舉報

會員
大模型驅(qū)動的研發(fā)效能實踐
顧黃亮 鄭清正 牛曉玲 車昕 著
更新時間:2025-06-05 13:52:59
開會員,本書免費讀 >
最新章節(jié):
封底
這是一本從實踐角度深入探討如何利用大語言模型提升軟件交付全生命周期效率與效能的實戰(zhàn)性著作。全面細致地講解了研發(fā)和運維人員需要掌握的大語言模型及其相關(guān)技術(shù)的原理,重點講解了如何借助大模型實現(xiàn)DevOps、SRE、平臺工程三大領(lǐng)域的智能化實踐,覆蓋開發(fā)、測試、運維、監(jiān)控、安全、項目管理等軟件開發(fā)全流程和全場景,通過豐富的實例展示了其在實際工作場景中的具體應(yīng)用。本書的獨特之處在于它不僅涵蓋了基礎(chǔ)理論知識,如Transformer模型的基本原理及GPT系列模型的發(fā)展歷程,更注重于實踐應(yīng)用,提供了從預(yù)訓練到微調(diào)的完整方法論。書中特別強調(diào)了大語言模型在降低IT人員認知負荷方面的作用,通過集成多種工具和技術(shù),幫助企業(yè)構(gòu)建更加高效、智能的軟件交付體系。此外,本書得到了來自企業(yè)級、學術(shù)界和研究機構(gòu)近20位專家的一致好評。
最新章節(jié)
書友吧品牌:機械工業(yè)出版社
上架時間:2025-06-05 13:32:05
出版社:機械工業(yè)出版社
本書數(shù)字版權(quán)由機械工業(yè)出版社提供,并由其授權(quán)上海閱文信息技術(shù)有限公司制作發(fā)行
- 封底 更新時間:2025-06-05 13:52:59
- 作者簡介
- 推薦閱讀
- 11.4.3 實驗過程
- 11.4.2 研究思路
- 11.4.1 研究背景
- 11.4 大語言模型的零樣本漏洞修復(fù)研究
- 11.3.3 對抗風險
- 11.3.2 應(yīng)用安全風險
- 11.3.1 原生風險
- 11.3 大語言模型在安全領(lǐng)域中的風險
- 11.2.12 合規(guī)性監(jiān)控
- 11.2.11 情報共享與協(xié)作
- 11.2.10 安全教育與訓練
- 11.2.9 數(shù)據(jù)泄露預(yù)防
- 11.2.8 預(yù)測性威脅建模
- 11.2.7 安全策略建議
- 11.2.6 入侵檢測系統(tǒng)
- 11.2.5 惡意軟件檢測
- 11.2.4 釣魚攻擊識別
- 11.2.3 自動化威脅狩獵
- 11.2.2 威脅識別與分類
- 11.2.1 異常檢測
- 11.2 大語言模型在安全領(lǐng)域中的應(yīng)用場景
- 11.1.2 大語言模型在安全領(lǐng)域中的挑戰(zhàn)
- 11.1.1 大語言模型在安全領(lǐng)域中的優(yōu)勢
- 11.1 大語言模型催生安全新范式
- 第11章 大語言模型在安全場景中的實踐
- 10.5.4 助力任務(wù)分配的高效合理
- 10.5.3 實現(xiàn)項目風險和進度的自動分析功能
- 10.5.2 提升內(nèi)部信息流轉(zhuǎn)效率
- 10.5.1 輔助理解客戶需求
- 10.5 大語言模型在項目管理中的實踐案例
- 10.4.2 大語言模型如何賦能工作流程及資源管理
- 10.4.1 工作流程及資源管理的挑戰(zhàn)
- 10.4 項目執(zhí)行階段的智能優(yōu)化
- 10.3.2 決策支持
- 10.3.1 風險管理
- 10.3 項目風險管理與決策支持
- 10.2.3 大語言模型提升溝通效率和整合資源的能力
- 10.2.2 大語言模型在溝通與協(xié)作場景中的作用
