包邮大模型编程实践与提示工程

第1章　大语言模型的起源 0011.1 大模型综述 0011.1.1 大模型的发展历史 0021.1.2 工作原理 0071.1.3 商业应用 0171.2 对话式编程 0181.2.1 自然语言的崛起 0181.2.2 LLM拓扑结构 0201.2.3 未来展望 0221.3 小结 028第2章　核心提示词学习技术 0292.1 什么是提示工程 0292.1.1 提示概述 0292.1.2 改变输出的其他方式 033第1章　大语言模型的起源 0011.1 大模型综述 0011.1.1 大模型的发展历史 0021.1.2 工作原理 0071.1.3 商业应用 0171.2 对话式编程 0181.2.1 自然语言的崛起 0181.2.2 LLM拓扑结构 0201.2.3 未来展望 0221.3 小结 028第2章　核心提示词学习技术 0292.1 什么是提示工程 0292.1.1 提示概述 0292.1.2 改变输出的其他方式 0332.1.3 设置代码执行 0362.2 基本技术 0402.2.1 零样本场景 0402.2.2 少样本场景 0422.2.3 思维链场景 0472.3 基本使用场景 0502.3.1 聊天机器人 0512.3.2 收集信息 0512.3.3 翻译 0552.4 LLM的局限性 0562.5 小结 057第3章　高级提示词工程 0593.1 超越提示工程 0593.1.1 合并不同的部分 0603.1.2 微调 0623.2 函数调用 0653.2.1 自定义函数调用 0653.2.2 OpenAI风格 0703.3 与单独的数据对话 0743.3.1 将数据连接到LLM 0743.3.2 嵌入 0753.3.3 向量存储 0803.3.4 检索增强生成 0833.4 小结 088第4章　巧用语言框架 0894.1 对编排器的需求 0894.1.1 跨框架概念 0904.1.2 需要考虑的重点 0964.2 LangChain 0984.2.1 模型、提示模板和链 0994.2.2 代理 1074.2.3 数据连接 1164.3 微软的 Semantic Kernel 1224.3.1 插件 1244.3.2 数据与规划器 1294.4 微软的 Guidance 1354.4.1 配置 1354.4.2 主要特性 1384.5 小结 142第5章　安全、隐私和准确性问题 1435.1 概述 1435.1.1 负责任AI 1435.1.2 红队测试 1445.1.3 滥用与内容过滤 1455.1.4 幻觉与性能 1465.1.5 偏见和公平性 1475.2 安全性和隐私保护 1475.2.1 安全性 1475.2.2 隐私保护 1525.3 评估和内容过滤 1565.3.1 评估 1575.3.2 内容过滤 1615.3.3 幻觉 1695.4 小结 170第6 章　构建个人AI 助手 1716.1 聊天机器人Web 应用概览 1716.1.1 愿景 1726.1.2 技术栈 1726.2 项目 1736.2.1 设置LLM 1736.2.2 设置项目 1756.2.3 与LLM 集成 1786.3 小结 193第7 章　与自己的数据对话 1957.1 概述 1957.1.1 愿景 1957.1.2 技术栈 1967.2 Streamlit 框架 1967.2.1 Streamlit 简介 1977.2.2 主要的UI 特性 1977.2.3 生产时的优缺点 1997.3 项目 2007.3.1 设置项目和基本UI 2017.3.2 数据准备 2047.3.3 与LLM 集成 2097.4 进阶内容 2137.4.1 RAG 与微调 2137.4.2 可能的扩展 2157.5 小结 216第8 章　对话式UI 2178.1 概述 2178.1.1 愿景 2188.1.2 技术栈 2198.2 项目 2208.2.1 Minimal API设置 2208.2.2 OpenAPI 2228.2.3 与LLM集成 2248.2.4 可能的扩展 2318.3 小结 232附录A　大语言模型的工作原理 233