这是一本聚焦Python大语言模型应用开发的实战指南。从基础知识出发，逐步深入讲解主流开发工具与关键技术，最终以当前热门的数字人电商直播项目为例，呈现完整的AI实战路径。 本书具有以下特色： 由浅入深：本书各章节环环相扣，循序渐进，形成完整的知识体系。 注重实战：本书注重实践，引导读者在解决实际项目问题的过程中掌握知识。 内容新颖：本书均采用前沿、主流的技术和工具，使读者掌握先进的开发方法。 经验总结：本书是对作者近10年工作经验的总结，对AI初学者具有极高的参考价值。 全书分为三篇，共15章，具体内容如下： 第一篇：基础知识（第1、2章）。本篇介绍大语言模型及其应用开发的基础知识，为后续章节的学习奠定坚实的基础。 第二篇：开发技术（第3～10章）。本篇涵盖分词技术、词嵌入技术、向量数据库、提示词工程与优化、Hugging Face入门与开发、Lang Chain入门与开发、大语言模型微调，以及大语言模型的部署等内容。这些主题构成了大语言模型应用开发的核心技术体系，掌握这些技术对于深入开发大语言模型至关重要。 第三篇：项目实战（第11～15章）。本篇聚焦数字人电商直播应用，包括数字人口播台词生成、直播间问答分类、直播间互动问答，以及直播间数据分析Text2 SQL等实战项目。这些内容基于当前热门的数字人应用开发，具有很高的实践价值和参考意义。

前言
第一篇 基础知识
第1章 大语言模型
1.1 大语言模型概述
1.1.1 大语言模型的定义
1.1.2 大语言模型的分类
1.1.3 大语言模型的应用场景
1.2 大语言模型的演变与发展
1.2.1 大语言模型的网络架构演变
1.2.2 大语言模型发展的关键事件
1.3 大语言模型的基础知识
1.3.1 什么是算力
1.3.2 显卡的基础知识
1.3.3 大语言模型的参数数量与精度
1.3.4 大语言模型的基本单位
1.3.5 通用人工智能
1.4 小结
第2章 Python大语言模型应用开发
2.1 Python大语言模型应用开发的基础知识
2.1.1 Python编程的基础知识
2.1.2 接口的设计与优化
2.1.3 大语言模型接口开发实战
2.2 Docker容器的基础知识
2.2.1 Docker基础命令
2.2.2 Docker构建镜像
2.2.3 Docker容器编排
2.3 大语言模型与NLP
2.3.1 NLP的研究任务
2.3.2 传统NLP的技术实现路径
2.3.3 大语言模型对传统NLP的影响
2.4 小结
第二篇 开发技术
第3章 分词技术
3.1 分词
3.1.1 什么是分词
3.1.2 英文分词
3.1.3 中文分词
3.1.4 制作词云图
3.2 常见的分词算法
3.2.1 基于规则的分词算法
3.2.2 基于统计的分词算法
3.2.3 基于深度学习的分词算法
3.2.4 基于预训练语言模型的分词算法
3.3 使用大语言模型进行分词
3.3.1 基于ChatGPT服务的分词
3.3.2 基于本地大语言模型的分词
3.4 小结
第4章 词嵌入技术
4.1 词袋模型
4.1.1 词袋模型的基本概念和原理
4.1.2 词袋模型的构建
4.2 词向量模型
4.2.1 One-Hot编码
4.2.2 Word2Vec模型
4.3 大语言模型生成Embedding
4.3.1 使用ChatGPT生成Embedding
4.3.2 使用Text2Vec生成Embedding
4.3.3 使用sentence-transformers生成Embedding
4.3.4 使用Transformers库生成Embedding
4.3.5 统计输入文本的Token数
4.4 大语言模型的Embedding应用
4.4.1 Embedding数据集准备
4.4.2 Embedding数据2D可视化
4.4.3 Embedding中文相似度计算
4.5 小结
第5章 向量数据库
5.1 向量数据库简介
5.1.1 向量数据库的缘起
5.1.2 向量数据库的特点
5.1.3 与传统数据库的比较
5.1.4 向量数据库的应用场景
5.2 向量数据库的原理
5.2.1 向量距离的度量
5.2.2 相似度搜索算法
5.3 向量数据库的应用
5.3.1 FAISS向量数据库入门
5.3.2 FAISS的相似度度量
5.3.3 FAISS的索引分类
5.3.4 FAISS的索引创建与操作
5.3.5 FAISS的优化
5.4 小结
第6章 提示词工程与优化
6.1 认识提示词工程
6.1.1 人机交互的演进
6.1.2 什么是提示词
6.1.3 提示词工程
6.2 提示词工程的使用技巧
6.2.1 使用文本分隔符
6.2.2 赋予模型角色
6.2.3 将过程分步拆解
6.2.4 尽可能量化需求
6.2.5 提供正反示例
6.2.6 要求结构化输出
6.2.7 合理进行限制
6.2.8 使用链式思维
6.3 使用提示词完成NLP任务
6.3.1 使用提示词进行分词
6.3.2 使用提示词提取关键词
6.3.3 使用提示词进行文本分类
6.3.4 使用提示词进行情感分析
6.3.5 使用提示词进行文本摘要
6.3.6 使用提示词进行中英文翻译
6.4 小结
第7章 Hugging Face入门与开发
7.1 Hugging Face简介
7.1.1 什么是Hugging Face
7.1.2 Hugging Face Hub客户端库
7.2 Hugging Face数据集工具
7.2.1 数据集工具简介
7.2.2 数据集工具的基本操作
7.3 Hugging Face模型工具
7.3.1 Transformers简介
7.3.2 数据预处理
7.3.3 模型微调
7.3.4 模型评价指标
7.4 小结
第8章 LangChain入门与开发
8.1 初识LangChain
8.1.1 LangChain简介
8.1.2 LangChain的开发生态
8.2 模型I/O
8.2.1 模型I/O简介
8.2.2 提示词模板
8.2.3 模型包装器
8.2.4 输出解析器
8.3 数据增强
8.3.1 文档加载器
8.3.2 文档转换器
8.3.3 文本嵌入
8.3.4 向量存储库
8.3.5 检索器
8.4 链
8.5 小结
第9章 大语言模型微调
9.1 大语言模型微调概述
9.1.1 为什么需要微调
9.1.2 少样本提示与微调
9.1.3 微调的基本流程