新書推薦：
《
世界名校升学规划：让你脱颖而出的9种学习力
》
售價：HK$
76.8
《
大学问·华北村治：权力、话语和制度变迁（1875—1936）
》
售價：HK$
97.9
《
芬尼根的守灵夜 全译注释本
》
售價：HK$
547.8
《
中国国家地理杂志（2024年1-12月整年十二期）
》
售價：HK$
486.0
《
长城砖系列：跛足帝国：中国传统交通文化研究
》
售價：HK$
85.8
《
跟着TED学科学：人工智能
》
售價：HK$
55.0
《
宝石之书
》
售價：HK$
173.8
《
汉画像的象征世界
》
售價：HK$
94.6
|
| 編輯推薦： |
|
本书作为系列图书中专门讨论大模型提示词的一本书，系统地揭示了提示词技术的设计逻辑与实践方法，聚焦生成模型与推理模型的差异化能力与应用场景，为读者提供从理论到实战的全方位指导。
|
| 內容簡介： |
|
本书作为专门讨论大模型提示词的一本书，主要包含四部分内容：第1章介绍基于对话方式的大模型工具的原理和分类；第2章和第3章分别介绍生成模型和推理模型的提示词技巧和差异；第4章介绍提示词在5个行业的应用案例，并讨论读者应该如何运用AI思维有效使用AI技术和工具；第5章展望AI生成与推理能力的深层次融合以及AI可能带来的革命性变革。
|
| 關於作者： |
|
北大青鸟人工智能研究院院长，向量智能创始人兼CEO，课工场创始人兼CEO，北京大学AI肖睿团队负责人研究方向是机器学习与大模型技术。著有《人工智能通识课》、《机器学习实战》、《Keras神经网络与深度学习》等69本高校教材。其中三本教材连续入选“十三五”、“十四五”国家规划教材书目。
|
| 目錄：
|
|
目 录前言第1章 对话系统的演进11.1 从规则系统到神经网络21.2 传统对话系统与现代AI对话系统的对比31.2.1 传统对话系统：规则与统计的时代41.2.2 现代AI对话系统：深度学习的崛起71.2.3 现代AI对话系统的优势与挑战91.2.4 现代AI对对话系统设计的影响111.3 生成式人工智能与推理式人工智能131.3.1 生成式人工智能131.3.2 推理式人工智能141.4 DeepSeek：人工智能对话领域的新生力量161.4.1 DeepSeek的核心技术与创新171.4.2 性能对比与行业影响181.4.3 市场竞争与未来展望19本章总结19第2章 生成式对话的原理与技巧202.1 生成式对话的原理202.2 生成模型的优势与局限242.2.1 生成模型的核心优势242.2.2 生成模型的技术局限252.2.3 可控生成的技术演进262.2.4 应用场景的适应性边界262.3 生成模型的提示词策略272.3.1 传统提示词工程的核心原则272.3.2 OpenAI给出的写好提示词的六大原则272.3.3 结构化提示词422.3.4 多步骤指令与任务分解方法452.3.5 温度与采样参数对输出的影响472.3.6 DeepSeek-V3版提示词技巧472.4 生成任务的最佳实践512.4.1 内容创作：如何生成高质量内容512.4.2 全能客服：提高客户满意度562.4.3 虚拟IP：叙事驱动的文本冒险/角色扮演游戏592.4.4 生成任务常见问题解决方案62本章总结63第3章 推理式对话的原理与技巧653.1 推理模型对话的原理653.1.1 推理的本质：从已知到未知653.1.2 推理模型的核心机制663.1.3 知识表示与推理：模型智能的基石793.2 推理模型的优势与局限813.2.1 解决复杂问题与进行多步推理的能力813.2.2 推理过程的透明度与可解释性813.2.3 专业领域知识应用与局限823.2.4 推理深度与计算效率的权衡823.3 提升推理模型性能的提示词策略823.3.1 提示词工程在驾驭人工智能推理能力中的关键作用833.3.2 构建推理模型提示词的基本原则833.3.3 简洁直接提问的重要性863.3.4 避免冗余指令的具体方法873.3.5 结构化输出的引导技巧883.3.6 运用高级提示词工程策略以提升推理模型的性能893.4 推理任务的最佳实践1033.4.1 数学问题求解与推理过程1033.4.2 法律文本分析与逻辑推导1053.4.3 科学研究与假设验证方法1073.4.4 多步骤决策与复杂规划案例1093.4.5 问答系统：提供准确的答案1123.4.6 决策支持系统：辅助决策1133.4.7 