- 10.2.1 溝通與協(xié)作的重要性
- 10.2 溝通與協(xié)作
- 10.1.2 任務(wù)規(guī)劃
- 10.1.1 需求分析
- 10.1 項目需求分析與任務(wù)規(guī)劃
- 第10章 大語言模型在項目管理場景中的實踐
- 9.4.5 從需求到完整的項目級代碼生成場景
- 9.4.4 項目研發(fā)問答場景
- 9.4.3 事務(wù)自動處理在開發(fā)場景中的運用
- 9.4.2 Agent的技術(shù)實現(xiàn)
- 9.4.1 項目級代碼生成在企業(yè)中的痛點
- 9.4 基于Agent的項目級代碼生成方法
- 9.3.8 代碼生成與補全的痛點
- 9.3.7 基于語言模型進行代碼生成和補全
- 9.3.6 基于功能描述進行代碼生成和補全
- 9.3.5 基于代碼語料進行代碼生成和補全
- 9.3.4 基于輸入輸出樣例進行代碼生成和補全
- 9.3.3 基于可視化編排進行代碼生成和補全
- 9.3.2 常見的代碼生成和補全技術(shù)
- 9.3.1 代碼生成和補全技術(shù)的發(fā)展歷史
- 9.3 代碼生成和補全
- 9.2.5 文本到文本任務(wù)
- 9.2.4 代碼到模式任務(wù)
- 9.2.3 代碼到文本任務(wù)
- 9.2.2 代碼到代碼任務(wù)
- 9.2.1 文本到代碼任務(wù)
- 9.2 代碼的下游任務(wù)
- 9.1.2 常見的代碼大模型
- 9.1.1 代碼大模型的定義和特點
- 9.1 代碼大模型
- 第9章 大語言模型在編程場景中的實踐
- 8.5 基于靜態(tài)分析和RAG的漏洞自動化修復(fù)方案
- 8.4.8 大語言模型的維護與更新
- 8.4.7 大語言模型在測試場景中的性能評估
- 8.4.6 模型的可解釋性與透明性
- 8.4.5 大語言模型微調(diào)的必要性
- 8.4.4 基座模型的選擇
- 8.4.3 RAG與Agent的取舍
- 8.4.2 模型的幻覺問題
- 8.4.1 大語言模型的處理窗口瓶頸
- 8.4 大語言模型在測試場景下的落地難點
- 8.3.4 大模型在靜態(tài)測試領(lǐng)域的應(yīng)用嘗試
- 8.3.3 靜態(tài)測試技術(shù)的痛點
- 8.3.2 常見的靜態(tài)測試技術(shù)
- 8.3.1 靜態(tài)測試技術(shù)的基本概念
- 8.3 靜態(tài)測試技術(shù)的智能化演進
- 8.2.4 大模型在動態(tài)測試領(lǐng)域的應(yīng)用嘗試
- 8.2.3 動態(tài)測試技術(shù)的痛點
- 8.2.2 常見的動態(tài)測試技術(shù)
- 8.2.1 動態(tài)測試技術(shù)的基本概念
- 8.2 動態(tài)測試技術(shù)的智能化演進
- 8.1 測試的痛點
- 第8章 大語言模型在測試場景中的實踐
- 7.5.3 多智能體系統(tǒng)的應(yīng)用案例
- 7.5.2 多智能體系統(tǒng)
- 7.5.1 微服務(wù)架構(gòu)的挑戰(zhàn)
- 7.5 基于多智能體的微服務(wù)根因分析
- 7.4.3 評測結(jié)果
- 7.4.2 評測工具和方法
- 7.4.1 構(gòu)建評測數(shù)據(jù)集
- 7.4 大模型運維能力評測
- 7.3.3 智能運維工單的應(yīng)用案例
- 7.3.2 構(gòu)建智能運維工單的技術(shù)路徑
- 7.3.1 智能運維工單的作用
- 7.3 智能運維工單
- 7.2.3 運維知識庫的應(yīng)用案例
- 7.2.2 構(gòu)建運維知識庫的技術(shù)路徑
