LLM 工程師開發手冊
-
85折 1063元
1250元
-
預計最高可得金幣50點
?
可100%折抵
活動加倍另計 -
HAPPY GO享100累1點 4點抵1元 折抵無上限
-
分類：中文書＞電腦資訊＞概論／科技趨勢＞人工智慧／機器學習追蹤? 追蹤分類後，您會在第一時間收到分類新品通知。
- 作者： Paul Iusztin 、 Maxime Labonne 追蹤 ? 追蹤作者後，您會在第一時間收到作者新書通知。
- 譯者：黃駿
- 出版社： 旗標 追蹤 ? 追蹤出版社後，您會在第一時間收到出版社新書通知。
- 出版日：2025/12/16
活動訊息
普發一萬放大術：滿千登記抽萬元好禮
全站滿$1000送100點金幣，可累送! 新會員直接領$500！
內容簡介
內容介紹:
▋ 人工智慧正以驚人的速度演進，
而大型語言模型已成為這場革命的核心關鍵 ▋
本書不只是介紹理論；它帶你走進真實工程場景，教你如何設計、訓練、優化與部署 LLM，並結合 MLOps 的專業流程，打造真正能落地的端到端解決方案。透過完整的 LLM Twin 實戰案例，你將學會建構具成本效益、可擴展、模組化的系統架構，跳脫 Notebook 和 Colab 實驗的限制，把模型真正推向生產環境。
在學習過程中，你將掌握資料流程設計、RAG、監督式微調、偏好對齊、即時資料處理、推論最佳化等關鍵技術，並能將 CI/CD、監控、版本管理 等 MLOps 元件靈活融入自己的專案。這不僅讓你理解 LLM 的運作，更讓你具備「打造專業級 AI 系統」的實戰能力。
讀完本書，你將能從 0 到 1 建立自己的 LLM、能處理真實世界的資料、能在生產環境長期穩定運作、能持續優化並快速迭代。
無論你是 AI 新手或已有多年經驗的工程師，本書都能帶來全新的理解、視野與技術深度，讓你真正跨入 LLM 工程師的境界。
✦✦✦
◤全球好評指標◢
★ Amazon 4.6 顆星好評，榮登人工智慧相關類別 #1 暢銷榜
★ 作者在 Github 儲存庫上提供的本書學習資源，累計已獲 4,400+ stars 關注
◤技術領袖一致推薦!◢
★ 「本書讓更多人能夠進一步調整、微調、量化模型，並使其足夠高效以應用於真實世界。」 ─ Julien Chaumond｜Hugging Face 共同創辦人暨技術長
★ 「以具體範例與明確指導，說明如何最佳化推論流程與有效部署 LLM，使其成為研究人員與實務工程師皆能受益的重要參考書。」 ─ Antonio Gulli｜Google 技術長辦公室資深總監暨傑出工程師
★ 「在 AI 以前所未有的速度重塑各行各業的當下，《LLM 工程師開發手冊》是帶領讀者掌握大型語言模型複雜性的關鍵指南。」 ─ Hamza Tahir｜ZenML 共同創辦人暨技術長
★ 「提供一套精良的框架，協助讀者掌握 LLM 工程，並成功銜接機器學習研究、AI 工程與 LLMOps 之間的落差。」 ─ Gideon Mendels｜CometML 共同創辦人暨執行長
★ 「這本書全面涵蓋了從 LLM 設計、部署到優化的實務指南...。若你對 LLM 充滿熱情，這絕對是一本必讀之作。」 ─ Akshit Bhalla｜Tesla 資料科學家
★ 「這是目前少數兼具深度與實務性的 LLMOps 著作之一...。讀完之後，我迫不及待想用自己的工具實作一個 LLM Twin！」 ─ Maria Vechtomova｜Databricks MVP
本書特色:
▋從架構、資料、訓練到部署，
打造能真正落地的 LLM 系統▋
✦✦✦
◤從零打造 LLM 系統的實戰流程◢
● 每一章都有循序圖解、完整程式碼範例，不怕學不會
● 提供完整LLM 端到端工作流程教學：資料流程 → 特徵流程 → 訓練流程 → 推論流程 → 部署流程
● 全書程式皆由小編親自測試，並穿插實務心得，確保你真的學得到、做得出來
◤你將掌握的關鍵能力◢
✔ 從真實資料開始打造 LLM 的第一步！
從爬蟲、清洗、分段到去重複，一步步完成真實世界 LLM 需要的資料前處理。
✔ 用 FTI 架構建立你的 AI 系統思維！
