在思考和工具使用之後 - 利用大模型開發你的 AI 應用 / 深智數位股份有限公司 李瀚、徐斌
產品編號：9786267889268
網路價
NT${{ commaFormat(product.price_actu) }}
NT${{commaFormat(product.price_sugg)}}
專屬特惠價 NT${{ commaFormat(product.group_price) }}
優惠價
NT${{ commaFormat(product.member_price) }}
NT${{ commaFormat(product.group_price) }}
商品組合
贈品 (買就送)
{{ pItem.title }}
付款方式
轉帳/匯款/無摺存款/至總店購書時使用文化幣 / LinePay付款 / 超商代碼付款(綠界金流) / 信用卡一次付清(綠界金流) / AFTEE 先享後付 / [圖書專用] 7-11取貨付款(限1000~3000元訂單使用)
配送方式
7-11超商取貨 / 全家超商取貨 / 宅配到家 / 校園書局門市取貨(取貨加碼送5元折價)
超值加購
{{ pItem.title }}
型號:{{ pItem.model }}
加購價 NT${{pItem.extra_price}}
(原價NT${{pItem.price_orig}})
加購數量
已搶購一空
作者： 李瀚、徐斌
出版社： 深智數位
出版日：2026/05/25
【內容】
☆全面迎戰 AI 2.0 時代，深度解析基座大模型訓練與選型策略。
★拆解硬核算力基礎，精準掌握 NVIDIA 與 AMD GPU 參數及選型。
☆掌握應用程式開發核心，透析上下文學習與人類回饋對齊方法。
★攻克文件前置處理難題，詳解分塊（Chunking）與詞元化策略。
☆剖析向量資料庫底層，實作相似性演算法與主流產品整合。
★突破高效微調技術瓶頸，運用開源工具打造專屬領域大模型。
☆解密推理效能最佳化，精通模型壓縮與 FlashAttention 記憶體管理。
★構建高併發部署環境，涵蓋 Web 服務、伺服器端與端側推理引擎。
☆昇華提示工程（Prompt）技術，結合 Dify 等開發工具提升精準度。
★深度實踐 RAG 與 Agent 架構，賦予大模型檢索與自主行動能力。
☆橫掃三大主流編排框架，實作 LangChain、LlamaIndex 與 Semantic Kernel。
★從環境準備到打包部署，完整解析真實大模型應用專案實戰範例。
?本書共分 12 章，循序漸進地勾勒出大模型應用開發的完整藍圖。
第1至3章從 AI 2.0 時代的背景出發，說明基座大模型的預訓練與強化學習過程，並深度剖析 GPU 的底層知識與選型策略，奠定硬體與模型基礎。
第4至6章聚焦於資料與開發前置作業，涵蓋提示概念、文件分塊與詞元化處理，並詳細說明向量資料庫的相似性演算法與核心價值。
第7至9章直擊效能與工程部署，探討參數高效微調技術、推理效能最佳化（包含模型壓縮與多 GPU 並行化），並實作 Web 服務與伺服器/端側推理引擎的部署。
第10至12章則帶領讀者邁向應用巔峰，不僅解析提示工程的開發工具，更深度說明 RAG 與 Agent 架構的編排整合，涵蓋 LangChain 與 LlamaIndex 等主流框架，最後透過一個完整的應用範例，演示從環境準備到打包部署的實戰全過程。
【目錄】
▌第1 章 AI 2.0 時代到來
1.1 ChatGPT 旋風
1.1.1 ChatGPT 是什麼
1.1.2 豐富的應用
1.1.3 有喜有憂
1.2 認識AI 2.0 時代
1.2.1 何謂大模型
1.2.2 AI 1.0 時代與AI 2.0 時代特點分析
1.2.3 新「工業革命」來臨
1.3 本章小結
▌第2 章 基座大模型準備
2.1 大模型的歷史與未來
2.1.1 發展史
2.1.2 未來趨勢
2.2 基座大模型訓練過程
2.2.1 預訓練
2.2.2 人類回饋的強化學習
2.3 選擇合適的基座大模型
2.3.1 主流基座大模型介紹
2.3.2 選型標準
2.4 本章小結
▌第3 章 GPU 相關知識
3.1 基礎知識
3.1.1 顯示卡與GPU
3.1.2 GPU 與CPU
3.2 GPU 的優勢
3.2.1 GPU 與深度學習
3.2.2 CUDA 程式設計
3.3 準備合適的GPU
3.3.1 選擇合適的GPU（顯示卡）供應商
3.3.2 NVIDIA 與AMD
3.3.3 NVIDIA GPU 各項參數
3.3.4 選型建議
3.4 本章小結
▌第4 章 應用程式開發概覽
4.1 關鍵概念
4.1.1 提示
4.1.2 上下文學習
4.2 應用趨勢
4.2.1 趨勢變遷