- 7.2.1 構(gòu)建運維知識庫的難點和優(yōu)勢
- 7.2 智能運維知識庫的構(gòu)建
- 7.1.4 如何解決日志運維的痛點
- 7.1.3 日志運維的痛點
- 7.1.2 日志運維的基本流程
- 7.1.1 日志的概念
- 7.1 日志運維智能化
- 第7章 大語言模型在運維場景中的實踐
- 6.3.7 變更評審設(shè)計
- 6.3.6 構(gòu)建可靠性設(shè)計
- 6.3.5 應(yīng)用韌性架構(gòu)設(shè)計
- 6.3.4 SRE團隊的存在形式
- 6.3.3 SRE團隊的使命
- 6.3.2 SRE的目標
- 6.3.1 SRE的由來
- 6.3 SRE
- 6.2.7 大語言模型下的平臺工程
- 6.2.6 平臺工程與DevOps、SRE的區(qū)別
- 6.2.5 平臺工程的最佳實踐
- 6.2.4 平臺工程的能力要求
- 6.2.3 平臺工程的核心模塊
- 6.2.2 平臺工程的關(guān)鍵屬性
- 6.2.1 平臺工程的概念
- 6.2 平臺工程
- 6.1.9 大語言模型下的DevOps
- 6.1.8 DevOps的數(shù)字風險能力
- 6.1.7 DevOps的彈性合作能力
- 6.1.6 DevOps的數(shù)字運營能力
- 6.1.5 DevOps的科技左移能力
- 6.1.4 DevOps的數(shù)字可視能力
- 6.1.3 DevOps究竟是什么
- 6.1.2 DevOps與企業(yè)和IT組織的關(guān)系
- 6.1.1 DevOps的概念
- 6.1 DevOps
- 第6章 軟件交付的三大底座
- 5.2.4 多智能體系統(tǒng)
- 5.2.3 RAG2SQL
- 5.2.2 財富管理系統(tǒng)
- 5.2.1 客服問答系統(tǒng)
- 5.2 RAG技術(shù)的應(yīng)用案例
- 5.1 RAG技術(shù)的基本原理
- 第5章 企業(yè)AI應(yīng)用必備技術(shù)——RAG
- 4.3.3 QLoRA中使用的量化技術(shù)
- 4.3.2 基于BERT分類模型的微調(diào)
- 4.3.1 BERT分類模型
- 4.3 微調(diào)技術(shù)的應(yīng)用案例
- 4.2.2 LoRA
- 4.2.1 PEFT工具包
- 4.2 微調(diào)中的關(guān)鍵技術(shù)
- 4.1.4 QLoRA
- 4.1.3 LoRA
- 4.1.2 前綴微調(diào)
- 4.1.1 適配器微調(diào)
- 4.1 微調(diào)的基本概念
- 第4章 大語言模型的微調(diào)技術(shù)
- 3.6 GPT模型總結(jié)
- 3.5.4 模型訓練中的強化學習
- 3.5.3 早停策略的應(yīng)用
- 3.5.2 特殊符號的引入
- 3.5.1 樣本數(shù)據(jù)的精細化處理
- 3.5 GPT模型的優(yōu)化
- 3.4 簡單GPT模型的完整實現(xiàn)
- 3.3.2 GPT模型的設(shè)計實踐
- 3.3.1 GPT模型的結(jié)構(gòu)
- 3.3 GPT模型
- 3.2.3 如何訓練模型
- 3.2.2 如何設(shè)計模型
- 3.2.1 文本如何轉(zhuǎn)換為數(shù)字
- 3.2 二元語法模型
- 3.1 ChatGPT的由來
- 第3章 從Transformer到ChatGPT
- 2.4 Transformer模型總結(jié)
- 2.3.2 多頭注意力機制的設(shè)計細節(jié)
- 2.3.1 自注意力機制的設(shè)計細節(jié)
