新書推薦：
《
神乐坂怪谈
》
售價：NT$
230
《
AI短剧制作与推广全流程：5小时掌握爆款密码
》
售價：NT$
449
《
一品仵作·完结篇 典藏版 凤今
》
售價：NT$
434
《
对生命说是 升级版 全球身心灵导师奥南朵代表作重装升级
》
售價：NT$
398
《
游牧民世界史：人类文明的另一个侧面
》
售價：NT$
454
《
神奇的辅酶Q10 助力心脏健康 辅助慢病管理
》
售價：NT$
204
《
我们因爱受伤，又因爱治愈意大利国民心理学平台创始人阿娜&安娜联袂力作 一部能真正“诊断关系、
》
售價：NT$
300
《
最漫长的一天 诺曼底登陆史诗（二战史经典著作，随军记者开创战史写作先河，亲历者提供第一手历史资料）
》
售價：NT$
301
|
| 編輯推薦： |
|
深入浅出的大模型技术解析-模型部署与调用：详细讲解本地与在线部署方法，帮助读者从零开始理解并实现模型应用。-RAG技术与微调优化：探讨如何通过RAG技术提升大模型的性能，结合深度微调使模型更加智能和精准。高效的智能体开发框架与技术-LangChain与LangGraph：介绍具备高度生态支持的框架，助力开发者快速构建模块化智能体系统。-DeepSeek模型应用：专门选择DeepSeek系列模型作为支撑，展示其在多种场景下的强大能力。多元应用场景-企业级AI开发：通过多个实际案例，展示如何在企业环境中部署与优化智能体系统，提升工作效率。-跨行业应用：涵盖客服、数据分析、代码生成等多个行业场景，帮助读者轻松应对各种挑战。
|
| 內容簡介： |
|
《大模型Agent开发实践》系统地讲解了大模型智能体（Agent）开发领域的核心技术路径与代表性实战案例，涵盖了从模型部署、知识增强、微调优化到Agent系统构建与企业级应用的完整开发流程。本书分为八章，内容包括主流大模型的在线调用与本地部署、基于向量与知识图谱的RAG系统构建、多轮对话与复杂任务规划的Agent开发方法，以及大模型高效微调流程。本书还特别介绍了LangChain与LangGraph两大主流Agen框架的功能机制与最佳实践。项目案例部分精选了多个企业级实战场景，如基于GraphRAG的本地知识问答系统、医学领域的大模型高效微调、B站舆情分析智能体（BiliAgent）等。这些项目紧贴实际需求，解析了模型调用、知识增强、任务规划、前后端集成等关键环节，既展示了大模型Agent在不同行业的应用潜力，也为读者提供了可复用、可扩展的开发参考。
|
| 關於作者： |
|
-吴昊天：九天Hector（B站），现为赋范空间(北京)科技有限公司创始人，同时兼任首席技术官&大模型产研中心负责人。主导并研发包括数据分析、机器学习、深度学习、大模型等爆款口碑体系课程，累计42000+名用户参与课程学习。同时在2024年创立了大模型公益社区——赋范大模型技术社区，目前社区已有2W+成员，超过300W人次学习。-陈志鹏：木羽Cheney（B站），赋范空间大模型技术专家，全网粉丝1W+，视频播放50W+。前国网高级算法工程师，8年技术从业经历，技术栈主要包括PythonWeb开发、机器学习、NLP自然语言处理以及大模型，也是国内首批大模型工程师。现任赋范空间（北京）科技有限公司大模型技术负责人，以及赋范大模型社区共建人。-王钰：王钰，中国传媒大学在读博士生，在机器学习、深度学习以及大模型领域具有扎实的理论基础和丰富的实践经验。对大模型的原理、训练优化及实际应用有深刻理解，并进行了大量的实践尝试。曾参与多项数据分析项目，产出多份高质量的数据分析报告，为企业和学术机构提供数据驱动的解决方案。
|
| 目錄：
|
目录
第1章 大模型 Agent 基础 1
1.1 AI Agent 发展历程 1
1.1.1 从人工智能到现代 AI Agent 1
1.1.2 Agent 发展路径 2
1.1.3 AI Agent 的应用 3
1.2 大模型 Agent 的核心概念 4
1.2.1 什么是大模型 Agent 5
1.2.2 Agent 的核心组成部分 5
1.2.3 LLM 在 Agent 中的作用 6
1.3 主流 Agent 开发框架介绍 7
1.3.1 低代码开发框架 7
1.3.2 基础框架 8
1.3.3 代码框架 8
1.3.4 Multi-Agent 框架 10
1.4 附加资源 11
第2章 大模型基础与部署调用 12
2.1 主流大模型发展概览 12
2.1.1 全球主流在线大模型 12
2.1.2 全球主流开源大模型 14
2.1.3 国内主流大模型 15
2.2 在线大模型 API 调用入门 17
2.2.1 在线大模型 API key 获取指南 17
2.2.2 在线大模型 API 调用基本方法 18
