李开复、周鸿祎强烈推荐！实战AI大模型+动手做AI Agent （附PDF）

《实战AI大模型》是一本旨在填补人工智能（AI）领域（特别是AI大模型）理论与实践之间鸿沟的实用手册。书中介绍了AI大模型的基础知识和关键技术，如Transformer、BERT、ALBERT、T5、GPT系列、InstructGPT、ChatGPT、GPT 4、PaLM和视觉模型等，并详细解释了这些模型的技术原理、实际应用以及高性能计算（HPC）技术的使用，如并行计算和内存优化。

同时，《实战AI大模型》还提供了实践案例，详细介绍了如何使用Colossal AI训练各种模型。无论是人工智能初学者还是经验丰富的实践者，都能从本书学到实用的知识和技能，从而在迅速发展的AI领域中找到适合自己的方向。

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

为了帮助读者更好地理解和应用AI大模型，本书详细介绍了从基本概念到实践技巧的诸多内容。每章均将重点放在介绍核心概念、关键技术和实战案例上。涵盖了从基本概念到前沿技术的广泛内容，包括神经网络、Transformer模型、BERT模型、GPT系列模型等。

书中详细介绍了各个模型的原理、训练方法和应用场景，并探讨了解决AI大模型训练中的挑战和优化方法。此外，书中还讨论了分布式系统、并行策略和内存优化等关键技术，以及计算机视觉和自然语言处理等领域中Transformer模型的应用。总体而言，本书提供了一个全面的视角，帮助读者深入了解AI大模型和分布式训练在深度学习领域的重要性和应用前景。

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

前言

第1章 深度学习中的AI大模型

• 1.1 AI大模型在人工智能领域的兴起
• 1.2 深度学习框架入门

第2章 分布式系统：AI大模型的诞生之所

• 2.1 深度学习与分布式系统
• 2.2 AI大模型训练方法
• 2.3 异构训练
• 2.4 实战分布式训练

第3章 分布式训练：上千台机器如何共同起舞

• 3.1 并行策略基础原理
• 3.2 高级并行策略基础原理
• 3.3 实战分布式训练

第4章 AI大模型时代的奠基石Transformer模型

• 4.1 自然语言处理基础
• 4.2 Transformer详解
• 4.3 Transformer的变体与扩展

第5章 AI大幅度提升Google搜索质量:BERT模型

• 5.1 BERT模型详解
• 5.2 高效降低内存使用的ALBERT模型
• 5.3 BERT模型实战训练

第6章 统一自然语言处理范式的T5模型

• 6.1 T5模型详解
• 6.2 统一BERT和GPT的BART模型
• 6.3 统一语言学习范式的UL2框架
• 6.4 T5模型预训练方法和关键技术

第7章 作为通用人工智能起点的GPT系列模型

• 7.1 GPT系列模型的起源
• 7.2 GPT 2模型详解
• 7.3 GPT 3模型详解
• 7.4 GPT 3模型构建与训练实战

第8章 兴起新一代人工智能浪潮:ChatGPT模型

• 8.1 能与互联网交互的WebGPT
• 8.2 能与人类交互的InstructGPT模型
• 8.3 ChatGPT和GPT4
• 8.4 构建会话系统模型

第9章 百花齐放的自然语言模型：Switch Transfomer和PaLM

• 9.1 万亿参数稀疏大模型Switch Transformer
• 9.2 PaLM模型：优化语言模型性能
• 9.3 PaLM实战训练

第10章 实现Transformer向计算机视觉进军的ViT模型

• 10.1 Transformer在计算机视觉中的应用
• 10.2 视觉大模型的进一步发展：Transformer与卷积的融合
• 10.3 ViT模型构建与训练实战
  
  
  
  Agent 是未来最重要的智能化工具。对于程序员来说，是时候将目光转向大模型的应用开发了，率先抢占AI的下一个风口AI Agent。

而这本动手做AI Agent非常牛，有这样一本秘籍在手，程序员们这下放心了吧，让我们先来揭开 Agent 的神秘面纱。

AI Agent 面面观

先对 Agent 下一个定义：Agent 是一个具有一定程度自主性的人工智能系统。更进一步说，Agent 是一个能够感知环境、做出决策并采取行动的系统。Agent 具有四大特性：

