“LLM设计模式：构建稳健高效AI系统的实用指南”

详见 https://t.co/CvWRg069P6 https://t.co/yIu9H2LZlE

LLM设计模式：构建稳健高效AI系统的实用指南：Huang, Ken: 9781836207030: Amazon.com: 图书

来源：https://www.amazon.com/LLM-Design-Patterns-Practical-Efficient/dp/1836207034?&linkCode=sl1&tag=kirkdborne-20&linkId=17a3bb295f02ce93543685a994f588b7&language=en_US&ref_=as_li_ss_tl 探索可复用的设计模式，包括数据驱动方法、模型开发、模型微调以及用于LLM应用开发的RAG和高级提示技术

随书附赠：PDF副本、AI助手和下一代阅读器

主要特色

• 学习全面的LLM开发，包括数据准备、训练管道和优化
• 探索高级提示技术，如思维链、思维树、RAG和AI代理
• 实现评估指标、可解释性和偏差检测，构建公平可靠的模型

书籍简介

这本面向AI专业人士的实用指南，助你利用设计模式之力，开发出稳健、可扩展且高效的大型语言模型（LLM）。本书由一位全球AI专家兼畅销书作者撰写，其在生成式AI、安全和战略领域推动标准与创新。本书涵盖LLM开发的端到端生命周期，并针对数据处理、模型训练、评估和部署中的常见挑战，介绍了可复用的架构和工程解决方案。

你将学习如何清洗、增强和标注大规模数据集，构建模块化训练管道，并通过超参数调优、剪枝和量化来优化模型。各章节会帮助你探索正则化、检查点、微调以及高级提示方法（如推理与行动），同时实现反思、多步骤推理和工具使用以完成智能任务。本书还重点介绍了检索增强生成（RAG）、基于图的检索、可解释性、公平性和RLHF，最终引导你创建具备代理能力的LLM系统。

通过本书的学习，你将掌握构建下一代LLM所需的知识和工具，这些模型将具备适应性、高效性、安全性，并与人类价值观保持一致。

你将学到什么

• 实现高效的数据准备技术，包括清洗和增强
• 设计可扩展的训练管道，包含调优、正则化和检查点
• 通过剪枝、量化和微调优化LLM
• 使用指标、交叉验证和可解释性评估模型
• 理解公平性并检测输出中的偏差
• 开发RLHF策略，构建安全且具有代理能力的AI系统

适合读者

本书适合负责开发和部署基于大型语言模型的AI系统的AI工程师、架构师、数据科学家和软件工程师。读者需具备基本的机器学习概念理解以及Python编程经验。

目录

1. LLM设计模式简介
2. LLM训练的数据清洗
3. 数据增强
4. 处理LLM训练中的大规模数据集
5. 数据版本控制
6. 数据集标注与标签
7. 训练管道
8. 超参数调优
9. 正则化
10. 检查点与恢复
11. 微调
12. 模型剪枝
13. 量化
14. 评估指标
15. 交叉验证
16. 可解释性
17. 公平性与偏差检测
18. 对抗鲁棒性
19. 基于人类反馈的强化学习
20. 思维链提示
21. 思维树提示
22. 推理与行动
23. 无观察推理
24. 反思技术
25. 自动多步推理与工具使用
26. 检索增强生成
27. 基于图的RAG
28. 高级RAG
29. 评估RAG系统
30. 代理模式