2.2.3 在线大模型 API 核心参数详解 19
2.3 本地大模型部署及使用 21
2.3.1 本地大模型部署需求概览 21
2.3.2 本地大模型部署通用步骤 23
2.3.3 GLM 大模型本地部署指南 26
2.3.4 Qwen 大模型本地部署指南 29
2.3.5 第三方集成部署工具 32
2.4 附加资源 34
第3章 DeepSeek 安装部署与 API调用流程 35
3.1 DeepSeek-V3 对话大模型 35
3.1.1 DeepSeek-V3 模型介绍 36
3.1.2 DeepSeek-V3 模型 API 调用 36
3.1.3 DeepSeek-V3 模型核心参数详解 39
3.1.4 DeepSeek-V3 模型本地部署与调用 42
3.1.5 DeepSeek-V3 Function Calling 47
3.1.6 打造专属聊天机器人：Open-WebUI接入 DeepSeek-V3 57
3.2 DeepSeek-R1 推理大模型 61
3.2.1 DeepSeek-R1 模型介绍 61
3.2.2 DeepSeek-R1 模型 API 调用 62
3.2.3 DeepSeek-R1 模型参数详解 64
3.2.4 DeepSeek-R1 基础开发应用 64
3.2.5 DeepSeek-R1 模型本地部署与调用 69
3.3 第三方工具集成部署 DeepSeek系列模型 73
3.3.1 SGLang 部署方案 74
3.3.2 LMDeploy 部署方案 74
3.3.3 vLLM 部署方案 76
3.3.4 Ollama 部署方案 76
3.4 附加资源 80
第4章 基于本地知识库的 RAG 81
4.1 RAG 技术体系介绍 81
4.1.1 RAG 简介 81
4.1.2 RAG 系统的核心组成模块 82
4.1.3 文本向量化模块创建 83
4.1.4 文档加载与切分模块创建 88
4.1.5 词向量数据库与向量检索模块 93
4.1.6 大模型问答模块编写 95
4.1.7 RAG Demo 完整流程演示 97
4.2 GraphRAG 项目介绍 99
4.2.1 传统 RAG 技术实现流程与技术瓶颈 99
4.2.2 GraphRAG 技术方案的提出背景 100
4.2.3 GraphRAG 项目介绍及核心特点 102
4.2.4 GraphRAG 整体流程介绍 102
4.3 GraphRAG 安装部署与调用 105
4.3.1 GraphRAG 安装与项目创建 105
4.3.2 GraphRAG 索引过程执行 108
4.3.3 查看知识图谱相关表格 110
4.3.4 GraphRAG 问答流程实现 114
4.3.5 GraphRAG 中知识图谱可视化方法 125
第5章 RAG 应用实战 130
5.1 GraphRAG 与 Ollama 本地部署流程实战 130
5.1.1 基础环境搭建 130
5.1.2 下载模型文件 132
5.1.3 借助 Ollama 调用本地大模型 133
5.1.4 构建 GraphRAG 检索项目 136
5.1.5 修改 GraphRAG 源码以适配Ollama 138
5.1.6 将 Ollama 接入微软 GraphRAG 141
5.2 DeepSeek-V3 企业知识库问答实战 148
5.2.1 DeepSeek-V3 与 GraphRAG 148
5.2.2 GraphRAG 安装与项目创建 148
5.2.3 GraphRAG 索引过程执行 150
5.2.4 GraphRAG 问答流程 154
5.2.5 导入核心模块与关系组 155
5.2.6 设置模型参数 158
5.2.7 构建 LocalSearch 搜索引擎并进行问答 159
5.2.8 构建 GlobalSearch 搜索引擎并进行问答 162
5.3 DeepSeek-R1 本地知识库问答 165
5.3.1 主流大模型 Web 对话开源框架概览 165
5.3.2 Ollama+DeepSeek-R1-Distill 模型本地部署 166
5.3.3 AnythingLLM 安装与使用 169
5.3.4 借助 AnythingLLM 执行本地知识库问答流程 172
5.3.5 DeepSeek-R1 API 接入 AnythingLLM进行本地知识库问答 176
5.4 附加资源 178
第6章 大模型微调实战 179
6.1 大模型微调基础 179
6.1.1 大模型为什么需要微调 179
6.1.2 微调基础概念介绍 180
6.1.3 高效微调的应用场景 182
6.1.4 主流微调工具介绍 183
6.1.5 模型微调的硬件要求与服务器环境配置 185
6.2 Qwen 大模型微调实战 186
