AI之Books《语言之舞大语言模型应用实战全书》新书预告—三年磨一剑大语言模型应用实战全书 与你见面了目录2026年资讯更新2026.09博主第三本“AI Agent与Harness Engineering实战”新书即将出版2026.06博主2本AI书籍已被几十所高校图书馆收录清华、北大、浙大、上海交大、武大、西安交大、同济、北航、北师大……2026.01《数据驱动机器学习实战之道》和《语言之舞大语言模型应用实战全书》2025年各销量已经超过上万本相关文章AI新书预告—从机器学习避坑指南(分类/回归/聚类/可解释性)到大语言模型落地手记(RAG/Agent/MCP)一场耗时53年的技术沉淀—“代码可跑经验可抄”—【一个处女座的程序猿】携两本AI实战书终于正式来了三年磨一剑大语言模型应用实战全书 与你见面了创作初衷将“绕过的远路”铺成“清晰的路径”本书核心一套可运行、可复现的“全景式”实战框架1. 全景覆盖步步为营2. 深度解析主流模型与实战微调3. 企业级落地方案与降本增效4. “开箱即用”的代码与数据这本书为谁而写写在最后一份浓缩了时光的“技术手记”2026年资讯更新2026.09博主第三本“AI Agent与Harness Engineering实战”新书即将出版目前该书已经累计55万字正在校核与缩减中敬请期待2026.06博主2本AI书籍已被几十所高校图书馆收录清华、北大、浙大、上海交大、武大、西安交大、同济、北航、北师大……最新好消息《数据驱动机器学习实战之道》和《语言之舞大语言模型应用实战全书》已被几十所所高校图书馆收录包括清华、北大、浙大、上海交大、武大、西安交大、同济、北航、北师大、天津大学、华东师大和西湖大学等等。欢迎各大高校师生检索借阅也欢迎关注这两本实战型新书如有任何问题均可留言评论沟通。《数据驱动机器学习实战之道》《语言之舞大语言模型应用实战全书》清华大学图书馆清华大学图书馆清华大学图书馆北京大学图书馆未名学术搜索未名学术搜索浙江大学图书馆TP类最新图书 - 浙江大学图书馆TP类最新图书 - 浙江大学图书馆上海交通大学图书馆上交大图书馆上交大图书馆武汉大学图书馆PDS loginPDS login西安交通大学图书馆西交大图书馆西交大图书馆同济大学图书馆统一检索统一检索北京航空航天大学图书馆图书馆书目检索系统图书馆书目检索系统北京师范大学图书馆木铎搜索爱采坊天津大学图书馆统一检索统一检索华东师范大学图书馆统一检索统一检索西湖大学图书馆bookreportbookreport2026.01《数据驱动机器学习实战之道》和《语言之舞大语言模型应用实战全书》2025年各销量已经超过上万本相关文章AI新书预告—从机器学习避坑指南(分类/回归/聚类/可解释性)到大语言模型落地手记(RAG/Agent/MCP)一场耗时53年的技术沉淀—“代码可跑经验可抄”—【一个处女座的程序猿】携两本AI实战书终于正式来了AI新书预告—从机器学习避坑指南(分类/回归/聚类/可解释性)到大语言模型落地手记(RAG/Agent/MCP)一场耗时53年的技术沉淀—“代码可跑经验可抄”—【一个处女座的程序猿】携两本AI_语言之舞大语言模型应用实战全书-CSDN博客三年磨一剑大语言模型应用实战全书 与你见面了​​​​ 一、LLMs的发展史 7 1.1、NLP技术发展的四波浪潮 8 1.1.1、SLMs(统计语言模型) 11 1.1.2、NLMs(神经语言模型) 13 1.1.3、PLMs(预训练语言模型) 18 1.1.4、LLMs(大语言模型) 20 1.1.5、NLP领域的多种技术对比 26 1.1.6、代码实战 31 1.2、LLMs发展的重要历史节点 33 1.2.1、2017年诞生Transformer架构(NLMs新的里程碑) 33 1.2.2、2017至今基于Transformer系列的PLMs列表 34 1.2.3、2019年以来的LLMs(B级以上) 