· 自主性： Agent 能够根据自身的知识和经验，独立做出决策和采取行动。

· 适应性： Agent 能够学习和适应环境，不断提高自己的能力。

· 交互性： Agent 能够与人类进行交互，提供信息和服务。

· 功能性： Agent 可以在特定领域内执行特定的任务。

书籍目录：

第1章 何为Agent，为何Agent 1

• 1.1 大开脑洞的演讲：Life 3.0 2
• 1.2 那么，究竟何为Agent 5
• 1.3 Agent的大脑：大模型的通用推理能力 9
• 1.4 Agent的感知力：语言交互和多模态 23
• 1.5 Agent的行动力：语言输出和工具使用 25
• 1.6 Agent对各行业的效能提升 28
• 1.7 Agent带来新的商业模式和变革 32
• 1.8 小结 39

第2章 基于大模型的Agent技术框架 41

• 2.1 Agent的四大要素 41
• 2.2 Agent的规划和决策能力 44
• 2.3 Agent的各种记忆机制 45
• 2.4 Agent的核心技能：调用工具 46
• 2.5 Agent的推理引擎：ReAct框架 49
• 2.6 其他Agent认知框架 66
• 2.7 小结 68

第3章 OpenAI API、LangChain和LlamaIndex 70

• 3.1 何为OpenAI API 71
• 3.2 何为LangChain 91
• 3.3 何为LlamaIndex 105
• 3.4 小结 113

第4章 Agent 1：自动化办公的实现——使用Assistants API和DALL·E 3模型创作PPT 115

• 4.1 OpenAI公司的Assistants是什么 117
• 4.2 不写代码，在Playground中玩Assistants 118
• 4.3 Assistants API的简单示例 123
• 4.4 创建一个简短的虚构PPT 141
• 4.5 小结 160

第5章 Agent 2：多功能选择的引擎——通过Functions Calling调用函数 161

• 5.1 OpenAI中的Functions 163
• 5.2 在OpenAI Playground中定义Function 168
• 5.3 用Assistants API来实现Functions Calling 173
• 5.4 用ChatCompletion API来实现Tool Calls 196
• 5.5 小结 205

第6章 Agent 3：推理与行动的协同——使用LangChain中的ReAct框架实现自动定价 207

• 6.1 复习一下ReAct推理框架 208
• 6.2 LangChain中ReAct Agent 的实现 210
• 6.3 LangChain中的工具和工具包 212
• 6.4 通过create_react_agent创建鲜花定价Agent 215
• 6.5 深挖AgentExecutor的运行机制 221
• 6.6 小结 249

第7章 Agent 4：计划和执行的解耦——使用LangChain中的Plan-and-Execute智能调度库存 251

• 7.1 Plan-and-Solve策略的提出 252
• 7.2 LangChain中的Plan-and-Execute Agent 257
• 7.3 用Plan-and-Execute Agent实现物流管理 258
• 7.4 从单Agent到多Agent 273
• 7.5 小结 273

第8章 Agent 5：知识的提取与整合——使用Llama Index实现检索增强生成Agent 275

• 8.1 何为检索增强生成 276
• 8.2 RAG和Agent 282
• 8.3 用LlamaIndex的ReAct Agent来实现花语秘境财报检索 284
• 8.4 小结 289

第9章 Agent 6：GitHub的网红聚落——AutoGPT、BabyAGI、CAMEL和Generative Agents 292

• 9.1 AutoGPT 293
• 9.2 BabyAGI 298
• 9.3 CAMEL 317
• 9.4 小结 333

第10章 Agent 7：多Agent系统框架——AutoGen和MetaGPT 335

• 10.1 AutoGen 336
• 10.2 MetaGPT 343
• 10.3 小结 353

第11章 下一代Agent的诞生地：科研论文中的新思路 355

• 11.1 两篇高质量的Agent综述 355
• 11.2 论文选读：Agent自主学习、多Agent合作、Agent可信度的评估、边缘系统部署以及具身智能落地 358
• 11.3 小结 359
• 参考文献 361
• 后记 创新与变革的交汇点 362

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​