6.2.1 LLaMA-Factory 项目介绍与安装 186
6.2.2 基于 LLaMA-Factory 模型的自我意识微调流程 190
6.2.3 微调数据集的创建过程 190
6.2.4 LoRA 微调脚本的创建与运行 193
6.2.5 微调权重合并与性能测试 196
6.3 DeepSeek-R1-Distill 高效微调 199
6.3.1 Unsloth 安装部署 200
6.3.2 WandB 安装与注册 200
6.3.3 DeepSeek-R1 模型下载 202
6.3.4 下载推理模型微调数据集 205
6.3.5 借助 Unsloth 进行模型推理 206
6.3.6 带入问答模板进行回答 210
6.3.7 原始模型的医疗问题问答 213
6.3.8 模型微调最小可行性实验 215
6.3.9 完整高效微调实验 223
6.4 附加资源 229
第7章 大模型 Agent 开发 230
7.1 从 0 到 1 构建 AI Agent 230
7.1.1 DeepSeek 在线 API 调用流程 230
7.1.2 LangChain 的整体架构及接入DeepSeek 模型 230
7.1.3 使用 LangChain 创建工具库 232
7.1.4 使用 CrewAI 创建 AI Agent 233
7.2 LangChain+DeepSeek-V3 实现复杂 RAG 聊天机器人 238
7.2.1 LCEL 基本概念入门 238
7.2.2 基于 LCEL 实现 DeepSeek-V3 的集成 241
7.2.3 实现复杂 RAG 聊天机器人 243
7.3 附加资源 250
第8章 企业级 Agent 开发实战 251
8.1 B 站动态数据&舆情分析智能体开发实战——BiliAgent 251
8.1.1 BiliAgent 项目介绍 251
8.1.2 LangChain 应用开发框架整体介绍 253
8.1.3 LangChain 中的高阶 RAG 构建 255
8.1.4 基于 LangChain 快速接入大模型 258
8.1.5 B 站 API 项目使用及实时数据处理 259
8.1.6 数据转化器构建及基本 RAG 流程封装 262
8.1.7 构建第一个 LangChain 生成链 264
8.1.8 链路 4 大高阶优化方法 265
8.1.9 LangChain 到 LangGraph 的平滑过渡 268
8.1.10 LangGraph 构建 AI Agent 的底层原理 269
8.1.11 从源码角度解析 LangGraph 中的节点、边和循环图 272
8.1.12 基于 LangGraph 框架构建项目工作流 275
8.1.13 LangServe 与 FastAPI 集成实现RestFul API 276
8.1.14 使用 Streamlit 构建 BiliAgent 前端用户界面 277
8.2 附加资源 278
|
| 內容試閱：
|
前言
伴随着大语言模型（LLM）技术的飞速发展，人工智能正迈入以 Agent 为核心的新阶段。大模型的应用不再局限于被动响应的问答引擎，而是逐渐演变为具备感知、思考、决策和行动能力的自主系统。AI Agent 正在成为各类应用中解决复杂任务、实现人机协同的关键技术路径，被广泛应用于企业客服、数据分析、代码编写、智能搜索等领域。
本书从大模型的部署与调用出发，逐步深入讲解 Agent 的构建方法与应用流程，旨在为读者提供一个系统且实用的 Agent 开发全景指南。本书系统地介绍大模型的本地部署与在线 API 调用流程，随后深入探讨 RAG（检索增强生成）机制的实际开发方法，并详细展示当前主流的高效微调策略， 以优化模型性能。此外， 书中还聚焦 LangChain 、LangGraph 等具备高度生态支持的 Agent 开发框架，讲解如何以模块化方式构建具备任务规划、工具调用、状态管理能力的 Agent 工作流。最后，本书以 DeepSeek 系列模型为核心支撑，结合企业级项目案例，完整展现大模型 Agent 的全流程开发路径。
本书为每章内容均配备了结构清晰、可运行的代码实现，读者可在本地环境中轻松复现并进行扩展。通过本书的学习，读者将全面理解大模型 Agent 的关键机制，掌握搭建、优化和部署 Agent 系统的能力，并能够将其应用于更广泛的实际任务中。
本书内容
本书围绕“大模型 Agent”这一核心技术主线展开，由浅入深、由基础到实战，详细地介绍了从模型部署、知识增强、微调优化到 Agent 构建与企业级应用的全流程。
本书共分为8 章，具体内容如下。
第 1 章：大模型 Agent 基础
该章介绍 AI Agent 的发展历程、核心概念与系统结构，梳理当前主流的 Agent 开发框架类型，为后续章节奠定理论基础。
