{itemname}
{itemname}
香港二樓書店 > 今日好書推介
秘密花園
定價93.00元
8
折優惠:
HK$74.4
●二樓推薦
●文學小說
●商業理財
●藝術設計
●人文史地
●社會科學
●自然科普
●心理勵志
●醫療保健
●飲 食
●生活風格
●旅 遊
●宗教命理
●親子教養
●少年讀物
●輕 小 說
●漫 畫
●語言學習
●考試用書
●電腦資訊
●專業書籍
LLM 工程師開發手冊
沒有庫存
訂購需時10-14天
9789863128465
Paul Iusztin 著,Maxime Labonne 著
黃駿 譯
旗標
2026年12月16日
417.00 元
HK$ 375.3
詳
細
資
料
ISBN:9789863128465</li><li>規格:軟精裝 / 616頁 / 23 x 17 x 3.6 cm / 普通級 / 全彩印刷 / 初版</li><li>出版地:台灣
分
類
電腦資訊
>
概論/科技趨勢
>
人工智慧/機器學習
內
容
簡
介
<div class="bd">
<div class="content" style="height:auto;">
<strong>內容介紹:</strong><br>
??<br>
<br>
<strong>▋</strong><strong>人工智慧正以驚人的速度演進,</strong><br>
<strong>而大型語言模型已成為這場革命的核心關鍵</strong><strong>▋</strong><br>
<br>
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<strong>真正能落地的端到端</strong>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。<br>
<br>
在學習過程中,你將掌握<strong>資料流程設計、</strong><strong>RAG</strong><strong>、監督式微調、偏好對齊、即時資料處理、推論最佳化</strong>等關鍵技術,並能將 <strong>CI/CD</strong><strong>、監控、版本管理</strong> 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。<br>
<br>
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。<br>
<strong>無論你是</strong><strong> AI </strong><strong>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</strong><strong> LLM </strong><strong>工程師的境界。</strong><br>
<br>
???<br>
<br>
<strong>◤</strong><strong>全球好評指標</strong><strong>◢</strong><br>
★ Amazon 4.6 顆星好評,榮登人工智慧相關類別 <strong>#1 </strong><strong>暢銷榜</strong><br>
★ 作者在 Github 儲存庫上提供的本書學習資源,累計已獲 4,400+ stars 關注<br>
<br>
<strong>◤</strong><strong>技術領袖一致推薦</strong><strong>!</strong><strong>◢</strong><br>
<br>
★ 「本書讓更多人能夠進一步調整、微調、量化模型,並使其足夠高效以應用於真實世界。」 ─ <strong>Julien Chaumond</strong><strong>|</strong><strong>Hugging Face </strong><strong>共同創辦人暨技術長</strong><br>
<br>
★ 「以具體範例與明確指導,說明如何最佳化推論流程與有效部署 LLM,使其成為研究人員與實務工程師皆能受益的重要參考書。」 ─ <strong>Antonio Gulli</strong><strong>|</strong><strong>Google </strong><strong>技術長辦公室資深總監暨傑出工程師</strong><br>
<br>
★ 「在 AI 以前所未有的速度重塑各行各業的當下,《LLM 工程師開發手冊》是帶領讀者掌握大型語言模型複雜性的關鍵指南。」 ─ <strong>Hamza Tahir</strong><strong>|</strong><strong>ZenML </strong><strong>共同創辦人暨技術長</strong><br>
<br>
★ 「提供一套精良的框架,協助讀者掌握 LLM 工程,並成功銜接機器學習研究、AI 工程與 LLMOps 之間的落差。」 ─ <strong>Gideon Mendels</strong><strong>|</strong><strong>CometML </strong><strong>共同創辦人暨執行長</strong><br>
<br>
★ 「這本書全面涵蓋了從 LLM 設計、部署到優化的實務指南...。若你對 LLM 充滿熱情,這絕對是一本必讀之作。」 ─ <strong>Akshit Bhalla</strong><strong>|</strong><strong>Tesla </strong><strong>資料科學家</strong><br>
<br>
★ 「這是目前少數兼具深度與實務性的 LLMOps 著作之一...。讀完之後,我迫不及待想用自己的工具實作一個 LLM Twin!」 ─ <strong>Maria Vechtomova</strong><strong>|</strong><strong>Databricks MVP</strong><br>
<strong>本書特色:</strong><br>
??<br>
<br>
<strong>▋</strong><strong>從架構、資料、訓練到部署,</strong><br>
<strong>打造能真正落地的</strong><strong> LLM </strong><strong>系統</strong><strong>▋</strong><br>
<br>
<br>
???<br>
<br>
<strong>◤從零打造 LLM 系統的實戰流程◢</strong><br>
● 每一章都有<strong>循序圖解、完整程式碼範例</strong>,不怕學不會<br>
● 提供完整<strong>LLM 端到端工作流程教學</strong>:資料流程 → 特徵流程 → 訓練流程 → 推論流程 → 部署流程<br>
● 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<br>
<br>
<strong>◤你將掌握的關鍵能力◢</strong><br>