智能搜索：提高搜索效率115本章总结117第4章 行业应用案例研究1184.1 AI全面赋能新媒体1184.1.1 市场洞察与账号定位1184.1.2 生成智能内容与运营1254.1.3 AI助力智能运营1384.2 教育领域的应用与优化1504.2.1 智能教学准备：精准规划与设计1504.2.2 个性化学习与辅导：因材施教的AI伙伴1534.2.3 高效资源生成：丰富教学素材库1534.2.4 智能评估与反馈：促进深度学习1544.2.5 学术研究支持：赋能高等教育与科研1564.2.6 优化策略与伦理考量1604.3 软件开发与自动化测试1604.3.1 AI赋能软件工程新可能1614.3.2 提示词在软件开发关键环节的应用1614.3.3 提示词在自动化测试提速中的应用1694.3.4 实践要点与提示词优化思路1724.4 金融分析与决策支持系统1744.4.1 智能研报生成与解读1754.4.2 风险评估与管理1774.4.3 智能投资顾问1784.4.4 交易策略开发与回测1824.5 医疗健康领域的应用挑战1844.5.1 医疗行业的需求背景和潜在机会1844.5.2 医疗健康领域的提示词应用1844.5.3 典型应用场景1884.5.4 医疗健康领域的应用挑战191本章总结193第5章 未来展望1945.1 生成与推理的互补与共生1955.2 多模态能力的深度融合1975.3 AI思维的进化：从工具到伙伴，再到自主智能体1985.4 技术发展趋势预测：未来的星辰大海2005.5 结语：拥抱变革，与智能共舞205参考文献207
|
| 內容試閱：
|
|
前 言工具和火的使用让人类成为高级生物，语言和文字为人类形成社会组织和社会文化提供了支撑。之后，人类历经农业革命、工业革命、能源革命、信息革命，终于走到今天的“智能革命”。薛定谔认为熵减是生命的本质，而第二热力学定律认为熵增是时间的本质。宇宙中生命的意义之一就是和时间对抗，而对抗的工具就是智能，智能的基础就是信息和信息熵。智能可以分为生物智能、工具自动化、人工智能等。其中人工智能（Artificial Intelligence，AI）主要是指机器智能，从早年基于知识工程和符号系统的传统人工智能（AI 1.0）已经进化到当今基于数据和统计学习的现代人工智能（AI 2.0），包括机器学习、深度学习，以及以ChatGPT和DeepSeek为代表的大模型技术（大模型也是本书讨论的主要内容）。现代人工智能的本质是数据智能，基于数据模型来提供分析能力和预测能力，主要适用于三种问题场景，或者说基于三个假设才能发挥作用：一是研究对象在问题领域的描述数据或观测数据要足够丰富和完备；二是研究对象在时间变化中存在内在规律；三是过去的数据和未来的数据是同构的，可以以古鉴今。根据以上对人工智能的理解，我们能够清晰地判断当前人工智能能做什么、不能做什么，既不忽视其技术潜力，也不盲目将其神化。很多人会把人工智能技术归属为计算机技术，但我认为计算机技术仅仅是人工智能的工具，而人工智能技术的核心在于问题抽象和数据建模。若将人工智能技术比作天文学，那么计算机技术则可比作望远镜，两者之间关系紧密，却又不尽相同。至于其他计算机应用技术，例如手机应用、网络游戏、计算机动画等技术，则可以类比为望远镜在军事、航海等领域的应用。如果将传统的计算机应用技术称为软件1.0，现代人工智能技术则可以称为软件2.0。软件1.0的核心是代码，解决的是确定性问题，对于问题解决方案的机制和原理是可以解释的、可以重复的；软件2.0的核心是数据，解决的是非确定性问题，对于问题解决方案的机制和原理缺乏可解释性和可重复性。用通俗的话来讲，软件1.0要求人们首先给出问题解决方案，然后用代码的方式告诉计算机如何去按照方案和步骤解决问题；软件2.0则只给出该问题的相关数据，然后让计算机自己学习这些数据，最后找出问题的解决方案，这个方案可以解决问题，但可能和人类自己的解决方案不同，人类可能也看不懂软件2.0的解决方案的原理，即“知其然不知其所以然”。但软件2.0非常适合解决复杂问题和混沌问题，例如计算机视觉、语音处理、机器翻译、艺术创作、数据洞察等。这类问题依赖于直觉和经验，人类可能也说不清是怎么解决的，所以无法给出明确的解决方案和解决步骤，从而无法采用软件1.0的方式让计算机解决这些问题。至于简单问题和繁杂问题，因为规则明确，更适合采用自动化工具（如软件1.0）来解决。