- 2.3 Transformer注意力機制的技術(shù)實現(xiàn)
- 2.2.3 注意力機制
- 2.2.2 位置編碼
- 2.2.1 詞嵌入
- 2.2 Transformer模型的基本原理
- 2.1 Transformer模型的由來
- 第2章 大語言模型的基石——Transformer
- 1.2.4 自然語言處理中的傳統(tǒng)模型LSTM
- 1.2.3 神經(jīng)網(wǎng)絡(luò)模型RNN
- 1.2.2 統(tǒng)計學模型HMM
- 1.2.1 統(tǒng)計學模型N-gram
- 1.2 常見的大語言模型
- 1.1 大語言模型的發(fā)展
- 第1章 初識大語言模型
- 本書贊譽
- 前言
- 內(nèi)容簡介
- 版權(quán)信息
- 封面
- 封面
- 版權(quán)信息
- 內(nèi)容簡介
- 前言
- 本書贊譽
- 第1章 初識大語言模型
- 1.1 大語言模型的發(fā)展
- 1.2 常見的大語言模型
- 1.2.1 統(tǒng)計學模型N-gram
- 1.2.2 統(tǒng)計學模型HMM
- 1.2.3 神經(jīng)網(wǎng)絡(luò)模型RNN
- 1.2.4 自然語言處理中的傳統(tǒng)模型LSTM
- 第2章 大語言模型的基石——Transformer
- 2.1 Transformer模型的由來
- 2.2 Transformer模型的基本原理
- 2.2.1 詞嵌入
- 2.2.2 位置編碼
- 2.2.3 注意力機制
- 2.3 Transformer注意力機制的技術(shù)實現(xiàn)
- 2.3.1 自注意力機制的設(shè)計細節(jié)
- 2.3.2 多頭注意力機制的設(shè)計細節(jié)
- 2.4 Transformer模型總結(jié)
- 第3章 從Transformer到ChatGPT
- 3.1 ChatGPT的由來
- 3.2 二元語法模型
- 3.2.1 文本如何轉(zhuǎn)換為數(shù)字
- 3.2.2 如何設(shè)計模型
- 3.2.3 如何訓練模型
- 3.3 GPT模型
- 3.3.1 GPT模型的結(jié)構(gòu)
- 3.3.2 GPT模型的設(shè)計實踐
- 3.4 簡單GPT模型的完整實現(xiàn)
- 3.5 GPT模型的優(yōu)化
- 3.5.1 樣本數(shù)據(jù)的精細化處理
- 3.5.2 特殊符號的引入
- 3.5.3 早停策略的應(yīng)用
- 3.5.4 模型訓練中的強化學習
- 3.6 GPT模型總結(jié)
- 第4章 大語言模型的微調(diào)技術(shù)
- 4.1 微調(diào)的基本概念
- 4.1.1 適配器微調(diào)
- 4.1.2 前綴微調(diào)
- 4.1.3 LoRA
- 4.1.4 QLoRA
- 4.2 微調(diào)中的關(guān)鍵技術(shù)
- 4.2.1 PEFT工具包
- 4.2.2 LoRA
- 4.3 微調(diào)技術(shù)的應(yīng)用案例
- 4.3.1 BERT分類模型
- 4.3.2 基于BERT分類模型的微調(diào)
- 4.3.3 QLoRA中使用的量化技術(shù)
- 第5章 企業(yè)AI應(yīng)用必備技術(shù)——RAG
- 5.1 RAG技術(shù)的基本原理
- 5.2 RAG技術(shù)的應(yīng)用案例
- 5.2.1 客服問答系統(tǒng)
- 5.2.2 財富管理系統(tǒng)
- 5.2.3 RAG2SQL
- 5.2.4 多智能體系統(tǒng)
- 第6章 軟件交付的三大底座