建立 Feature／Training／Inference 全流程思維，看懂 LLM 系統的真實樣貌。
✔ RAG 深度解析：打造不會亂講話的 LLM！
深入掌握 RAG 的設計、最佳化與進階技巧，提升模型可信度與資訊鮮度。
✔ 把模型調到最好：微調 + 偏好對齊一次學會！
從 SFT 到 LoRA/QLoRA，再到 DPO，讓模型真正「理解人類的思考行為」。
✔ 推論加速全攻略，速度與成本 win-win！
KV cache、連續批次、推測式解碼、量化與平行化，全套最佳化方法一次收錄。
✔ 無痛掌握最全面的 AI 工具鏈！
涵蓋 Hugging Face、ZenML、CometML、Opik、MongoDB、Qdrant 等主流技術。
✔ 真正生產級的 MLOps／LLMOps 能力剖析與實踐！
從 CI/CD/CT、監控、版本控管到雲端部署，打造可擴展、可維護的 LLM 系統。
▋ 人工智慧正以驚人的速度演進，
而大型語言模型已成為這場革命的核心關鍵 ▋
本書不只是介紹理論；它帶你走進真實工程場景，教你如何設計、訓練、優化與部署 LLM，並結合 MLOps 的專業流程，打造真正能落地的端到端解決方案。透過完整的 LLM Twin 實戰案例，你將學會建構具成本效益、可擴展、模組化的系統架構，跳脫 Notebook 和 Colab 實驗的限制，把模型真正推向生產環境。
在學習過程中，你將掌握資料流程設計、RAG、監督式微調、偏好對齊、即時資料處理、推論最佳化等關鍵技術，並能將 CI/CD、監控、版本管理 等 MLOps 元件靈活融入自己的專案。這不僅讓你理解 LLM 的運作，更讓你具備「打造專業級 AI 系統」的實戰能力。
讀完本書，你將能從 0 到 1 建立自己的 LLM、能處理真實世界的資料、能在生產環境長期穩定運作、能持續優化並快速迭代。
無論你是 AI 新手或已有多年經驗的工程師，本書都能帶來全新的理解、視野與技術深度，讓你真正跨入 LLM 工程師的境界。
✦✦✦
◤全球好評指標◢
★ Amazon 4.6 顆星好評，榮登人工智慧相關類別 #1 暢銷榜
★ 作者在 Github 儲存庫上提供的本書學習資源，累計已獲 4,400+ stars 關注
◤技術領袖一致推薦!◢
★ 「本書讓更多人能夠進一步調整、微調、量化模型，並使其足夠高效以應用於真實世界。」 ─ Julien Chaumond｜Hugging Face 共同創辦人暨技術長
★ 「以具體範例與明確指導，說明如何最佳化推論流程與有效部署 LLM，使其成為研究人員與實務工程師皆能受益的重要參考書。」 ─ Antonio Gulli｜Google 技術長辦公室資深總監暨傑出工程師
★ 「在 AI 以前所未有的速度重塑各行各業的當下，《LLM 工程師開發手冊》是帶領讀者掌握大型語言模型複雜性的關鍵指南。」 ─ Hamza Tahir｜ZenML 共同創辦人暨技術長
★ 「提供一套精良的框架，協助讀者掌握 LLM 工程，並成功銜接機器學習研究、AI 工程與 LLMOps 之間的落差。」 ─ Gideon Mendels｜CometML 共同創辦人暨執行長
★ 「這本書全面涵蓋了從 LLM 設計、部署到優化的實務指南...。若你對 LLM 充滿熱情，這絕對是一本必讀之作。」 ─ Akshit Bhalla｜Tesla 資料科學家
★ 「這是目前少數兼具深度與實務性的 LLMOps 著作之一...。讀完之後，我迫不及待想用自己的工具實作一個 LLM Twin！」 ─ Maria Vechtomova｜Databricks MVP
本書特色:
▋從架構、資料、訓練到部署，
打造能真正落地的 LLM 系統▋
✦✦✦
◤從零打造 LLM 系統的實戰流程◢
● 每一章都有循序圖解、完整程式碼範例，不怕學不會
● 提供完整LLM 端到端工作流程教學：資料流程 → 特徵流程 → 訓練流程 → 推論流程 → 部署流程
● 全書程式皆由小編親自測試，並穿插實務心得，確保你真的學得到、做得出來
◤你將掌握的關鍵能力◢
✔ 從真實資料開始打造 LLM 的第一步！
從爬蟲、清洗、分段到去重複，一步步完成真實世界 LLM 需要的資料前處理。
✔ 用 FTI 架構建立你的 AI 系統思維！
