目录
前言
第一部分：建立认知
第 1 章 基础认知
- 1.1 大模型全景图谱
- 1.2 大模型应用形态演进：从 Chatbot 到 Agent
- 1.3 Agent 核心概念：从概念到实现
- 1.4 典型 Agent 应用场景
- 1.5 学习路线图
第 2 章 LLM 基础
- 2.1 Token 与分词：模型如何"阅读"文字
- 2.2 Transformer 架构核心：Self-Attention 图解
- 2.3 大模型训练流程：从 Pre-training 到 RLHF
- 2.4 推理与采样策略：模型如何"思考"
- 2.5 上下文窗口与长文本处理
- 2.6 多模态模型基础
第 3 章 提示工程
- 3.1 Prompt 基础技巧：与模型对话的艺术
- 3.2 高级 Prompt 策略：CoT、Few-shot、ReAct
- 3.3 System Prompt 设计：构建角色与约束
- 3.4 Prompt 模板与变量化
- 3.5 自动 Prompt 优化：从手工到自动化
- 3.6 多模态 Prompt
第二部分：深入原理
第 4 章 模型微调与对齐
- 4.1 微调基础概念：为什么需要微调
- 4.2 SFT 监督微调：教模型学会新任务
- 4.3 参数高效微调 PEFT：LoRA 与 QLoRA
- 4.4 RLHF 人类反馈强化学习
- 4.5 DPO 直接偏好优化
- 4.6 偏好对齐前沿
第 5 章 Agent 架构设计
- 5.1 Agent 核心架构：LLM + Planning + Memory + Tools
- 5.2 规划 Planning：任务分解与路径规划
- 5.3 记忆系统 Memory：短期记忆与长期记忆
- 5.4 执行 Execution：从决策到行动
- 5.5 反思闭环 Reflection：从错误中学习
- 5.6 Agent 设计模式总结
第 6 章 RAG 检索增强生成
- 6.1 RAG 基础概念：给模型装上知识库
- 6.2 Embedding 模型：将文字变成向量
- 6.3 文档分块 Chunking：切分策略与最佳实践
- 6.4 向量数据库与索引
- 6.5 检索策略：从稀疏到混合
- 6.6 Rerank 重排序：精排提升准确性
- 6.7 高级 RAG 技术：多跳检索与自反思
第三部分：工程实践
第 7 章 工具调用
- 7.1 Function Calling 基础
- 7.2 工具定义与注册
- 7.3 MCP 协议详解
- 7.4 工具选择与编排
- 7.5 权限与安全
- 7.6 结果解析与反馈
第 8 章 Agent 框架
- 8.1 主流 Agent 框架概览
- 8.2 框架核心能力对比
- 8.3 工程结构设计
- 8.4 框架选型决策
- 8.5 自研 Agent 框架
第 9 章 系统设计
- 9.1 Agent 系统架构
- 9.2 高并发处理
- 9.3 缓存策略
- 9.4 降级与容错
- 9.5 成本控制
- 9.6 流式输出 Streaming
第四部分：进阶实战
第 10 章 评估与优化
- 10.1 Agent 评估指标
- 10.2 Benchmark 与测试集
- 10.3 LLM-as-Judge
- 10.4 评估自动化
- 10.5 反馈闭环
- 10.6 可观测性
第 11 章 安全与风险
- 11.1 Prompt 注入攻击
- 11.2 越狱 Jailbreak
- 11.3 数据安全
- 11.4 工具调用安全
- 11.5 内容安全
- 11.6 合规与治理
第 12 章 场景题
- 12.1 智能客服 Agent
- 12.2 代码生成 Agent
- 12.3 数据分析 Agent
- 12.4 多 Agent 协作系统
- 12.5 稳定性与可靠性
- 12.6 面试场景题精选
第 13 章 前沿与实战
- 13.1 Agent 前沿趋势
- 13.2 Agent 当前瓶颈
- 13.3 框架评价与选型总结
- 13.4 Python 异步编程实战
- 13.5 RAG Pipeline 代码实战
- 13.6 工具调用代码实战
- 13.7 完整项目实战：智能文档问答 Agent
附录
- 参考文献索引
- 术语表
全书约 50+ 学时，建议 6-8 周完成学习。