第 1章 AI應用開發(fā)快速入門 1 1.1 “應用級”程序員入局AI應用開發(fā)領域的捷徑 1 1.1.1 DeepSeek的使用 1 1.1.2 DeepSeek的能力邊界 5 1.1.3 DeepSeek開源的價值 6 1.2 零開發(fā)框架實現(xiàn)Function Calling 6 1.2.1 Function Calling誕生的背景 7 1.2.2 開發(fā)環(huán)境準備 7 1.2.3 Function Calling實踐演示 8 1.3 Agent常用設計模式 15 1.3.1 CoT模式 15 1.3.2 ReAct模式 16 1.3.3 Reflexion模式 18 1.3.4 ReWOO模式 19 1.4 零開發(fā)框架實現(xiàn)ReAct Agent 21 1.4.1 LangChain Hub與ReAct提示詞模板 22 1.4.2 Agent工具實現(xiàn)邏輯 25 1.4.3 Agent多輪對話核心邏輯 26 第 2章 大模型私有化部署的3種主流方案 29 2.1 基于Ollama、AI網(wǎng)關和LobeChat構建高可用大模型集群 29 2.1.1 Ollama簡介 29 2.1.2 GPU環(huán)境準備與Ollama安裝 30 2.1.3 實戰(zhàn)：使用Ollama單點部署DeepSeek R1 32 2.1.4 高可用大模型集群架構設計 36 2.1.5 AI時代給網(wǎng)關帶來的挑戰(zhàn) 37 2.1.6 實戰(zhàn)：利用Higress和Ollama搭建高可用集群 38 2.1.7 實戰(zhàn)：利用LobeChat實現(xiàn)可視化對話 44 2.2 非量化版DeepSeek分布式部署方案 46 2.2.1 快速理解Kubernetes 46 2.2.2 Kubernetes安裝 49 2.2.3 容器編排與服務暴露 52 2.2.4 分布式部署與推理 55 2.2.5 使用vLLM部署DeepSeek R1 57 2.2.6 分布式計算與Ray入門 60 2.2.7 基于Kubernetes、vLLM和Ray分布式部署DeepSeek R1 61 2.3 llama.cpp：在無GPU的服務器上部署DeepSeek 70 2.3.1 llama.cpp與量化技術 71 2.3.2 基于CPU服務器和llama.cpp部署DeepSeek R1 72 2.3.3 HTTP服務發(fā)布 75 第3章 模型微調與蒸餾 78 3.1 模型微調 78 3.1.1 微調的基本概念 78 3.1.2 一站式微調平臺LLaMA-Factory 79 3.1.3 將DeepSeek-R1-Distill-Qwen-7B微調為新聞分類器 88 3.2 模型蒸餾 93 3.2.1 蒸餾的流程 93 3.2.2 生成教學數(shù)據(jù) 95 3.2.3 蒸餾出一個新聞分類型Qwen2.5-7B模型 97 第4章 基于MCP打造AI求職助手 99 4.1 AI求職助手的設計 99 4.1.1 傳統(tǒng)求職模式的基本流程 99 4.1.2 AI求職助手架構設計與技術選型 100 4.2 MCP原理與實踐 101 4.2.1 MCP原理 101 4.2.2 使用MCP實現(xiàn)Text2SQL數(shù)據(jù)庫查詢 103 4.3 實現(xiàn)員工績效系統(tǒng)MCP Server 110 4.3.1 UV與MCP項目初始化 111 4.3.2 員工績效系統(tǒng)MCP Server代碼實現(xiàn) 113 4.4 實現(xiàn)MCP Client 122 4.4.1 MCP通信方式 122 4.4.2 使用stdio通信方式 123 4.4.3 使用HTTP+SSE通信方式 126 4.4.4 使用Streamable HTTP通信方式 130 4.5 使用無頭瀏覽器抓取崗位數(shù)據(jù) 132 4.5.1 崗位數(shù)據(jù)獲取方法 133 4.5.2 無頭瀏覽器實踐 133 4.5.3 使用代理IP 142 4.6 人崗智能匹配 144 4.6.1 MCP Server項目管理 144 4.6.2 MCP Server的代碼實現(xiàn) 146 4.6.3 MCP Host與MCP Client的代碼實現(xiàn) 