Text2SQL 自然语言到 SQL 查询的转换

《大模型实战：从零实现 RAG 与 Agent 系统》
该书深入探讨了 RAG 技术体系及其应用，内容涉及从基础概念到高级应用的各个方面。
书中以 LlamaIndex 为工具，展示了如何实现 RAG，包括提示词设计、文档与索引创建等具体步骤，
还介绍了基于 RAG 构建文档聊天助手、多模态内容解析器等实践案例，适合人工智能领域的开发者、研究人员等阅读

《图解大模型：生成式 AI 原理与实战》
通过生动的故事和图解，介绍了自然语言处理技术的核心原理，涵盖 N-Gram、Word2Vec、Transformer 等技术的演进。
书中提供动手实践的机会，帮助读者从零开始构建语言模型，适合 AI 初学者与从业者阅读。

软件工程3.0面临的挑战，
大模型的训练和应用需要大量的计算资源和专业知识，人才短缺 ，
大模型在运维环节的应用仍较为薄弱，如何在保证安全性的同时实现高效运维 
AI训练师

《软件工程3.0：大模型驱动的研发新范式》
反映了人工智能（尤其是大语言模型）对软件工程领域的深刻变革;
1.0时代：传统瀑布模型与结构化开发（1970s-1990s）
2.0时代：敏捷开发与DevOps（2000s-2010s）
3.0时代：大模型成为核心生产力工具（2020s起），AI原生研发流程重构
软件工程3.0的范式升级 范式特征
AI-Native开发：需求分析、代码生成、测试用例设计等环节由大模型辅助或主导
人机协同：开发者从“编码者”转向“AI指令工程师”（Prompt Engineer）
数据驱动闭环：研发过程持续吸收用户反馈数据，通过模型微调实现系统自优化
其核心特征是“模型即软件”（SaaS as a Model, SaaM），即软件开发的各个环节均被大模型所驱动

《大模型应用开发极简入门：基于 GPT-4 和 ChatGPT（第 2 版）》
全书围绕 GPT-4 和 ChatGPT 展开，覆盖大模型开发的全生命周期，包括基础原理、API 调用、提示工程、微调、检索增强生成（RAG）、智能体（Agent）等核心技术。
书中通过流程图解与 Python 示例降低学习门槛，配套 GitHub 代码库支持快速复现，适合想要掌握大模型应用开发的读者

《从零构建大模型》
《软件工程3.0：大模型驱动的研发新范式》
《图解大模型：生成式AI原理与实战》
《大模型应用开发极简入门：基于GPT-4和ChatGPT（第2版）》
《大模型实战：微调、优化与私有化部署》
《大模型RAG实战：RAG原理、应用与系统构建》
《大模型应用开发 动手做AI Agent》
《大模型实战：从零实现RAG与Agent系统》

GPT-2是学习实现大语言模型的更好选择，
因为它能够在单台笔记本电脑上运行，
而GPT-3需要依赖GPU集群来完成训练和推断

提示词是指在与大模型进行交互时向模型提供的输入信息，用于引导模型输出。
它可以是一个问题、一段描述、一个指令或其他形式的文本，旨在激发模型响应并生成所需的答案或相关内容

SFT  监督微调（Supervised Fine-Tuning），
是人工智能领域，尤其是大语言模型（LLM）开发中的关键技术环节