- 6.1 DevOps
- 6.1.1 DevOps的概念
- 6.1.2 DevOps與企業(yè)和IT組織的關(guān)系
- 6.1.3 DevOps究竟是什么
- 6.1.4 DevOps的數(shù)字可視能力
- 6.1.5 DevOps的科技左移能力
- 6.1.6 DevOps的數(shù)字運營能力
- 6.1.7 DevOps的彈性合作能力
- 6.1.8 DevOps的數(shù)字風險能力
- 6.1.9 大語言模型下的DevOps
- 6.2 平臺工程
- 6.2.1 平臺工程的概念
- 6.2.2 平臺工程的關(guān)鍵屬性
- 6.2.3 平臺工程的核心模塊
- 6.2.4 平臺工程的能力要求
- 6.2.5 平臺工程的最佳實踐
- 6.2.6 平臺工程與DevOps、SRE的區(qū)別
- 6.2.7 大語言模型下的平臺工程
- 6.3 SRE
- 6.3.1 SRE的由來
- 6.3.2 SRE的目標
- 6.3.3 SRE團隊的使命
- 6.3.4 SRE團隊的存在形式
- 6.3.5 應(yīng)用韌性架構(gòu)設(shè)計
- 6.3.6 構(gòu)建可靠性設(shè)計
- 6.3.7 變更評審設(shè)計
- 第7章 大語言模型在運維場景中的實踐
- 7.1 日志運維智能化
- 7.1.1 日志的概念
- 7.1.2 日志運維的基本流程
- 7.1.3 日志運維的痛點
- 7.1.4 如何解決日志運維的痛點
- 7.2 智能運維知識庫的構(gòu)建
- 7.2.1 構(gòu)建運維知識庫的難點和優(yōu)勢
- 7.2.2 構(gòu)建運維知識庫的技術(shù)路徑
- 7.2.3 運維知識庫的應(yīng)用案例
- 7.3 智能運維工單
- 7.3.1 智能運維工單的作用
- 7.3.2 構(gòu)建智能運維工單的技術(shù)路徑
- 7.3.3 智能運維工單的應(yīng)用案例
- 7.4 大模型運維能力評測
- 7.4.1 構(gòu)建評測數(shù)據(jù)集
- 7.4.2 評測工具和方法
- 7.4.3 評測結(jié)果
- 7.5 基于多智能體的微服務(wù)根因分析
- 7.5.1 微服務(wù)架構(gòu)的挑戰(zhàn)
- 7.5.2 多智能體系統(tǒng)
- 7.5.3 多智能體系統(tǒng)的應(yīng)用案例
- 第8章 大語言模型在測試場景中的實踐
- 8.1 測試的痛點
- 8.2 動態(tài)測試技術(shù)的智能化演進
- 8.2.1 動態(tài)測試技術(shù)的基本概念
- 8.2.2 常見的動態(tài)測試技術(shù)
- 8.2.3 動態(tài)測試技術(shù)的痛點
- 8.2.4 大模型在動態(tài)測試領(lǐng)域的應(yīng)用嘗試
- 8.3 靜態(tài)測試技術(shù)的智能化演進
- 8.3.1 靜態(tài)測試技術(shù)的基本概念
- 8.3.2 常見的靜態(tài)測試技術(shù)
- 8.3.3 靜態(tài)測試技術(shù)的痛點
- 8.3.4 大模型在靜態(tài)測試領(lǐng)域的應(yīng)用嘗試
- 8.4 大語言模型在測試場景下的落地難點
- 8.4.1 大語言模型的處理窗口瓶頸
- 8.4.2 模型的幻覺問題
- 8.4.3 RAG與Agent的取舍
- 8.4.4 基座模型的選擇
- 8.4.5 大語言模型微調(diào)的必要性
- 8.4.6 模型的可解釋性與透明性
- 8.4.7 大語言模型在測試場景中的性能評估
- 8.4.8 大語言模型的維護與更新
- 8.5 基于靜態(tài)分析和RAG的漏洞自動化修復(fù)方案