如今，基于数据智能的人工智能技术已然迈入大模型时代。随着ChatGPT的横空出世和DeepSeek的快速出圈，人工智能正逐渐演变为一种通用技术，这种无形却广泛应用的技术，其影响力堪比30年前计算机对各行业的深远变革，亦如15年前互联网对各行业的深刻渗透。人工智能技术在产业中有五个重要的工作环节：一是算法和模型研究，二是问题抽象和场景分析，三是数据采集和处理，四是模型训练、推理和算力支持，五是应用场景的软硬件工程。（1）算法和模型研究。数据智能的本质是从过去的数据中发现固定的模式和规律，假设数据是独立同分布的，其核心工作就是用一个数学函数来模拟现实世界中的事物。而如何选择合适的模型框架，并计算出模型参数，让模型代表的数学函数尽可能稳定地逼近现实世界，就是算法和模型研究的核心。在实践中，机器学习一般采用数学公式来表示函数，深度学习则通过深度神经网络来表示函数，虽然在可解释性上会趋向于黑盒，但在对数学函数的表达能力上往往优于机器学习。当前主流的大模型技术，主要依托于Transformer和Diffusion这两大深度学习框架，其显著特征在于参数量庞大、算力需求极高以及数据消耗巨大。从数学和理论复杂度上，大模型技术低于深度学习，深度学习技术低于机器学习；从工程复杂度上，大模型技术高于深度学习，深度学习技术高于机器学习。（2）问题抽象和场景分析。在人工智能的视角下，世界是数字化的、模型化的。如何把现实世界中的问题找出来，并将其转化为抽象的数学问题，是模型训练和算法研究的第一步，也是人工智能技术应用的基础环节，往往还是最关键的步骤，这一过程需要深度结合业务理解和场景分析方能实现。（3）数据采集和处理。在大模型技术中，数据种类繁多，数据数量十分庞大。如何以低成本获取海量的数据样本并进行标注，往往是决定一种算法能否成功、一种模型能否顺利训练、一个应用能否满足落地要求的关键因素。因此，针对海量数据，如何高效地进行采集、清洗、存储、交易、融合及分析，变得至关重要，而这些环节往往伴随着巨大的资金投入。这有时成为人工智能研究和应用机构之间的竞争壁垒，甚至催生了专门进行数据采集、处理、标注的数据工程服务行业。（4）模型训练、推理和算力支持。在大模型技术中，深度神经网络的参数量高达数十亿，其训练、测试和验证所依赖的数据集亦是以十亿token计算的海量规模，参数迭代计算主要采用梯度优化的数值计算方法和反向传播策略，且尚未涵盖模型训练过程中可能遭遇的系统中断和模型不收敛问题。因此，整个预训练、后训练和推理过程对算力的性能和稳定性均提出了极高的要求。当前，专为神经网络训练而设计的计算机模型尚未成熟，工程实践中普遍采用的是传统的冯·诺依曼架构计算机。这需要在计算机体系结构设计（包括并行计算与局部组件优化）、专用计算芯片及集群（包括GPU、TPU等）以及计算成本规划（包括计算机、通信、存储和云平台等）方面进行持续优化与强化。这一过程涉及解决大规模算力支持和复杂的工程挑战。（5）应用场景的软硬件工程。数据模型在具体场景中如何应用，涉及大量的软件工程、硬件工程、产品设计和提示词优化等工作。在这个工作环节中，工程设计人员主要负责把已经训练好的数据模型应用到具体的产品和服务中，重点考虑大模型的推理成本和响应效率、软硬件的设计和制造的成本与质量，以及用户体验等。这类工作的重点在于对大模型进行微调或数据增强，随后通过软件工程、硬件工程、产品设计和提示词优化工作来完成具体的智能产品或提供专业的智能服务。本系列图书的主题是以DeepSeek为代表的大模型技术的认知、原理和应用，既不包含传统的符号系统和知识工程，也不包含机器学习和传统深度学习的详细内容。传统的符号系统和知识工程属于传统人工智能（AI 1.0）的范畴，对于理解和掌握以数据智能为核心的现代人工智能（AI 2.0）几乎毫无帮助。而现代人工智能中的机器学习和深度学习的知识和理论内容，主要是数据建模的逻辑和流程，以及神经网络的反向传播策略和梯度下降算法，对于理解大模型技术的原理、工程和应用非常关键，其他的具体模型（例如随机森林、SVM、CNN、RNN等）没有必要花费时间和精力去系统全面地学习和掌握。我们试图利用前言让第一次接触人工智能大模型技术的读者能够理解基本的数据智能、机器学习、深度学习概念，从而快速进入以DeepSeek为代表的大模型技术和应用领域。为了便于读者系统全面地掌握大模型和DeepSeek技术和应用，我们规划了“大模型技术与应用丛书”系列图书。