 模組（Modules） 5.5.1 預設模組可直接載入 – 以 zipfile 模組為例 5.5.2 需要下載並安裝的套件 5.6 Python 後 5 種構成要素整理 第 6 章 測試與提示工程 6.1 程式碼測試的重要性 6.2 黑盒測試與白盒測試 6.2.1 黑盒測試 6.2.2 如何決定測試案例要測什麼？ 6.2.3 白盒測試 6.3 如何測試您的程式碼 6.3.1 在 Python 提示符號下進行測試 6.3.2 直接在 Python 檔案中進行測試 6.3.3 用 doctest 模組進行測試 6.4 重新檢視 Copilot 函式設計循環 6.5 測試範例 1 – 安排學生座位 6.5.1 找出一列中最多還可安排幾位新學生 6.5.2 改進提示詞以得到更佳解決方案 6.5.3 測試新的解決方案 6.6 測試範例 2 – 用到外部檔案 6.6.1 準備進行的測試案例 6.6.2 建立函式 6.6.3 對函式進行測試 6.6.4 使用 doctest 容易出現的問題 第 7 章 問題分解 7.1 問題分解的過程 7.2 Top-Down 設計的小例子 7.2.1 用 Top-Down 思考獲取強密碼函式 7.2.2 用 Top-Down 思考找出分數最高單字函式 7.2.3 Top-down 設計可控制複雜性 7.3 作者身份識別任務 7.4 作者身份識別程式的三個階段 7.5 分解處理階段的問題 7.5.1 決定神秘書籍的未知特徵簽名 7.5.2 5 個特徵函式的詳細說明 7.5.3 找出每本已知作者書籍的特徵簽名 7.6 為 Top-Down 設計做個整理 7.7 將規劃的函式用 Copilot 實作出來 7.7.1 clean_word 函式 7.7.2 average_word_length 函式 7.7.3 different_to_total 函式 7.7.4 exactly_once_to_total 函式 7.7.5 split_string 函式 7.7.6 get_sentences 函式 7.7.7 average_sentence_length 函式 7.7.8 get_phrases 函式 7.7.9 average_sentence_complexity 函式 7.7.10 make_signature 函式 7.7.11 get_all_signatures 函式 7.7.12 get_score 函式 7.7.13 lowest_score 函式 7.7.14 process_data 函式 7.7.15 make_guess 函式 7.8 思考重構程式的可能. 第 8 章 除錯 – 使用 Copilot Chat 與debugger 8.1 造成 bugs 的原因 8.2 如何找出 bugs 8.2.1 使用 print 語句來瞭解程式碼行為 8.2.2 用 VS Code 的 debugger 觀察程式行為 8.3 利用 GitHub Copilot Chat 修正程式碼 8.4 將除錯融入工作流程 8.5 將除錯技巧應用於新問題 8.5.1 列出可能出現錯誤的假設 8.5.2 對假設進行除錯 8.6 線上除錯工具 PythonTutor 8.7 降低除錯的挫折感. 第 9 章 製作自動化工具 9.1 程式設計師自製工具的原因 9.2 用 Copilot 開發自動化工具 9.3 自動化工具 1：清理電子郵件多餘符號 9.3.1 與 Copilot 交談取得協助 9.3.2 實際撰寫程式 9.4 自動化工具 2：為數百個 PDF 報告加上封面頁 9.4.1 與 Copilot 交談取得協助 9.4.2 實際撰寫程式 9.4.3 更新函式開發循環 9.5 自動化工具 3：合併圖片庫中內容不重複的檔案 9.5.1 與 Copilot 交談取得協助 9.5.2 為函式補上 docstring 第 10 章 遊戲設計 10.1 遊戲程式的兩個主要功能 10.2 為遊戲加入隨機性 10.3 遊戲 1：猜數字遊戲（Bulls and Cows） 10.3.1 遊戲玩法 10.3.2 Top-Down 設計 10.3.3 函式的參數與傳回值資料型別 10.3.4 實現遊戲的函式 10.3.5 為猜數字遊戲加上圖形介面 10.4 遊戲 2：雙人骰子遊戲（Bogart） 10.4.1 遊戲玩法 10.4.2 Top-Down 設計 10.4.3 實現遊戲的函式 第 11 章 未來的方向 11.1 從設計模式到提示模式 11.2 翻轉互動模式 - Flipped interaction pattern 11.3 角色模式 - Persona pattern 11.4 AI 工具的限制和未來方向 11.4.1 Copilot 目前面臨的困難 11.4.2 程式語言會被自然語言取代嗎？ 11.4.3 一個令人期盼的未來