- 第9章 大語言模型在編程場景中的實踐
- 9.1 代碼大模型
- 9.1.1 代碼大模型的定義和特點
- 9.1.2 常見的代碼大模型
- 9.2 代碼的下游任務(wù)
- 9.2.1 文本到代碼任務(wù)
- 9.2.2 代碼到代碼任務(wù)
- 9.2.3 代碼到文本任務(wù)
- 9.2.4 代碼到模式任務(wù)
- 9.2.5 文本到文本任務(wù)
- 9.3 代碼生成和補全
- 9.3.1 代碼生成和補全技術(shù)的發(fā)展歷史
- 9.3.2 常見的代碼生成和補全技術(shù)
- 9.3.3 基于可視化編排進行代碼生成和補全
- 9.3.4 基于輸入輸出樣例進行代碼生成和補全
- 9.3.5 基于代碼語料進行代碼生成和補全
- 9.3.6 基于功能描述進行代碼生成和補全
- 9.3.7 基于語言模型進行代碼生成和補全
- 9.3.8 代碼生成與補全的痛點
- 9.4 基于Agent的項目級代碼生成方法
- 9.4.1 項目級代碼生成在企業(yè)中的痛點
- 9.4.2 Agent的技術(shù)實現(xiàn)
- 9.4.3 事務(wù)自動處理在開發(fā)場景中的運用
- 9.4.4 項目研發(fā)問答場景
- 9.4.5 從需求到完整的項目級代碼生成場景
- 第10章 大語言模型在項目管理場景中的實踐
- 10.1 項目需求分析與任務(wù)規(guī)劃
- 10.1.1 需求分析
- 10.1.2 任務(wù)規(guī)劃
- 10.2 溝通與協(xié)作
- 10.2.1 溝通與協(xié)作的重要性
- 10.2.2 大語言模型在溝通與協(xié)作場景中的作用
- 10.2.3 大語言模型提升溝通效率和整合資源的能力
- 10.3 項目風險管理與決策支持
- 10.3.1 風險管理
- 10.3.2 決策支持
- 10.4 項目執(zhí)行階段的智能優(yōu)化
- 10.4.1 工作流程及資源管理的挑戰(zhàn)
- 10.4.2 大語言模型如何賦能工作流程及資源管理
- 10.5 大語言模型在項目管理中的實踐案例
- 10.5.1 輔助理解客戶需求
- 10.5.2 提升內(nèi)部信息流轉(zhuǎn)效率
- 10.5.3 實現(xiàn)項目風險和進度的自動分析功能
- 10.5.4 助力任務(wù)分配的高效合理
- 第11章 大語言模型在安全場景中的實踐
- 11.1 大語言模型催生安全新范式
- 11.1.1 大語言模型在安全領(lǐng)域中的優(yōu)勢
- 11.1.2 大語言模型在安全領(lǐng)域中的挑戰(zhàn)
- 11.2 大語言模型在安全領(lǐng)域中的應(yīng)用場景
- 11.2.1 異常檢測
- 11.2.2 威脅識別與分類
- 11.2.3 自動化威脅狩獵
- 11.2.4 釣魚攻擊識別
- 11.2.5 惡意軟件檢測
- 11.2.6 入侵檢測系統(tǒng)
- 11.2.7 安全策略建議
- 11.2.8 預(yù)測性威脅建模
- 11.2.9 數(shù)據(jù)泄露預(yù)防
- 11.2.10 安全教育與訓練
- 11.2.11 情報共享與協(xié)作
- 11.2.12 合規(guī)性監(jiān)控
- 11.3 大語言模型在安全領(lǐng)域中的風險
- 11.3.1 原生風險
- 11.3.2 應(yīng)用安全風險
- 11.3.3 對抗風險
- 11.4 大語言模型的零樣本漏洞修復(fù)研究
- 11.4.1 研究背景
- 11.4.2 研究思路
- 11.4.3 實驗過程
- 推薦閱讀
- 作者簡介
- 封底 更新時間:2025-06-05 13:52:59