35 1.2.4、两大代表性模型对比GPT-1和BERT 38 1.2.5、LLMs能力发展的三个阶段基础→涌现→增强 40 1.3、LLMs家族的简介 41 1.3.1、GPT家族 42 1.3.2、LLaMA家族 52 1.3.3、PaLM家族 61 1.3.4、GLM家族 63 1.3.5、Qwen家族 69 二、LLMs的核心要素 69 2.1、大规模数据 70 2.1.1、常用的预训练数据 72 2.1.2、常用的微调数据 78 2.1.3、现有LLM预训练数据中各种数据源的比例 87 2.2、模型架构 88 2.2.1、Transformer结构 88 2.2.2、基于Transformer的三大主流LLMs架构 91 2.2.3、代码实战 113 2.3、模型评估体系—指标与基准 114 2.3.1、模型评估指标 116 2.3.2、大模型评估基准 130 2.3.3、评估维度的分类 137 2.3.4、内容安全的评估 143 2.4、模型优化 148 2.4.1、Transformer架构本身优化 148 2.4.2、新的模型架构—超越传统注意力机制的新型架构 163 2.4.3、模型集成或合并 164 2.5、模型解码机制 173 2.6、模型训练与使用的四大阶段对比 176 三、LLMs构建流程 179 3.1、数据准备并初步清洗 181 3.1.1、数据采集 182 3.1.2、数据过滤 184 3.1.3、实战案例 191 3.2、数据预处理 192 3.2.1、数据精洗 193 3.2.2、分词及其预处理 193 3.2.3、分词器 208 3.2.4、定义模型的输入 213 3.2.5、案例理解本章节的核心思路 216 3.3、模型预训练与评估 217 3.3.1、模型搭建 217 3.3.2、模型预训练与优化 222 3.3.3、预训练后评估 257 3.4、模型微调与策略 264 3.4.1、LLMs知识更新的概述 264 3.4.2、模型微调 266 3.4.3、微调策略 291 3.5、模型推理与优化 324 3.5.1、模型推理概述 324 3.5.2、推理阶段可调参数 327 3.5.3、模型推理加速主流技术 328 四、LLMs的模型部署与监控 346 4.1、模型部署 347 4.1.1、模型部署的概述 347 4.1.2、分布式训练环境中服务器的软硬配置 348 4.1.3、Docker部署 350 4.2、模型监控与维护 351 4.3、实战案例 352 (1)、基于多台服务器进行分布式训练的设计思路 352 (2)、基于多台服务器进行分布式训练的python代码示例 353 五、LLMs的微调与推理部署实战案例 353 5.1、基于LLaMA-3模型实战 354 5.1.1、微调实战 354 5.1.2、推理部署实战 359 5.1.3、在线测试使用实战 369 5.2、基于ChatGLM-3模型实战 372 5.2.1、微调实战 372 5.2.2、推理部署实战 379 5.2.3、在线测试使用实战 383 5.3、基于GPT-4o模型实战 384 5.3.1、基于官方API在线推理测试 384 5.3.2、基于官方Web界面在线测试 385 5.4、基于GLM-4模型实战 389 5.4.1、微调实战 389 5.4.2、推理部署实战 391 5.4.3、在线使用实战 395 5.5、基于Qwen-2系列模型实战 397 5.5.1、微调实战 397 5.5.2、推理部署实战 398 5.5.3、在线测试使用实战 400 六、LLMs项目的构建与应用 401 6.1、生成式AI项目生命周期的流程 402 6.2、企业级LLMs构建与实现的通用流程 406 6.2.1、如何选择优质的应用场景 407 6.2.2、如何实现企业级ChatGPT 411 6.3、基于LLM(作为技术手段)的研究方向 