资源介绍
电子书格式: epub + pdf
《智能工程：基于基础模型构建应用》是一本聚焦于生成式人工智能系统搭建的专业指南，由资深人工智能领域专家撰写，为企业级 AI 规模化落地提供了全面且结构化的思路。该书立足于基础模型技术的发展浪潮，剖析了智能工程这一新兴工程学科的核心内涵，阐述了其如何将人工智能从专业的小众领域转化为大众可应用的开发工具，即便是无 AI 相关经验的开发者，也能借助书中框架开展 AI 应用构建工作。
在内容架构上，本书首先厘清了智能工程与传统机器学习工程、全栈工程的本质区别，追溯了从语言模型到大型语言模型，再到基础模型的技术演进脉络，梳理了基础模型在编码、图像视频生成、写作教育、对话机器人、信息聚合、数据组织及工作流自动化等多领域的应用场景。同时，书中强调了 AI 应用规划的重要性，涵盖用例评估、预期设定、里程碑规划与产品维护等关键环节，为开发者搭建起 AI 工程的整体认知框架。
针对基础模型的核心技术，本书深入解析了其训练数据的选取与处理逻辑，包括多语言模型、领域特定模型的构建要点，以及模型架构、规模设计的底层逻辑。在模型训练后优化阶段，详细探讨了监督微调、偏好微调等技术手段，以及采样策略、测试时计算等影响模型输出的关键环节，揭示了 AI 模型概率性本质带来的输出不一致、幻觉等问题的成因。
评估体系是 AI 工程落地的核心难点，本书用两章篇幅专门讲解评估方法论。不仅分析了基础模型评估的挑战，如开放式输出难以用固定标准答案衡量、模型黑盒特性增加评估难度等，还介绍了交叉熵、困惑度等语言模型核心评估指标，以及精确评估、基于参考数据的相似度测量、AI 作为评估者等多种评估方法，同时探讨了对比评估的应用与局限，为开发者构建系统化的评估流程提供了依据。
在应用开发实践层面，本书依次讲解了提示工程、检索增强生成（RAG）与智能体、微调技术、数据集工程、推理优化等关键技术。其中，提示工程部分涵盖上下文学习、系统提示与用户提示设计、防御性提示工程等内容，重点强调了防范提示注入、越狱攻击等安全风险的防护策略，助力开发者提升应用的安全防御能力；微调技术章节分析了微调的适用场景、内存瓶颈及参数高效微调方法；推理优化部分则聚焦于降低模型推理的延迟与成本，从模型优化和推理服务优化两方面给出具体方案。
此外，本书还阐述了 AI 工程架构的搭建流程，包括上下文增强、添加防护措施、模型路由与网关设计、缓存降低延迟、融入智能体模式等步骤，同时探讨了用户反馈体系的设计与应用，以及如何通过反馈持续优化 AI 应用。书中内容结合了大量实际案例与专家评审意见，既保留了机器学习工程的核心原则，又针对基础模型的特性提出了创新解决方案，是 AI 工程师、机器学习工程师、数据科学家及技术产品经理等人群构建稳健、可扩展 AI 系统的重要参考资料。
本书的核心价值在于跳出了工具和短期技术趋势的局限，聚焦于智能工程的底层知识体系，为不同背景的从业者提供了端到端的 AI 应用开发框架，无论是从零开始构建 AI 应用，还是将原型应用推向生产环境，都能从中获取系统化的思路与实操方法。AI Engineering