第 2 章：大模型基础与部署调用
该章全面概览当前主流大模型的发展格局，区分在线调用与本地部署两种常见接入方式，内容包括 API 使用方法、本地化部署步骤及第三方部署工具，为实际开发做好模型能力准备。
第 3 章：DeepSeek 安装部署与 API 调用流程
该章聚焦 DeepSeek 系列模型，系统介绍 DeepSeek-V3 与 DeepSeek-R1 两大分支的使用方法，包括 API 接入、本地推理、Function Calling 功能，以及如何通过第三方工具（如 vLLM、Ollama）进行模型的部署与落地应用。
第 4 章：基于本地知识库的 RAG
该章系统讲解 RAG 技术体系，涵盖文本向量化、文档切分、向量检索、知识图谱构建等模块，并引入 GraphRAG 架构以提升问答系统的推理与语义理解水平。
第 5 章：RAG 应用实战
该章提供多个完整的 RAG 落地项目案例，结合 DeepSeek 模型与 GraphRAG 工程框架，分别实现本地模型问答、企业知识库接入以及多检索场景（如 LocalSearch 与 GlobalSearch）的集成方案。
第 6 章：大模型微调实战
该章详细讲解大模型高效微调方法，并通过 Qwen 和 DeepSeek-R1 的微调案例，使读者深入理解从数据准备、实验设计到完整训练的全过程。
第 7 章：大模型 Agent 开发
该章围绕 LangChain 与 CrewAI 框架，讲解如何构建具备工具调用、多轮交互与任务调度能力的 Agent，结合 DeepSeek 模型完成从语言模型调用到 Agent 任务链搭建的综合实践。
第 8 章：企业级 Agent 开发实战
该章聚焦企业级应用，引领读者开发了一个综合性项目案例—BiliAgent（B 站舆情分析智能体）。内容涵盖实时数据接入、RAG 链路优化、LangGraph 工作流构建、前后端集成等关键模块，展示了完整的工程化开发流程。
本书特点
体系完整。本书涵盖大模型 Agent 开发的全流程，从模型部署、RAG、模型微调，到Agent 系统构建与企业级应用，每一章既可以独立成篇，又前后衔接，帮助读者系统性地掌握 Agent 开发从原理到实战的完整技术路径。
项目驱动。全书精选多个典型实战项目，包括基于原生模型的多轮对话系统、RAG 问答系统、微调优化流程、BiliAgent 舆情分析智能体等。所有项目均基于真实应用场景设计，紧贴前沿需求，强化读者的工程落地能力。
技术实用。本书所采用的框架与工具，如 DeepSeek、LangChain、LangGraph、LlaMa-Factory、Unsloth、Ollama 等，均为当前大模型 Agent 开发中主流且稳定的开源方案，具备较强的实战性与适配性，读者可在项目开发中直接复用。
结构清晰。本书实战项目按照“应用背景→技术选型→环境部署→核心模块开发→项目运行演示”的流程展开讲解，使读者能够清楚理解实际项目的开发逻辑与实现过程，提升学习效率与开发信心。
学习资源丰富。本书为每个项目提供了完整可运行的源代码和学习视频，读者能够更加轻松地搭建、运行、使用项目，以最快速度提升自身的开发能力。
读者对象：人工智能开发者； Python 和 LLM 技术爱好者；从事 Agent 系统开发的工程师；大模型相关课程的教师；企业智能化转型的研发人员；希望构建企业级 AI Agent 的产品经理；参加毕业设计的学生；大模型创业团队的核心技术人员。
资源与服务
本书提供了大量的辅助学习资源，还提供了专业的知识拓展与答疑服务，旨在帮助读者提高学习效率并解决学习过程中遇到的各种疑难问题。
项目精讲视频。关注微信公众号“赋范空间”，回复关键词“实践”，即可获取本书配套的全套项目精讲视频与完整源码文件。每个项目均提供精细拆解，覆盖环境配置、模块结构、功能实现等多个维度，便于读者边学边练。读者可扫描二维码，立即开始学习。
项目源码。本书配套项目均提供完整源代码，确保读者可以顺利复现开发流程。相关源码可通过公众号链接获取。本书中各项目案例所涉及的网站链接、操作指南、开源项目地址等资源，均已统一整理并附在每章最后一节的“附加资源”中。读者可根据学习需要，查阅对应章节，按需获取相关网址和材料，方便查找与使用。
学习答疑群。为更好地服务读者，我们建立了配套学习交流群，定期提供技术问答与经验分享。加入方式请见公众号公告。
持续更新与拓展内容。本书相关内容将持续在“赋范空间”公众号平台发布扩展文章，包括模型版本更新说明、Agent 案例升级、开源工具推荐等，以帮助读者紧跟大模型生态发展。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