建立 Feature／Training／Inference 全流程思維，看懂 LLM 系統的真實樣貌。
✔ RAG 深度解析：打造不會亂講話的 LLM！
深入掌握 RAG 的設計、最佳化與進階技巧，提升模型可信度與資訊鮮度。
✔ 把模型調到最好：微調 + 偏好對齊一次學會！
從 SFT 到 LoRA/QLoRA，再到 DPO，讓模型真正「理解人類的思考行為」。
✔ 推論加速全攻略，速度與成本 win-win！
KV cache、連續批次、推測式解碼、量化與平行化，全套最佳化方法一次收錄。
✔ 無痛掌握最全面的 AI 工具鏈！
涵蓋 Hugging Face、ZenML、CometML、Opik、MongoDB、Qdrant 等主流技術。
✔ 真正生產級的 MLOps／LLMOps 能力剖析與實踐！
從 CI/CD/CT、監控、版本控管到雲端部署，打造可擴展、可維護的 LLM 系統。
目錄
目錄:
▌第 1 章 掌握 LLM 分身的概念與架構
1.1 認識 LLM 分身
1.2 規劃 LLM 分身的最簡可行產品
1.3 依循特徵/訓練/推論架構建立 ML 系統
1.4 設計 LLM 分身的系統架構
1.5 FTI 設計與 LLM 分身架構的回顧與反思
1.6 總結
1.7 參考資料
▌第 2 章 工具介紹與安裝
2.1 Python 開發環境的建置與專案安裝
2.2 MLOps 與 LLMOps 工具
2.3 儲存非結構化與向量資料的資料庫
2.4 準備使用 AWS
2.5 總結
2.6 參考資料
▌第 3 章 資料工程
3.1 設計 LLM Twin 資料搜集流程
3.2 資料搜集流程實作：ETL 架構
3.3 資料搜集流程實作：網路爬蟲
3.4 資料搜集流程實作：NoSQL 文檔類別
3.5 將原始資料搜集至資料倉儲中
3.6 總結
3.7 參考資料
▌第 4 章 RAG 特徵流程
4.1 認識 RAG
4.2 進階 RAG 概觀
4.3 探索 LLM Twin 的 RAG 特徵流程架構
4.4 實作 LLM Twin 的 RAG 特徵流程
4.5 總結
4.6 參考資料
▌第 5 章 監督式微調
5.1 建立指令資料集
5.2 認識 SFT 技術
5.3 實作微調程式
5.4 總結
5.5 參考資料
▌第 6 章 偏好對齊微調
6.1 認識偏好資料集
6.2 建立偏好資料集
6.3 偏好對齊
6.4 實作 DPO
6.5 總結
6.6 參考資料
▌第 7 章 評估 LLM
7.1 何謂模型評估
7.2 何謂 RAG 評估
7.3 實作模型評估程式
7.4 總結
7.5 參考資料
▌第 8 章 推論優化
8.1 模型優化策略
8.2 模型平行處理
8.3 模型量化
8.4 總結
8.5 參考資料
▌第 9 章 RAG 推論流程
9.1 了解 LLM Twin 的 RAG 推論流程
9.2 探索 LLM Twin 的進階 RAG 技術
9.3 實作 LLM Twin 的 RAG 推論流程
9.4 總結
9.5 參考資料
▌第 10 章 部署推論流程
10.1 選擇部署形式的標準
10.2 認識推論部署的形式
10.3 比較單體式與微服務架構
10.4 探索 LLM Twin 推論流程的部署策略
10.5 部署 LLM Twin 服務
10.6 以自動擴展應付使用高峰
10.7 總結
10.8 參考資料
▌第 11 章 MLOps 與 LLMOps
11.1 認識 LLMOps：從 DevOps 與 MLOps 的基礎開始
11.2 將 LLM Twin 的 Pipeline 部署至雲端
11.3 在 LLM Twin 專案中加入 LLMOps
11.4 總結
11.5 參考資料
▌附錄A MLOps 原則
A.1 自動化與系統化
A.2 版本管理
A.3 實驗追蹤
A.4 測試
A.5 監控
A.6 可重現性
▌第 1 章 掌握 LLM 分身的概念與架構
1.1 認識 LLM 分身
1.2 規劃 LLM 分身的最簡可行產品
1.3 依循特徵/訓練/推論架構建立 ML 系統
1.4 設計 LLM 分身的系統架構
1.5 FTI 設計與 LLM 分身架構的回顧與反思