? <strong>從真實資料開始打造 LLM 的第一步!</strong><br>
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。<br>
? <strong>用 FTI 架構建立你的 AI 系統思維!</strong><br>
建立 Feature�Training�Inference 全流程思維,看懂 LLM 系統的真實樣貌。<br>
? <strong>RAG </strong><strong>深度解析:打造不會亂講話的 LLM!</strong><br>
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。<br>
? <strong>把模型調到最好:微調 + 偏好對齊一次學會!</strong><br>
從 SFT 到 LoRA/QLoRA,再到 DPO,讓模型真正「理解人類的思考行為」。<br>
? <strong>推論加速全攻略,速度與成本 win-win!</strong><br>
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。<br>
? <strong>無痛掌握最全面的 AI 工具鏈!</strong><br>
涵蓋 Hugging Face、ZenML、CometML、Opik、MongoDB、Qdrant 等主流技術。<br>
? <strong>真正生產級的 MLOps�LLMOps 能力剖析與實踐!</strong><br>
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。
</div><div class="type02_gradient" style="display:none;"></div>
</div></div><div class="mod_b type02_m057 clearfix">
<a name="AuthorP00a400020009"> </a>
目
錄
<div class="bd">
<div class="content more_off" id="M201105_0_getProdTextInfo_P00a400020009_h2">
<strong>目錄:</strong><br>
??<strong>▌</strong><strong>第 1 章 掌握 LLM 分身的概念與架構</strong><br>
1.1 認識 LLM 分身<br>
1.2 規劃 LLM 分身的最簡可行產品<br>
1.3 依循特徵/訓練/推論架構建立 ML 系統<br>
1.4 設計 LLM 分身的系統架構<br>
1.5 FTI 設計與 LLM 分身架構的回顧與反思<br>
1.6 總結<br>
1.7 參考資料<br>
<br>
<strong>▌</strong><strong>第 2 章 工具介紹與安裝</strong><br>
2.1 Python 開發環境的建置與專案安裝<br>
2.2 MLOps 與 LLMOps 工具<br>
2.3 儲存非結構化與向量資料的資料庫<br>
2.4 準備使用 AWS<br>
2.5 總結<br>
2.6 參考資料<br>
<br>
<strong>▌</strong><strong>第 3 章 資料工程</strong><br>
3.1 設計 LLM Twin 資料搜集流程<br>
3.2 資料搜集流程實作:ETL 架構<br>
3.3 資料搜集流程實作:網路爬蟲<br>
3.4 資料搜集流程實作:NoSQL 文檔類別<br>
3.5 將原始資料搜集至資料倉儲中<br>
3.6 總結<br>
3.7 參考資料<br>
<br>
<strong>▌</strong><strong>第 4 章 RAG 特徵流程</strong><br>
4.1 認識 RAG<br>
4.2 進階 RAG 概觀<br>
4.3 探索 LLM Twin 的 RAG 特徵流程架構<br>
4.4 實作 LLM Twin 的 RAG 特徵流程<br>
4.5 總結<br>
4.6 參考資料<br>
<br>
<strong>▌</strong><strong>第 5 章 監督式微調</strong><br>
5.1 建立指令資料集<br>
5.2 認識 SFT 技術<br>
5.3 實作微調程式<br>
5.4 總結<br>
5.5 參考資料<br>
<br>
<strong>▌</strong><strong>第 6 章 偏好對齊微調</strong><br>
6.1 認識偏好資料集<br>
6.2 建立偏好資料集<br>
6.3 偏好對齊<br>
6.4 實作 DPO<br>
6.5 總結<br>
6.6 參考資料<br>
<br>
<strong>▌</strong><strong>第 7 章 評估 LLM</strong><br>
7.1 何謂模型評估<br>
7.2 何謂 RAG 評估<br>
7.3 實作模型評估程式<br>
7.4 總結<br>
7.5 參考資料<br>
<br>
<strong>▌</strong><strong>第 8 章 推論優化</strong><br>
8.1 模型優化策略<br>
8.2 模型平行處理<br>
8.3 模型量化<br>
8.4 總結<br>
8.5 參考資料<br>
<br>
<strong>▌</strong><strong>第 9 章 RAG 推論流程</strong><br>
9.1 了解 LLM Twin 的 RAG 推論流程<br>
9.2 探索 LLM Twin 的進階 RAG 技術<br>
9.3 實作 LLM Twin 的 RAG 推論流程<br>
9.4 總結<br>
9.5 參考資料<br>
<br>
<strong>▌</strong><strong>第 10 章 部署推論流程</strong><br>
10.1 選擇部署形式的標準<br>
10.2 認識推論部署的形式<br>
10.3 比較單體式與微服務架構<br>
10.4 探索 LLM Twin 推論流程的部署策略<br>
10.5 部署 LLM Twin 服務<br>
10.6 以自動擴展應付使用高峰<br>
10.7 總結<br>
10.8 參考資料<br>
<br>
<strong>▌</strong><strong>第 11 章 MLOps 與 LLMOps</strong><br>
11.1 認識 LLMOps:從 DevOps 與 MLOps 的基礎開始<br>
11.2 將 LLM Twin 的 Pipeline 部署至雲端<br>
11.3 在 LLM Twin 專案中加入 LLMOps<br>
11.4 總結<br>
11.5 參考資料<br>
<br>
<strong>▌</strong><strong>附錄A MLOps 原則</strong><br>
A.1 自動化與系統化<br>
A.2 版本管理<br>
A.3 實驗追蹤<br>
A.4 測試<br>
A.5 監控<br>
A.6 可重現性
</div>
書
評
其 他 著 作