4.2.2 產品形態
4.3 技術實現
4.3.1 對齊方法
4.3.2 優劣勢比較
4.3.3 應用流程
4.4 本章小結
▌第5 章 文件處理
5.1 分塊
5.1.1 分塊的作用
5.1.2 分塊的策略
5.1.3 策略選擇
5.2 詞元化
5.2.1 概念和方法
5.2.2 Token 採樣策略
5.3 嵌入
5.4 本章小結
▌第6 章 向量資料庫
6.1 基本概念
6.2 相關演算法
6.2.1 向量相似性演算法
6.2.2 工程中常用的向量搜索折中演算法
6.3 核心價值
6.4 定位
6.5 主流產品
6.6 本章小結
▌第7 章 微調
7.1 背景與挑戰
7.1.1 背景知識
7.1.2 技術挑戰
7.2 參數高效微調技術
7.3 工具實踐
7.3.1 開放原始碼工具套件
7.3.2 模型微調服務
7.4 本章小結
▌第8 章 推理最佳化概論
8.1 最佳化目標
8.2 理論基礎
8.2.1 模型大小的指標
8.2.2 模型大小對推理性能的影響
8.2.3 大模型相關分析
8.3 常見最佳化技術
8.3.1 模型壓縮
8.3.2 Offloading
8.3.3 多GPU 並行化
8.3.4 高效的模型結構
8.3.5 FlashAttention
8.3.6 PagedAttention
8.3.7 連續批次處理
8.4 本章小結
▌第9 章 部署推理工具
9.1 推理架構概述
9.2 Web 服務
9.2.1 Streamlit 與Gradio
9.2.2 FastAPI 與Flask
9.3 推理執行引擎
9.3.1 伺服器端推理
9.3.2 端側推理
9.4 推理服務
9.5 對話類系統
9.6 本章小結
▌第10 章 提示工程
10.1 理論與技術
10.1.1 提示的價值
10.1.2 應用領域
10.1.3 提示工程技術
10.2 開發工具
10.2.1 OpenAI Playground
10.2.2 Dify
10.2.3 PromptPerfect
10.3 本章小結
▌第11 章 編排與整合
11.1 相關理論
11.1.1 面臨的問題
11.1.2 核心價值
11.1.3 功能組成
11.2 典型架構模式
11.2.1 RAG
11.2.2 Agent
11.3 常見編排框架
11.3.1 LangChain 框架
11.3.2 LlamaIndex 框架
11.3.3 Semantic Kernel 框架
11.4 本章小結
▌第12 章 應用範例
12.1 整體架構
12.2 開發過程
12.2.1 環境準備
12.2.2 實現解析
12.2.3 打包部署
12.2.4 範例演示
12.3 本章小結
▌參考文獻
▌第1 章 AI 2.0 時代到來
1.1 ChatGPT 旋風
1.1.1 ChatGPT 是什麼
1.1.2 豐富的應用
1.1.3 有喜有憂
1.2 認識AI 2.0 時代
1.2.1 何謂大模型
1.2.2 AI 1.0 時代與AI 2.0 時代特點分析
1.2.3 新「工業革命」來臨
1.3 本章小結
▌第2 章 基座大模型準備
2.1 大模型的歷史與未來
2.1.1 發展史
2.1.2 未來趨勢
2.2 基座大模型訓練過程
2.2.1 預訓練
2.2.2 人類回饋的強化學習
2.3 選擇合適的基座大模型
2.3.1 主流基座大模型介紹
2.3.2 選型標準
2.4 本章小結
▌第3 章 GPU 相關知識
3.1 基礎知識
3.1.1 顯示卡與GPU
3.1.2 GPU 與CPU
3.2 GPU 的優勢
3.2.1 GPU 與深度學習
3.2.2 CUDA 程式設計
3.3 準備合適的GPU
3.3.1 選擇合適的GPU（顯示卡）供應商
3.3.2 NVIDIA 與AMD
3.3.3 NVIDIA GPU 各項參數
3.3.4 選型建議
3.4 本章小結
▌第4 章 應用程式開發概覽
4.1 關鍵概念
4.1.1 提示
4.1.2 上下文學習
4.2 應用趨勢
4.2.1 趨勢變遷
4.2.2 產品形態
4.3 技術實現
4.3.1 對齊方法
4.3.2 優劣勢比較
4.3.3 應用流程
4.4 本章小結
▌第5 章 文件處理
5.1 分塊
5.1.1 分塊的作用
5.1.2 分塊的策略
5.1.3 策略選擇
5.2 詞元化
5.2.1 概念和方法
5.2.2 Token 採樣策略
5.3 嵌入
5.4 本章小結
▌第6 章 向量資料庫
6.1 基本概念
6.2 相關演算法
6.2.1 向量相似性演算法
6.2.2 工程中常用的向量搜索折中演算法
6.3 核心價值
6.4 定位
6.5 主流產品
6.6 本章小結
▌第7 章 微調
7.1 背景與挑戰
7.1.1 背景知識
7.1.2 技術挑戰
