自ChatGPT上市滿週年以來，其熱潮未見減弱，OpenAI官方更積極拓展其應用範圍，推出了Plugins與GPTs等服務，進一步豐富ChatGPT的使用場景。這些創新的大型語言模型（LLM）應用，正在逐步轉變我們的軟體操作方式，將自然語言作為輸入介面，以生成的內容作為輸出回應。舉例來說，僅需輸入「明天10點安排業務會議，並通知相關人員」，LLM應用即可自動完成會議的建立與相關通知。這種方式，無疑是人類溝通中最為自然的模式。面對如此劃時代的變革，我們迫切需要適當的開發指導與策略。
本書旨在提供此類指南，專門解析目前市場上兩大主流的LLM應用開發框架—LangChain與Semantic Kernel。無論您是Python或.NET的開發人員，都能從本書中獲得寶貴的知識與技能。除此之外，本書還特別介紹了當前最受企業青睞的知識庫應用架構—RAG實作，以及提示工程的視覺化工具，每個主題都配有專章詳細介紹與實作教學，旨在為讀者提供全面而深入的學習體驗。
本書特色
1.首本涵蓋LangChain與Semantic Kernel框架教學指南
在人工智慧領域，ChatGPT已成為不可忽視的焦點。雖然市場上有許多書籍從探討Prompt提示的調用出發，但真正深入探討如何整合外部系統或進行複雜Prompt提示的資料卻寥寥無幾。本書將填補這一空白，專注於兩大主流開發框架：LangChain與Semantic Kernel，為讀者提供深入指南。
2.內容涵蓋向量資料庫、RAG
RAG是目前企業打造知識庫LLM應用的首選架構，其技術層面涵蓋向量、詞嵌入、提示工程，本書一一拆解為讀者提供詳細的RAG設計過程與實作。
3.提示流程視覺化工具
提示流程視覺化工具是一種開發工具，目的在簡化由大型語言模型（LLM）提供之 AI 應用程式的整個開發週期。可簡化原型設計、實驗、反覆運算和部署 AI 應用程式的程式。本書手把手教學，甚至可以實現零程式碼建造LLM應用。適合非專業開發者使用。
4.本書適合的「讀者族群」
a.想瞭解如何使用LangChain與Semantic Kernel的開發者
b.想瞭解向量資料庫與RAG架構的開發者
c.想瞭解Prompt提示工程視覺化設計的使用者
d.想瞭解在企業面如何整合ChatGPT導入應用的技術主管
專業推薦
本書作者以獨到的見解和深厚的專業知識，對於 Azure OpenAI 進行了全面的剖析。從基礎的操作介面到複雜的技術實作，每一個細節都被詳盡而清晰地闡述。這不僅使得書籍成為了新手學習的良師，也為經驗豐富的開發者提供了深入挖掘的可能。——Will 保哥│多奇數位創意 技術總監/Google Developer Expert/Microsoft MVP
本書無疑是ChatGPT應用程式開發領域的傑作，是一本每位開發者都不應錯過的寶貴參考資料。它不僅覆蓋了最新的技術動態和趨勢，還提供了豐富的實戰經驗和建議，讓學習者在探索ChatGPT應用開發的旅程中，既感受到樂趣也能感受到挑戰的吸引力。——郭曉穎│微軟Azure AI首席產品經理主管
本書綜合 LangChain 與 Semantic Kernel 兩大框架的教學書，內容涵蓋 Azure OpenAI 服務、Hugging Face 平台、向量資料庫、提示流、RAG 等 LLM 整合重要議題，相信本書能為有心學習 LLM 整合應用的朋友提供指引，節省可觀的摸索時間。——黑暗執行緒
這本書，有技術、有實務，而且有為數不少的實作範例，由三位身為微軟MVP、在AI領域首屈一指的專家們共同著作，相信對需要深入了解生成式AI應用與相關技術的你，是絕佳的選擇。——董大偉│Microsoft Regional Director / Microsoft MVP / 光岩資訊資深技術顧問
CHAPTER 1 Azure OpenAI 動手玩
1.1 Azure OpenAI 服務申請
1-2 Azure OpenAI 服務啟用與模型部署
1.3 Azure OpenAI Studio 使用
1.4 聊天遊樂場 & 完成遊樂場 – 來玩吧！
1.5 Azure OpenAI DALL-E 圖像生成遊樂場
1.6 Azure OpenAI Whisper 語音轉換文字遊樂場
1.7 Azure OpenAI Assistant 助理遊樂場
CHAPTER 2 虛擬環境、HuggingFace，與向量資料庫
2.1 Python 的虛擬環境
2.2 Hugging Face
2.3 Embeddings
2.4 向量資料庫演算法的概念
2.5 使用PostgreSQL 儲存向量資料
2.6 使用Pinecone 儲存向量資料
2.7 使用Qdrant 儲存向量資料
CHAPTER 3 提示流 Prompt flow – LLM 界最潮整合利器
