本书围绕DeepSeek大模型应用开发展开，深度融合技术创新与工程实践，内容覆盖大模型应用开发（在线调用、提示词、推理、Agent、工具调用、MCP、微调、蒸馏、后训练、RAG）技术栈及其案例。书中原理与案例相融合，注重培养读者的大模型原生应用与智能体开发能力，并构建从理论到落地的完整知识体系。本书配套示例源码、PPT课件、配图PDF文件、读者微信交流群。 本书既适合DeepSeek开发初学者、大模型原生应用与智能体开发人员、模型优化与工程化工程师、大模型研究人员、行业AI解决方案提供商，也适合高等院校及高职高专院校学习人工智能大模型的学生。

第1章 大模型时代
1.1 大模型的诞生与发展
1.1.1 大语言模型发展简史与概念
1.1.2 大语言模型的生成策略
1.2 大语言模型发展的里程碑
1.2.1 注意力机制是大模型发展的里程碑
1.2.2 注意力机制的关键创新
1.2.3 注意力机制对语言建模的影响
1.2.4 大模型中的涌现与Scaling Law
1.2.5 大模型的训练方法SFT与RLHF
1.3 大语言模型发展的“DeepSeek时刻”
1.3.1 重塑世界AI格局的DeepSeek
1.3.2 推理能力大飞跃的DeepSeek
1.4 大模型的应用与展望
1.4.1 大模型的实际应用
1.4.2 大模型发展面临的展望
1.5 本章小结
第2章 DeepSeek开发环境配置与开放API使用
2.1 安装Python开发环境
2.1.1 Miniconda的下载与安装
2.1.2 PyCharm的下载与安装
2.2 安装DeepSeek开发框架
2.2.1 不同显卡与运行库的选择
2.2.2 PyTorchGPU版本的安装
2.2.3 测试PyTorch和CUDA安装信息
2.3 在线DeepSeek应用配置详解
2.3.1 DeepSeek简介与免费使用
2.3.2 带有特定格式的DeepSeek在线调用
2.3.3 带有约束的DeepSeek在线调用
2.3.4 将DeepSeek与PyCharm相连
2.4 本章小结
第3章 提示工程与DeepSeek提示库
3.1 提示工程Prompt详解
3.1.1 什么是提示工程
3.1.2 提示工程的关键要素与DeepSeek配置
3.1.3 DeepSeek提示工程化写作技巧与示例
3.1.4 系统、上下文和角色提示的进阶应用
3.2 DeepSeek中的提示库
3.2.1 DeepSeek中提示库介绍与基本使用
3.2.2 带有系统提示的提示对话生成
3.3 本章小结
第4章 思维链与DeepSeek推理模型
4.1 思维链详解
4.1.1 思维链应用场景
4.1.2 思维链的定义与分类
4.2 基于思维链的DeepSeek推理模型实战
4.2.1 通过Prompt提示构建思维链
4.2.2 DeepSeek-Reasoner推理模型实战
4.3 本章小结
第5章 基于DeepSeek的Agent开发详解
5.1 Agent开发概述
5.1.1 Agent的定义与核心机制
5.1.2 APIAgent与GUIAgent
5.2 基于DeepSeek的美妆GUIAgent实践
5.2.1 GUIAgent库的安装与使用
5.2.2 使用DeepSeek自动化获取网页端天气信息
5.2.3 根据天气信息给出美妆建议
5.3 基于DeepSeek的体重管理APIAgent实践
5.3.1 APIAgent的注册与使用
5.3.2 实现卡路里计算与运动建议的功能
5.4 本章小结
第6章 DeepSeek的FunctionCalling与MCP应用实战
6.1 DeepSeek自带的FunctionCalling详解
6.1.1 Python使用工具的基本原理
6.1.2 DeepSeek工具使用详解
6.1.3 DeepSeek工具箱的使用
6.1.4 DeepSeek工具调用判定依据
6.2 给大模型插上翅膀的MCP协议详解
6.2.1 MCP协议目的、功能与架构详解
6.2.2 MCP实战1：本地工具服务端搭建
6.2.3 MCP实战2：本地客户端搭建与使用
6.3 在线MCP服务器的搭建与使用实战
6.3.1 在线MCP服务器搭建
6.3.2 在线MCP服务的连接和使用
6.4 本章小结
第7章 大模型驱动的即时金融信息采集与分析平台
7.1 网络爬取工具Crawl4AI详解
7.1.1 大模型传递数据的方式
7.1.2 服务于大模型的Crawl4AI
7.1.3 Crawl4AI的安装与基本使用
7.2 DeepSeek驱动的即时金融信息采集与分析平台实战
7.2.1 使用Crawl4AI爬取金融网站
7.2.2 对链接内容进行解析
7.2.3 使用DeepSeek抽取和分析金融信息
7.2.4 实现DeepSeek驱动的即时金融信息采集与分析平台
7.2.5 将DeepSeek设置不同的人设并对金融信息进行分析
7.3 本章小结
第8章 DeepSeek核心技术1：KVCache加持的推理加速
8.1 自回归生成模型中的资源计算
8.1.1 自回归模型的计算量
8.1.2 自回归模型的缓存优化
8.2 自回归生成模型中的推理加速详解
8.2.1 模型推理中的“贪心生成”与“采样生成”
8.2.2 模型推理过程中的冗余计算问题解析
8.2.3 初识模型推理中的KVCache与代码实现
8.3 减少空间占用的自回归模型代码实现与详解
8.3.1 经典自回归模型详解
8.3.2 能够减少空间占用的自回归模型代码完整实现
8.3.3 缓存使用与传递过程详解
8.4 减少空间占用的生成模型实战与推理资源消耗量化对比
8.4.1 模型参数配置与训练数据的准备
8.4.2 带有缓存的生成模型训练
8.4.3 未运行缓存的生成模型推理资源量化展示
8.4.4 在缓存的生成模型推理资源量化展示
8.4.5 使用细精度修正模型输出
8.5 本章小结
第9章 DeepSeek核心技术2：MLA注意力机制
9.1 从推理角度详解MLA注意力模型与代码实现
9.1.1 大模型的推理过程
9.1.2 通用大模型的显存占用量化计算
9.1.3 手把手MLA注意力公