1.6 總結
1.7 參考資料
▌第 2 章 工具介紹與安裝
2.1 Python 開發環境的建置與專案安裝
2.2 MLOps 與 LLMOps 工具
2.3 儲存非結構化與向量資料的資料庫
2.4 準備使用 AWS
2.5 總結
2.6 參考資料
▌第 3 章 資料工程
3.1 設計 LLM Twin 資料搜集流程
3.2 資料搜集流程實作：ETL 架構
3.3 資料搜集流程實作：網路爬蟲
3.4 資料搜集流程實作：NoSQL 文檔類別
3.5 將原始資料搜集至資料倉儲中
3.6 總結
3.7 參考資料
▌第 4 章 RAG 特徵流程
4.1 認識 RAG
4.2 進階 RAG 概觀
4.3 探索 LLM Twin 的 RAG 特徵流程架構
4.4 實作 LLM Twin 的 RAG 特徵流程
4.5 總結
4.6 參考資料
▌第 5 章 監督式微調
5.1 建立指令資料集
5.2 認識 SFT 技術
5.3 實作微調程式
5.4 總結
5.5 參考資料
▌第 6 章 偏好對齊微調
6.1 認識偏好資料集
6.2 建立偏好資料集
6.3 偏好對齊
6.4 實作 DPO
6.5 總結
6.6 參考資料
▌第 7 章 評估 LLM
7.1 何謂模型評估
7.2 何謂 RAG 評估
7.3 實作模型評估程式
7.4 總結
7.5 參考資料
▌第 8 章 推論優化
8.1 模型優化策略
8.2 模型平行處理
8.3 模型量化
8.4 總結
8.5 參考資料
▌第 9 章 RAG 推論流程
9.1 了解 LLM Twin 的 RAG 推論流程
9.2 探索 LLM Twin 的進階 RAG 技術
9.3 實作 LLM Twin 的 RAG 推論流程
9.4 總結
9.5 參考資料
▌第 10 章 部署推論流程
10.1 選擇部署形式的標準
10.2 認識推論部署的形式
10.3 比較單體式與微服務架構
10.4 探索 LLM Twin 推論流程的部署策略
10.5 部署 LLM Twin 服務
10.6 以自動擴展應付使用高峰
10.7 總結
10.8 參考資料
▌第 11 章 MLOps 與 LLMOps
11.1 認識 LLMOps：從 DevOps 與 MLOps 的基礎開始
11.2 將 LLM Twin 的 Pipeline 部署至雲端
11.3 在 LLM Twin 專案中加入 LLMOps
11.4 總結
11.5 參考資料
▌附錄A MLOps 原則
A.1 自動化與系統化
A.2 版本管理
A.3 實驗追蹤
A.4 測試
A.5 監控
A.6 可重現性
配送方式
-
台灣
- 國內宅配：本島、離島
-
到店取貨：
不限金額免運費
-
海外
- 國際快遞：全球
-
港澳店取：
訂購/退換貨須知
加入金石堂 LINE 官方帳號『完成綁定』，隨時掌握出貨動態：
提醒您！！
金石堂及銀行均不會請您操作ATM! 如接獲電話要求您前往ATM提款機，請不要聽從指示，以免受騙上當！
退換貨須知：
**提醒您，鑑賞期不等於試用期，退回商品須為全新狀態**
-
依據「消費者保護法」第19條及行政院消費者保護處公告之「通訊交易解除權合理例外情事適用準則」，以下商品購買後，除商品本身有瑕疵外，將不提供7天的猶豫期：
- 易於腐敗、保存期限較短或解約時即將逾期。（如：生鮮食品）
- 依消費者要求所為之客製化給付。（客製化商品）
- 報紙、期刊或雜誌。（含MOOK、外文雜誌）
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。（如：電子書、電子雜誌、下載版軟體、虛擬商品…等）
- 已拆封之個人衛生用品。（如：內衣褲、刮鬍刀、除毛刀…等）
- 若非上列種類商品，均享有到貨7天的猶豫期（含例假日）。
- 辦理退換貨時，商品（組合商品恕無法接受單獨退貨）必須是您收到商品時的原始狀態（包含商品本體、配件、贈品、保證書、所有附隨資料文件及原廠內外包裝…等），請勿直接使用原廠包裝寄送，或於原廠包裝上黏貼紙張或書寫文字。
- 退回商品若無法回復原狀，將請您負擔回復原狀所需費用，嚴重時將影響您的退貨權益。
商品評價