3.1 Azure Machine Learning Studio 工作區申請
3.2 Azure Machine Learning Studio 服務介紹
3.3 Prompt flow 介紹與前置作業
3.4 提示流實作 - 網站分類（爬蟲＋LLM）
3.5 提示流實作 - 特定資料查詢（向量資料庫查詢＋LLM）
3.6 提示流實作 - 英文故事生成機（在VS Code 中使用Prompt flow）
3.7 提示流實作 - 用天氣寫詩（在VS Code 中使用Prompt flow）
CHAPTER 4 LangChain 實戰
4.1 認識LangChain
4.2 LangChain Model I/O
4.3 LangChain Chains
4.4 LangChain Retrieval
4.5 LangChain Memory
4.6 LangChain Agent
CHAPTER 5 Semantic Kernel 實戰
5.1 淺談LLM 應用
5.2 認識Semantic Kernel 的核心組成
5.3 Semantic Kernel 入門
5.4 實作Plugins
5.5 Plugins 進階運用
5.6 運用DI 注入使用Semantic Kernel
5.7 Semantic Kernel Planner 規劃器
5.8 Semantic Kernel 與Hugging Face 連接
5.9 Semantic Kernel 實作RAG 設計
CHAPTER 6 番外知識與OpenAI GPTs 篇
6.1 關於提示工程Prompt 的技巧
6.2 什麼是檢索增強生成RAG
6.3 OpenAI GPTs
6.4 本書結語
CHAPTER 1 Azure OpenAI 動手玩
1.1 Azure OpenAI 服務申請
1-2 Azure OpenAI 服務啟用與模型部署
1.3 Azure OpenAI Studio 使用
1.4 聊天遊樂場 & 完成遊樂場 – 來玩吧！
1.5 Azure OpenAI DALL-E 圖像生成遊樂場
1.6 Azure OpenAI Whisper 語音轉換文字遊樂場
1.7 Azure OpenAI Assistant 助理遊樂場
CHAPTER 2 虛擬環境、HuggingFace，與向量資料庫
2.1 Python 的虛擬環境
2.2 Hugging Face
2.3 Embeddings
2.4 向量資料庫演算法的概念
2.5 使用PostgreSQL 儲存向量資料
2.6 使用Pinecone 儲存向量資料
2.7 使用Qdrant 儲存向量資料
CHAPTER 3 提示流 Prompt flow – LLM 界最潮整合利器
3.1 Azure Machine Learning Studio 工作區申請
3.2 Azure Machine Learning Studio 服務介紹
3.3 Prompt flow 介紹與前置作業
3.4 提示流實作 - 網站分類（爬蟲＋LLM）
3.5 提示流實作 - 特定資料查詢（向量資料庫查詢＋LLM）
3.6 提示流實作 - 英文故事生成機（在VS Code 中使用Prompt flow）
3.7 提示流實作 - 用天氣寫詩（在VS Code 中使用Prompt flow）
CHAPTER 4 LangChain 實戰
4.1 認識LangChain
4.2 LangChain Model I/O
4.3 LangChain Chains
4.4 LangChain Retrieval
4.5 LangChain Memory
4.6 LangChain Agent
CHAPTER 5 Semantic Kernel 實戰
5.1 淺談LLM 應用
5.2 認識Semantic Kernel 的核心組成
5.3 Semantic Kernel 入門
5.4 實作Plugins
5.5 Plugins 進階運用
5.6 運用DI 注入使用Semantic Kernel
5.7 Semantic Kernel Planner 規劃器
5.8 Semantic Kernel 與Hugging Face 連接
5.9 Semantic Kernel 實作RAG 設計
CHAPTER 6 番外知識與OpenAI GPTs 篇
6.1 關於提示工程Prompt 的技巧
6.2 什麼是檢索增強生成RAG
6.3 OpenAI GPTs
6.4 本書結語
CHAPTER 1 Azure OpenAI 動手玩
1.1 Azure OpenAI 服務申請
1-2 Azure OpenAI 服務啟用與模型部署
1.3 Azure OpenAI Studio 使用