本系列图书采用三层知识结构，每一层都包含数本著作。第一层是人工智能通识和导论，对人工智能的本质原理、技术体系、行业应用、未来发展做一个整体的介绍和讨论。第二层是大模型和DeepSeek原理、生成模型和推理模型的提示词工程、大模型应用开发和部署、大模型训练和微调、大模型智能体（包括Agent和Agentic AI）、数据工程等技术内容的讲解。第三层是大模型和DeepSeek在各行业的应用框架和案例，包括教育、金融、医疗、商业、安防、软件开发、新媒体、影视娱乐、政企办公管理等行业。距离ChatGPT发布已经有两年，大模型的语言能力和知识储备已经超过了人类平均水平，随着今年年初DeepSeek的快速出圈和广泛应用，大模型的思考和推理能力也在逐渐达到甚至超越人类平均水平。对于广大的AI应用者来说，AI思维和提示词方法已经成为使用AI工具的有效手段。从本质上来说，提示词方法是一种大模型学习方法，也是一种大模型能力控制和激发方法，是普通读者与大模型沟通的主要方法。随着大模型的智能化程度不断提升，人们所使用的提示词已从难以理解的咒语式字符串，逐步演变为以人类自然语言为核心的表达方式。如今，人类需要像对待同事、专家以及合作伙伴一样对待大模型，与之协同工作，共同生活。随着DeepSeek-R1的发布，大模型技术全面进入推理模型阶段，大模型具备了长链推理和深度思考的能力。在Agent和Agentic AI的场景中，提示词越来越复杂，越来越代码化和程序化。但是在与人类直接进行对话交互的场景中，提示词技巧（尤其是结构公式和提示词模板）日益简洁和直接，从原来的面向模型逐渐变成面向人类，其主要作用已经从帮助大模型理解人类的任务背景信息和命令意图，转变为帮助人类自身梳理思维逻辑、明晰问题思路、提高语言组织和表达水平。本书作为专门讨论大模型提示词的一本书，主要包含四部分内容：第1章介绍基于对话方式的大模型工具的原理和分类；第2章和第3章分别介绍生成模型和推理模型的提示词技巧和差异；第4章介绍提示词在5个行业的应用案例，并讨论读者应该如何运用AI思维有效使用AI技术和工具；第5章展望AI生成与推理能力的深层次融合以及AI可能带来的革命性变革。随着AI应用的不断发展，Agent技术的应用日益普及。近期，“提示词工程”（Prompt Engineering）正在向“上下文工程”（Context Engineering）延伸。上下文工程研究的是如何为AI设计和构建动态上下文，致力于在恰当的时机、以恰当的格式，为大语言模型提供恰当的信息和工具，确保模型具备完成任务所需的一切条件。我们可以用一个比喻来理解提示词工程与上下文工程的关系：如果说提示词就像一套小学一年级教材，那么上下文则是小学一年级教室里的所有东西—不仅包括教材，还涵盖黑板、桌椅、学习用品、环境氛围等一切影响学习效果的因素。从视角上看，提示词是从用户角度看问题，关注如何清晰地表达需求和指令；而上下文则是从模型角度看问题，关注模型在生成回答前所能获取和处理的全部信息，即关注模型在决策前需要获得哪些信息才能达到最佳表现。与传统的提示词工程不同，上下文工程不仅仅关注发送给模型的单一提示词文本，而是关注模型在生成回答前所接触到的一切信息，包括系统提示词、用户输入、对话历史以及工具返回信息等，从而为AI构建一个高效的“工作环境”。上下文工程强调动态性和系统性：它是一个动态系统的交互，能够根据当前任务即时生成量身定制的上下文，而非静态的提示词模板。在AI Agent背景下，单纯的提示词工程已经无法满足复杂应用的需求，上下文工程正在成为构建高效智能体的关键思路。人工智能作为新时代最具潜力和生命力的技术之一，得到了国家和社会的广泛支持与重点发展。这一领域人才储备相对匮乏，但需求旺盛，职业发展空间广阔，就业前景乐观。这一轮以ChatGPT和DeepSeek为代表的大模型浪潮，并非一场简单的竞赛，而是一场残酷的淘汰赛。掌握大模型技术的个人、企业和国家将占得先机。能与此次人工智能技术崛起相提并论的，或许仅有30年前计算机行业的腾飞，以及15年前互联网行业的崛起。最后，真心祝愿各位读者能够在本系列图书的帮助下，抓住技术升级的机遇，顺利踏入人工智能技术领域，更好地应用人工智能工具和技术，抓住人工智能时代红利，成为人生赢家。北大青鸟人工智能研究院院长 肖睿2025年3月于北大燕北园
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