418 6.3.1、自然语言处理NLP任务 418 6.3.2、信息检索和推荐系统 418 6.3.3、多模态和知识图谱增强 419 6.3.4、基于LLM的智能体 419 6.4、基于LLM(作为工具)的领域应用 420 6.5、基于LLM的企业级需求和应用场景 420 6.5.1、LLM的结构化输出 421 七、LLMs的基础用法 423 7.1、提示工程的概述 423 7.2、提示的设计要素和策略 427 7.2.1、提示的设计要素 427 7.2.2、提示词内容的设计策略 428 7.3、提示设计的方法论 431 7.3.1、ICL上下文学习 431 7.3.2、CoT思路链提示 433 7.3.3、PaS/PCTS规划复杂任务解决 436 7.3.4、对比ICL、CoT、PCTaS 437 7.3.5、提示设计方法论分类 438 7.4、提示设计实践指南和优秀框架 441 7.4.1、主流大模型企业推荐的提示词示例 441 7.4.2、引导LLMs提示的一些官方内嵌示例 450 7.4.3、提示设计的优秀框架 454 八、LLMs的进阶与增强用法 455 8.1、LLM的局限性及其解决方案 456 8.1.1、LLMs中幻觉现象的简介与解决 457 8.1.2、LLMs中毒性现象的简介与解决 459 8.1.3、LLMs中虚假信息现象的简介与解决 460 8.2、RAG 460 8.2.1、RAG的概述 460 8.2.2、RAG的失败案例及其优化 471 8.2.3、RAG的发展及其挑战 496 8.2.4、RAG的最新研究 497 8.2.5、RAG案例实战 502 8.3、ETA 509 8.3.1、ETA的概述 509 8.3.2、ETA实战 515 8.3.3、工具调用排行榜 518 8.4、Agent 519 8.4.1、Agent概述 519 8.4.2、Agent常用能力 528 8.4.3、Agent设计的思想和主流模式 531 8.4.4、Agent应用的分类 540 8.4.5、Agent实战(规划使用工具交互) 541 8.5、长上下文建模 543 8.5.1、大窗口技术的概述关心输入端 543 8.5.2、长上下文建模实战案例 546 8.5.3、长文本生成技术的概述侧重输出端 547 8.6、技术探讨与分析 547 8.6.1、RAG技术与大窗口技术的争论—冲突还是共生 547 8.6.2、Agent技术的自主性与ETA技术的可控性权衡的争论 549 九、LLMs的训练/推理框架、部署工具和提示库 551 9.1、LLMs的开发框架 551 9.1.1、侧重数据处理的库或框架 551 9.1.2、侧重模型构建的库或框架 552 9.2、LLMs的训练、评估、微调和推理框架 554 9.2.1、侧重训练的库或框架 554 9.2.2、侧重评估的库或框架 557 9.2.3、侧重微调的库或框架 557 9.2.4、侧重推理的库或框架 559 9.3、LLMs的部署和应用工具 562 9.3.1、Web框架和API服务 562 9.3.2、请求和并发处理 563 9.3.3、用户和界面库 563 9.3.4、实验跟踪和可视化 564 9.3.5、容器化和编排 564 9.3.6、高级的LLM部署和服务工具 565 9.4、LLMs的向量数据库 566 十、挑战与未来方向 567 10.1、数据的偏见与公平性 567 10.2、模型的可解释性和透明度 568 10.3、模型的规模与资源消耗 569 10.4、模型的多模态能力 570 10.5、知识的整合与更新 571 10.6、内容安全和道德伦理 572 10.7、与其他AI技术的集成 574 十一、附录资源和工具 575大家好我是「一个处女座的程序猿」一名长期专注于NLP与大模型技术的研究者与实践者。