151 4.7 使用RAG技術對復雜簡歷進行濃縮 157 4.7.1 簡歷濃縮與RAG技術 157 4.7.2 使用RAG技術濃縮簡歷 159 4.8 借助AI根據(jù)崗位要求完善簡歷 165 4.8.1 根據(jù)崗位詳情完善簡歷 165 4.8.2 使用模板輔助AI完善簡歷 168 第5章 基于平臺化開發(fā)思想實現(xiàn)AI版“作業(yè)幫” 170 5.1 AI版“作業(yè)幫”的設計 170 5.1.1 AI應用開發(fā)中的平臺化開發(fā)思想 170 5.1.2 項目流程設計 171 5.2 零代碼Agent和工作流開發(fā) 171 5.2.1 零代碼實現(xiàn)AI Agent 172 5.2.2 通過拖曳實現(xiàn)AI工作流 176 5.3 API工具開發(fā)套路 182 5.3.1 基于Dify配置自定義工具 183 5.3.2 基于FastAPI開發(fā)符合標準的工具 189 5.4 視覺識別技術：識別試卷題目并分析解答 193 5.4.1 OCR識別技術 193 5.4.2 使用豆包大模型 196 5.4.3 搭建“作業(yè)幫”工作流 202 5.5 RAG技術：借助題庫提升答題準確率 204 5.5.1 基于RAG實現(xiàn)題庫 204 5.5.2 將知識庫問答助手加入工作流 217 5.6 引入校驗機制提升答題準確率 223 5.6.1 QwQ模型簡介 223 5.6.2 添加校驗機制 223 5.6.3 通過飛書通知相關人員 225 第6章 基于LangGraph打造智能編程助手 230 6.1 基于LangGraph的代碼生成 230 6.1.1 LangGraph誕生的背景 231 6.1.2 項目整體設計 232 6.2 LangGraph快速上手 233 6.2.1 節(jié)點與邊 233 6.2.2 普通邊與多節(jié)點 235 6.2.3 狀態(tài)在節(jié)點間的流轉 236 6.3 定制編寫Web后端項目 239 6.3.1 生成簡單的Golang Web后端代碼 239 6.3.2 生成實體類代碼 243 6.4 根據(jù)數(shù)據(jù)字典文檔自動生成實體類 247 6.4.1 實現(xiàn)LangGraph Agent 247 6.4.2 根據(jù)數(shù)據(jù)字典生成實體類 250 6.5 復用代碼庫歷史代碼 254 6.5.1 歷史代碼復用思路 254 6.5.2 基于RAG實現(xiàn)歷史代碼復用 254 6.6 使用GraphRAG分析代碼結構 259 6.6.1 從傳統(tǒng)RAG到GraphRAG 260 6.6.2 GraphRAG原理 260 6.6.3 GraphRAG實戰(zhàn) 261 第7章 基于A2A打造多Agent金融項目 268 7.1 基于LangGraph與A2A的AI金融項目 268 7.1.1 AI金融項目的背景 268 7.1.2 項目簡介 268 7.2 量化分析師的金融數(shù)據(jù)抓取“神器” 269 7.2.1 AKShare與日K數(shù)據(jù)相關概念 269 7.2.2 歷史日K數(shù)據(jù)的抓取與排序 272 7.3 用自然語言查詢股票名稱與代碼 275 7.3.1 實現(xiàn)股票信息查詢工具 275 7.3.2 LangGraph進階 277 7.4 抓取滬深A股全部股票的日K數(shù)據(jù) 282 7.4.1 日K數(shù)據(jù)并發(fā)抓取技巧 282 7.4.2 抓取過去兩年的滬深A股日K數(shù)據(jù) 285 7.4.3 增量抓取技巧 288 7.5 計劃模式：讓Agent有計劃地分析股票數(shù)據(jù) 289 7.5.1 抓取財報數(shù)據(jù) 289 7.5.2 實現(xiàn)指標計算工具與財報工具 291 7.5.3 全新的Agent設計模式—計劃模式 293 7.6 簡易金融量化策略分析 297 7.6.1 量化策略之量能策略 297 7.6.2 量化分析Agent實戰(zhàn) 298 7.7 A2A協(xié)議 303 7.7.1 A2A與MCP 303 7.7.2 A2A協(xié)議詳解 305 7.7.3 實現(xiàn)基于A2A的多Agent金融助手 307