内容提要 本书旨在带领读者全面掌握将Llama应用于多模态智能体、编程助手及私有化部署等场景的相关知识。全书共分三篇，内容由浅到深、层层递进。 基础篇（第1章～第3章）概览大模型技术，聚焦Transformer显卡开发环境与自然语言处理任务，深入分析开源大模型的推理与训练。 核心篇（第4章～第8章）探讨提示工程技术与应用，介绍如何基于Llama3打造SWE-Agent编程助手，详细阐述实现Llama3私有化落地应用的初级与进阶RAG，以及专用知识站与问答系统的构建。 扩展篇（第9章～第10章）探索Llama3手机与边缘计算的部署，介绍Llama3的高级功能。 本书是一部集理论与实践于一体的技术宝典，适合人工智能领域的开发者及对大模型感兴趣的读者阅读。

基础篇
第1章 大模型技术概览
1.1 从机器学习到多模态智能体大模型
1.1.1 机器学习
1.1.2 大模型
1.1.3 多模态智能体大模型
1.2 动手搭建一个神经网络
1.2.1 PyTorch+CUDA显卡开发环境搭建
1.2.2 卷积神经网络与循环神经网络
1.2.3 一个典型的手写数字识别CNN
1.3 注意力机制的学习训练
1.3.1 卷积神经网络中的注意力机制
1.3.2 循环神经网络中的注意力机制
1.3.3 Transformer网络结构介绍
第2章 Transformer显卡开发环境与NLP任务
2.1 Transformer显卡开发环境搭建
2.2 BERT系列模型执行NLP任务
2.2.1 BERT模型网络结构
2.2.2 BERT变体模型
2.2.3 BERT模型处理自然语言处理任务
2.3 GPT模型与早期多模态VIT模型
2.3.1 GPT网络结构
2.3.2 VIT网络结构
第3章 开源大模型的推理与训练
3.1 魔搭社区与复杂环境搭建
3.2 从零开始训练一个GPT-2小模型
3.2.1 数据的整理与清洗
3.2.2 GPT-2小模型训练
3.2.3 GPT-2小模型对话测试
3.3 全量微调训练与增量微调训练
3.4 Llama3与Llama4
3.5 Alpaca指令式数据集
3.6 Llama3及其量化模型的部署
3.6.1 Llama3常规模型部署
3.6.2 Llama3量化模型部署
3.7 LoRA、P-Tuning、SFT、DPO、PPO等各种增量微调技术
3.8 基于PEFT库使用LoRA对Llama3进行微调
核心篇
第4章 提示工程技术与应用
4.1 提示工程的思维链与策略技巧
4.2 Llama3利用提示工程策略完成自然语言处理任务
4.3 构建多角色的GPT应用：Llama3的提示工程实践
4.4 多任务提示系统的构建与智能体工具链集成
4.5 意图识别与Agent Tool Calling
4.6 LMStudio+Llama3实现多轮历史对话与长文本对话
第5章 基于Llama3打造SWE-Agent编程助手
5.1 Llama3 SWE-Agent的框架结构
5.2 数据集的准备、清洗与指令Token化
5.3 Code-Llama3-Instruct底座模型的微调开发
5.4 智能体的规划、决策、搜索、项目管理与编码
5.5 Llama3 SWE-Agent的前端与应用部署
第6章 Llama3私有化落地应用之初级RAG
6.1 私有化大模型的巨大潜力
6.2 在落地场景中比较微调与RAG
6.3 M3E、E5、Tao8k等第一代向量编码模型
6.4 知识库中的向量编码库与向量数据库
6.5 ChatPDF案例——与单篇文档对话
第7章 Llama3私有化落地应用之进阶RAG
7.1 BGE、BCE、ACGE等第二代向量编码模型
7.2 多渠道检索数据来源
7.3 精准指令向量化
7.4 Zpoint、GTE、Xiaobu等第三代向量编码模型
7.5 Clinical-Llama3的Lora微调
7.6 Clinical-Llama3的向量化重排
第8章 基于Llama3打造专用知识站与问答系统
8.1 Python自动化处理文档的方法
8.2 使用LangChain构建关键工作链
8.3 构建问答系统的全栈架构
8.3.1 架设后端服务
8.3.2 实现前端界面
扩展篇
第9章 Llama3手机与边缘计算部署
9.1 端侧大模型的价值与前景
9.2 再探llama.cpp
9.3 Maid与MLC-Chat分析
9.4 算力板的选配
9.5 llama.cpp Android工程
第10章 Llama3的高级功能
10.1 世界模型与多模态大模型
10.2 Llama3与视觉大模型联动开发多模态对话平台
10.3 Llama3与语音大模型联动制作数字世界的分身
10.4 Llama3与绘图大模型联动进行AI图片设计
10.5 星河滚烫，你就是理想——具身智能AGI
后记