7.2 參數高效微調技術
7.3 工具實踐
7.3.1 開放原始碼工具套件
7.3.2 模型微調服務
7.4 本章小結
▌第8 章 推理最佳化概論
8.1 最佳化目標
8.2 理論基礎
8.2.1 模型大小的指標
8.2.2 模型大小對推理性能的影響
8.2.3 大模型相關分析
8.3 常見最佳化技術
8.3.1 模型壓縮
8.3.2 Offloading
8.3.3 多GPU 並行化
8.3.4 高效的模型結構
8.3.5 FlashAttention
8.3.6 PagedAttention
8.3.7 連續批次處理
8.4 本章小結
▌第9 章 部署推理工具
9.1 推理架構概述
9.2 Web 服務
9.2.1 Streamlit 與Gradio
9.2.2 FastAPI 與Flask
9.3 推理執行引擎
9.3.1 伺服器端推理
9.3.2 端側推理
9.4 推理服務
9.5 對話類系統
9.6 本章小結
▌第10 章 提示工程
10.1 理論與技術
10.1.1 提示的價值
10.1.2 應用領域
10.1.3 提示工程技術
10.2 開發工具
10.2.1 OpenAI Playground
10.2.2 Dify
10.2.3 PromptPerfect
10.3 本章小結
▌第11 章 編排與整合
11.1 相關理論
11.1.1 面臨的問題
11.1.2 核心價值
11.1.3 功能組成
11.2 典型架構模式
11.2.1 RAG
11.2.2 Agent
11.3 常見編排框架
11.3.1 LangChain 框架
11.3.2 LlamaIndex 框架
11.3.3 Semantic Kernel 框架
11.4 本章小結
▌第12 章 應用範例
12.1 整體架構
12.2 開發過程
12.2.1 環境準備
12.2.2 實現解析
12.2.3 打包部署
12.2.4 範例演示
12.3 本章小結
▌參考文獻
【關於教科書訂購說明】
☆ 單本即有折扣，將商品放入購物車就可以看見優惠價唷！五本以上團購更便宜！加入會員訂購，還可累積購物金！
★ 若有急需用書，可先LINE私訊詢問庫存呦~
☆ 出貨時間：有現貨的，2個工作日內出貨；無現貨，約3~5個工作日 出貨
【寄送方式說明】
❶ 實體門市取貨
全台麗文校園書局皆可取貨，貨到書局將會以簡訊通知。
❷ 超商取貨
提供7-11及全家超商取貨(需先付款，無貨到付款)。
❸ 一般宅配
本公司主要與黑貓宅急便配合，送達到您指定的地址。
※當您於本網站消費交易完成後，電子發票將會以電子郵件寄給您；如需紙本發票請於下訂時於備註欄位說明。
【付款方式說明】
❶ ATM轉帳、匯款
銀行│第一銀行-三民分行
代號│007
戶名│麗文文化事業股份有限公司
帳號│704-10-051861
※實體ATM每日轉帳最高限額為3萬，若訂購金額超過3萬元，請分兩天或是使用不同的銀行帳戶轉帳。
❷ 信用卡（可分期，需負擔手續費）
凡各家銀行的VISA、MASTER、Union Pay、JCB信用卡皆可使用。
❺ 超商代碼
系統會發送繳費代碼至您的電子信箱，需自行至「超商機器ex：iBon」輸入代碼，產生繳費單後前往櫃檯繳費。
❼ 免卡分期
麗文校園購與「zingala銀角零卡」「第一資融」以及「皮路後支付」合作，讓您免用信用卡就可以購物。
如有使用上的問題，可以先與揪小編聯絡唷！。
※請注意：超過7天未付款之訂單則訂單自動失效；免卡分期訂單成立起7天內未主動聯繫亦同。
【其他說明】
❶關於出貨
1.商品為不缺貨前提下，訂單完成付款後2-4個工作天將會出貨(不含例假日及國定假日)；若商品缺貨則須等待1-2週。
2.麗文校園揪來玩保留訂單接受與否權利，若因交易條件有誤或有其他情形導致我們無法接受您的訂單，將以E-mail發送取消訂單通知給您，造成不便敬請見諒。
❷關於退貨
1.非門市現場消費享有七天猶豫期，收到商品當天往後算七天內若是決定不買，則協助不要拆封，一拆封視同願意購買。
2.若真的決定不購買商品要退貨，請聯繫我們LINE線上客服，我們會盡速為您處理。
❸關於新品瑕疵與維修保固
1.全新商品享有購買七日內，新品瑕疵的換新保障；但新品瑕疵與否，是由商品代理商或原廠所判定，麗文校園揪來玩僅能依據判定的結果給予協助。若是原廠判定非新品瑕疵則無法換新，需改為維修的方式處理。
2.新品瑕疵換新的作業時間，將依各廠商的流程而定，最快2個工作天，慢的話也可能需要到15個工作天。
3.購買超過七日後，維修服務由原廠提供。如有需要維修，麗文校園揪來玩可以代為送修，但送修如需運費時（EX:原廠沒有提供免費收件服務），則需由您負擔送修的運費（運費約為100元起，因商品大小而異）。
【華碩的維修服務】
