LLM 工程師開發手冊 Paul Iusztin /Maxime Labonne
產品編號：9789863128465
促銷 團購優惠-旗標 出版社
促銷 下單就送小禮物
購物每消費滿300元，可獲得1元購物金
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${{ commaFormat(product.group_price) }}
商品組合
贈品 (買就送)
{{ pItem.title }}
付款方式
轉帳/匯款/無摺存款 / LinePay付款 / 超商代碼付款(綠界金流) / 信用卡一次付清(綠界金流) / AFTEE 先享後付 / [圖書專用] 7-11取貨付款
配送方式
7-11超商取貨 / 全家超商取貨 / 宅配到家 / 校園門市店到店取貨(需7~10個工作天，急用勿選)
超值加購
{{ pItem.title }}
型號:{{ pItem.model }}
加購價 NT${{pItem.extra_price}}
(原價NT${{pItem.price_orig}})
加購數量
已搶購一空
作者：Paul Iusztin/ Maxime Labonne
譯者：黃駿
出版社：旗標科技股份有限公司
出版日期：2025/12/16
【內容】
▋ 人工智慧正以驚人的速度演進，
而大型語言模型已成為這場革命的核心關鍵 ▋
本書不只是介紹理論；它帶你走進真實工程場景，教你如何設計、訓練、優化與部署 LLM，並結合 MLOps 的專業流程，打造真正能落地的端到端解決方案。透過完整的 LLM Twin 實戰案例，你將學會建構具成本效益、可擴展、模組化的系統架構，跳脫 Notebook 和 Colab 實驗的限制，把模型真正推向生產環境。
在學習過程中，你將掌握資料流程設計、RAG、監督式微調、偏好對齊、即時資料處理、推論最佳化等關鍵技術，並能將 CI/CD、監控、版本管理 等 MLOps 元件靈活融入自己的專案。這不僅讓你理解 LLM 的運作，更讓你具備「打造專業級 AI 系統」的實戰能力。
讀完本書，你將能從 0 到 1 建立自己的 LLM、能處理真實世界的資料、能在生產環境長期穩定運作、能持續優化並快速迭代。
無論你是 AI 新手或已有多年經驗的工程師，本書都能帶來全新的理解、視野與技術深度，讓你真正跨入 LLM 工程師的境界。
▋從架構、資料、訓練到部署，
打造能真正落地的 LLM 系統▋
✦✦✦
◤從零打造 LLM 系統的實戰流程◢
● 每一章都有循序圖解、完整程式碼範例，不怕學不會
● 提供完整LLM 端到端工作流程教學：資料流程 → 特徵流程 → 訓練流程 → 推論流程 → 部署流程
● 全書程式皆由小編親自測試，並穿插實務心得，確保你真的學得到、做得出來
◤你將掌握的關鍵能力◢
✔ 從真實資料開始打造 LLM 的第一步！
從爬蟲、清洗、分段到去重複，一步步完成真實世界 LLM 需要的資料前處理。
✔ 用 FTI 架構建立你的 AI 系統思維！
建立 Feature／Training／Inference 全流程思維，看懂 LLM 系統的真實樣貌。
✔ RAG 深度解析：打造不會亂講話的 LLM！
深入掌握 RAG 的設計、最佳化與進階技巧，提升模型可信度與資訊鮮度。
✔ 把模型調到最好：微調 + 偏好對齊一次學會！
從 SFT 到 LoRA/QLoRA，再到 DPO，讓模型真正「理解人類的思考行為」。
✔ 推論加速全攻略，速度與成本 win-win！
KV cache、連續批次、推測式解碼、量化與平行化，全套最佳化方法一次收錄。
✔ 無痛掌握最全面的 AI 工具鏈！
涵蓋 Hugging Face、ZenML、CometML、Opik、MongoDB、Qdrant 等主流技術。
✔ 真正生產級的 MLOps／LLMOps 能力剖析與實踐！
從 CI/CD/CT、監控、版本控管到雲端部署，打造可擴展、可維護的 LLM 系統。
【目錄】
▌第 1 章 掌握 LLM 分身的概念與架構
1.1 認識 LLM 分身
1.2 規劃 LLM 分身的最簡可行產品
1.3 依循特徵/訓練/推論架構建立 ML 系統
1.4 設計 LLM 分身的系統架構
1.5 FTI 設計與 LLM 分身架構的回顧與反思
1.6 總結
1.7 參考資料
▌第 2 章 工具介紹與安裝
2.1 Python 開發環境的建置與專案安裝
2.2 MLOps 與 LLMOps 工具
2.3 儲存非結構化與向量資料的資料庫
2.4 準備使用 AWS
2.5 總結
2.6 參考資料
▌第 3 章 資料工程
3.1 設計 LLM Twin 資料搜集流程
3.2 資料搜集流程實作：ETL 架構
3.3 資料搜集流程實作：網路爬蟲
3.4 資料搜集流程實作：NoSQL 文檔類別
3.5 將原始資料搜集至資料倉儲中
3.6 總結
3.7 參考資料
▌第 4 章 RAG 特徵流程
4.1 認識 RAG