在经历了AI浪潮数年的洗礼与无数个在代码和实验中摸索的日夜后我深感将庞杂、快速迭代的大模型知识系统化的重要性。怀着这份初心我与倪教授历时三年共同编著的《语言之舞大语言模型应用实战全书》终于在2025年8月正式面世。从最初的构思到最终出版这本书的创作本身就是一次漫长的“迭代”过程。原稿累积约68万字但我们认为知识的价值不在于堆砌而在于精炼与可用。因此我们进行了多轮严谨的删减与重构目标只有一个打造一部理论与实战高度融合、能够真正指导读者上手操作的LLM系统指南。创作初衷将“绕过的远路”铺成“清晰的路径”在技术社区写作与分享多年我收到了无数开发者关于大模型“如何落地”的困惑。常见的痛点在于理论艰深、代码碎片化、项目流程断裂。我们写这本书正是希望打通从认知到实践的“最后一公里”。它不只是知识的罗列更是我们自身实践经验的凝结与复盘旨在让后来者能站在我们的肩膀上看得更远走得更稳。本书核心一套可运行、可复现的“全景式”实战框架《语言之舞》的核心思想是“代码即解释实战即教学”。我们致力于将复杂的LLM技术栈拆解为一系列环环相扣、可独立运行的代码模块与项目案例。1. 全景覆盖步步为营本书构建了一个完整的学习路径从大模型的发展脉络与核心原理Transformer等切入逐步深入到数据预处理、预训练、微调Fine-Tuning、量化、推理部署的全流程。更进一步我们探讨了如RAG检索增强生成、智能体Agent系统开发、模型监控与评估等前沿高级应用场景帮助读者构建从基础到进阶的立体知识体系。2. 深度解析主流模型与实战微调书中不仅对LLaMA、GLM、Qwen等主流开源模型的架构进行了对比分析更提供了基于它们的详细微调实战教程。我们甚至包含了不同微调方案的成本与效果对比分析这部分内容直接源于工程实践中的决策经验极具参考价值。3. 企业级落地方案与降本增效对于希望将LLM投入生产环境的读者我们分享了基于Docker的分布式部署方案、提示工程Prompt Engineering的系统化框架等内容。这些内容旨在将项目前期的试错成本与部署复杂度显著降低直接服务于工程化需求。4. “开箱即用”的代码与数据全书嵌入了35个可复用的代码模块确保每一章的关键知识都有对应的、可运行的Python代码作为支撑。所有代码均经过本地与云端环境的严格测试并配以详尽注释。出版社编辑曾打趣其为“处女座式排版”——在有限的388页内力求每一段代码、每一个案例都直指核心拒绝水分。一个小彩蛋在第五章某个代码块的注释里我们留下了一行字“此处代码在凌晨3点调试通过建议读者白天运行以免怀疑人生。”技术探索的旅途充满这样的时刻我们希望与你分享的不仅是结果还有过程巾那份会心一笑的理解。这本书为谁而写AI开发者/程序员无论你是希望系统入门LLM还是急需在项目中集成大模型能力本书的实战代码与工程方案都能提供直接助力。技术团队负责人与项目管理者通过本书你可以系统了解一个大模型项目从技术选型、开发调试到部署上线的完整流程与潜在挑战更好地进行规划与管理。学生与技术爱好者本书语言力求在保持专业性的同时风趣易懂旨在引导你跨越理论与应用之间的鸿沟系统化地掌握这项前沿技术。写在最后一份浓缩了时光的“技术手记”从2019年撰写第一篇机器学习实战笔记到2025年这本《语言之舞》出版这背后是无数个在实验室、在书房度过的深夜。上一本《数据驱动机器学习实战之道》是五年探索的总结而这一本则是过去三年All in大模型领域的全心投入。如果说有什么朴素的愿望那便是“自己曾淋过雨故想为同行者撑一把伞”。书中解答的许多问题正是我们曾经耗费大量精力才摸索出答案的难题。这两本书与其说是著作不如说是我与技术生涯对话的“深度日志”如今整理成册希望能照亮你探索之路的一程。《语言之舞大语言模型应用实战全书》已由电子工业出版社出版并在各大线上平台与线下书店正式发售。欢迎所有对语言智能充满好奇与热情的伙伴加入这场思想的舞蹈共同探索人机协同的无限未来。—— 一个仍在路上、对代码与逻辑抱有虔诚的“处女座程序猿”