1.4 聊天遊樂場 & 完成遊樂場 – 來玩吧！
1.5 Azure OpenAI DALL-E 圖像生成遊樂場
1.6 Azure OpenAI Whisper 語音轉換文字遊樂場
1.7 Azure OpenAI Assistant 助理遊樂場
CHAPTER 2 虛擬環境、HuggingFace，與向量資料庫
2.1 Python 的虛擬環境
2.2 Hugging Face
2.3 Embeddings
2.4 向量資料庫演算法的概念
2.5 使用PostgreSQL 儲存向量資料
2.6 使用Pinecone 儲存向量資料
2.7 使用Qdrant 儲存向量資料
CHAPTER 3 提示流 Prompt flow – LLM 界最潮整合利器
3.1 Azure Machine Learning Studio 工作區申請
3.2 Azure Machine Learning Studio 服務介紹
3.3 Prompt flow 介紹與前置作業
3.4 提示流實作 - 網站分類（爬蟲＋LLM）
3.5 提示流實作 - 特定資料查詢（向量資料庫查詢＋LLM）
3.6 提示流實作 - 英文故事生成機（在VS Code 中使用Prompt flow）
3.7 提示流實作 - 用天氣寫詩（在VS Code 中使用Prompt flow）
CHAPTER 4 LangChain 實戰
4.1 認識LangChain
4.2 LangChain Model I/O
4.3 LangChain Chains
4.4 LangChain Retrieval
4.5 LangChain Memory
4.6 LangChain Agent
CHAPTER 5 Semantic Kernel 實戰
5.1 淺談LLM 應用
5.2 認識Semantic Kernel 的核心組成
5.3 Semantic Kernel 入門
5.4 實作Plugins
5.5 Plugins 進階運用
5.6 運用DI 注入使用Semantic Kernel
5.7 Semantic Kernel Planner 規劃器
5.8 Semantic Kernel 與Hugging Face 連接
5.9 Semantic Kernel 實作RAG 設計
CHAPTER 6 番外知識與OpenAI GPTs 篇
6.1 關於提示工程Prompt 的技巧
6.2 什麼是檢索增強生成RAG
6.3 OpenAI GPTs
6.4 本書結語
柯克（Ko Ko）
柯克（Ko Ko）連續當選多年微軟AI領域的最有價值專家（Microsoft AI MVP），曾任職於財星世界500強企業、美國矽谷科技新創、澳洲雪梨科技新創、美國上市公司等企業，擅長於AI技術與軟體開發。他也是大型技術年會的知名講者，包含了ModernWeb、.NET Conference、PyCon APAC、PyCon HK、DevDays Asia等等的國際大型年會，累計已超過萬名聽眾。他是技術社群Chatbot Developers Taiwan的核心成員，在社群裡也分享過許多自然語言處理和聊天機器人相關的實戰和心得。他熱愛向大眾分享他的經驗與所學，並且相信這樣分享的過程中能讓彼此都更進步。
陳葵懋（Ian Chen）
高雄師範大學資訊教育研究所碩士，目前任職於一等一科技股份有限公司，同時也是微軟AI領域的最有價值專家（Microsoft AI MVP），以及微軟國際認證講師（Microsoft MCT）。
專注於.NET、Azure雲端、AI、容器化服務與聊天機器人等技術，於Microsoft Tech days、Microsoft DevDays Asia、Modern Web Conference等大型技術研討會擔任講者，同時也是高雄技術社群K.NET的聯合創辦人，樂於分享經驗，始終相信軟體技術應發揮影響力創造更美好的生活。
Ryan Chung
Ryan Chung，行動開發學院創辦人，曾獲微軟人工智能大賽特別獎、Udacity AI產品經理微學位。目前為資服業上櫃公司AI顧問、美國Pluralsight認證講師、中央大學AI學程兼任講師、元智大學資工系兼任助理教授級專業技術人員。專長於Web/App應用開發、企業AI加值導入、微軟OpenAI與認知服務應用整合。2022年起，獲選為微軟MVP - AI人工智慧最有價值專家。
Details
Review
0 ratings
1 stars
0%
2 stars
0%
3 stars
0%
4 stars
0%
5 stars
0%
Write a review
Eligible to write reviews after purchasing products or add to Library