4.2 進階 RAG 概觀
4.3 探索 LLM Twin 的 RAG 特徵流程架構
4.4 實作 LLM Twin 的 RAG 特徵流程
4.5 總結
4.6 參考資料
▌第 5 章 監督式微調
5.1 建立指令資料集
5.2 認識 SFT 技術
5.3 實作微調程式
5.4 總結
5.5 參考資料
▌第 6 章 偏好對齊微調
6.1 認識偏好資料集
6.2 建立偏好資料集
6.3 偏好對齊
6.4 實作 DPO
6.5 總結
6.6 參考資料
▌第 7 章 評估 LLM
7.1 何謂模型評估
7.2 何謂 RAG 評估
7.3 實作模型評估程式
7.4 總結
7.5 參考資料
▌第 8 章 推論優化
8.1 模型優化策略
8.2 模型平行處理
8.3 模型量化
8.4 總結
8.5 參考資料
▌第 9 章 RAG 推論流程
9.1 了解 LLM Twin 的 RAG 推論流程
9.2 探索 LLM Twin 的進階 RAG 技術
9.3 實作 LLM Twin 的 RAG 推論流程
9.4 總結
9.5 參考資料
▌第 10 章 部署推論流程
10.1 選擇部署形式的標準
10.2 認識推論部署的形式
10.3 比較單體式與微服務架構
10.4 探索 LLM Twin 推論流程的部署策略
10.5 部署 LLM Twin 服務
10.6 以自動擴展應付使用高峰
10.7 總結
10.8 參考資料
▌第 11 章 MLOps 與 LLMOps
11.1 認識 LLMOps：從 DevOps 與 MLOps 的基礎開始
11.2 將 LLM Twin 的 Pipeline 部署至雲端
11.3 在 LLM Twin 專案中加入 LLMOps
11.4 總結
11.5 參考資料
▌附錄A MLOps 原則
A.1 自動化與系統化
A.2 版本管理
A.3 實驗追蹤
A.4 測試
A.5 監控
A.6 可重現性
▌第 1 章 掌握 LLM 分身的概念與架構
1.1 認識 LLM 分身
1.2 規劃 LLM 分身的最簡可行產品
1.3 依循特徵/訓練/推論架構建立 ML 系統
1.4 設計 LLM 分身的系統架構
1.5 FTI 設計與 LLM 分身架構的回顧與反思
1.6 總結
1.7 參考資料
▌第 2 章 工具介紹與安裝
2.1 Python 開發環境的建置與專案安裝
2.2 MLOps 與 LLMOps 工具
2.3 儲存非結構化與向量資料的資料庫
2.4 準備使用 AWS
2.5 總結
2.6 參考資料
▌第 3 章 資料工程
3.1 設計 LLM Twin 資料搜集流程
3.2 資料搜集流程實作：ETL 架構
3.3 資料搜集流程實作：網路爬蟲
3.4 資料搜集流程實作：NoSQL 文檔類別
3.5 將原始資料搜集至資料倉儲中
3.6 總結
3.7 參考資料
▌第 4 章 RAG 特徵流程
4.1 認識 RAG
4.2 進階 RAG 概觀
4.3 探索 LLM Twin 的 RAG 特徵流程架構
4.4 實作 LLM Twin 的 RAG 特徵流程
4.5 總結
4.6 參考資料
▌第 5 章 監督式微調
5.1 建立指令資料集
5.2 認識 SFT 技術
5.3 實作微調程式
5.4 總結
5.5 參考資料
▌第 6 章 偏好對齊微調
6.1 認識偏好資料集
6.2 建立偏好資料集
6.3 偏好對齊
6.4 實作 DPO
6.5 總結
6.6 參考資料
▌第 7 章 評估 LLM
7.1 何謂模型評估
7.2 何謂 RAG 評估
7.3 實作模型評估程式
7.4 總結
7.5 參考資料
▌第 8 章 推論優化
8.1 模型優化策略
8.2 模型平行處理
8.3 模型量化
8.4 總結
8.5 參考資料
▌第 9 章 RAG 推論流程
9.1 了解 LLM Twin 的 RAG 推論流程
9.2 探索 LLM Twin 的進階 RAG 技術
9.3 實作 LLM Twin 的 RAG 推論流程
9.4 總結
9.5 參考資料
▌第 10 章 部署推論流程
10.1 選擇部署形式的標準
10.2 認識推論部署的形式
10.3 比較單體式與微服務架構
10.4 探索 LLM Twin 推論流程的部署策略
10.5 部署 LLM Twin 服務
10.6 以自動擴展應付使用高峰
10.7 總結
10.8 參考資料
▌第 11 章 MLOps 與 LLMOps
11.1 認識 LLMOps：從 DevOps 與 MLOps 的基礎開始
11.2 將 LLM Twin 的 Pipeline 部署至雲端
11.3 在 LLM Twin 專案中加入 LLMOps
11.4 總結
11.5 參考資料
▌附錄A MLOps 原則
A.1 自動化與系統化
A.2 版本管理
A.3 實驗追蹤
A.4 測試
A.5 監控
A.6 可重現性
【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】
