书名：大模型提示工程实战  
定价：109.8  
ISBN：9787115690371  
作者：[英]詹姆斯·菲尼克斯（James Phoenix）  
版次：第1版  
出版时间：2026-07  

内容提要：  
本书是广受欢迎的提示工程实战指南，兼顾系统性与实战性。本书囊括国际主流模型与开源工具，配套可直接复用的场景案例与实操方法。内容涉及提示工程的五大原则、主流 LLM/扩散模型实操、AI 应用开发、LangChain 落地技巧、RAG 方案及智能体开发等，形成了“原则-模型-实操-进阶”的清晰脉络，*覆盖文本/图像生成、实际应用搭建等核心场景。 本书适合 AI 应用*、机器学习工程师、技术创业者及需要落地提示工程的各类从业者阅读，也为内容创作、设计人员引入 AI 工具提效提供了参考。  



作者简介：  
詹姆斯·菲尼克斯（James Phoenix） Vexpower联合*兼CTO。曾在全球知名科技与数字技能教育机构General Assembly担任数据科学讲师，累计授课时长*过600小时。 迈克·泰勒（Mike Taylor） 增长营销机构Ladder*，Vexpower联合*兼CEO。Ladder总部位于美国纽约，并在英国和欧盟设有办公室，曾为Meta、雀巢等知名品牌与企业提供服务。  

目录：  
# 对本书的赞誉  
# 前言  
# 第1章 提示工程的五大原则  
1.1 提示工程的五大原则概述  
1.2 原则一:提供指导  
1.3 原则二:指定格式  
1.4 原则三:提供示例  
1.5 原则四:评估质量  
1.6 原则五:任务拆分  
1.7 小结  
# 第2章 面向文本生成的LLM  
2.1 什么是文本生成模型  
2.1.1 向量表示:语言的数值本质  
2.1.2 Transformer架构:组织上下文关系  
2.1.3 概率文本生成:决策机制  
2.2 历史背景:Transformer 架构的崛起  
2.3 OpenAI 的 GPT  
2.4 GPT-3.5 Turbo 与 ChatGPT  
2.5 GPT-4  
2.6 Google Gemini  
2.7 Meta的Llama和开源  
2.8 通过量化和 LoRA 优化模型  
2.9 Mistral  
2.10 Anthropic的Claude  
2.11 GPT-4V  
2.12 模型比较  
2.13 小结  
# 第3章 使用 ChatGPT 进行文本生成的标准实践  
3.1 生成列表  
3.2 生成层级列表  
3.3 何时避免使用正则表达式  
3.4 生成 JSON  
3.5 YAML  
3.6 过滤 YAML 负载  
3.7 处理 YAML 中的无效负载  
3.8 ChatGPT生成多种格式的能力  
3.9 五岁小孩也能听懂  
3.10 通过 LLM 实现通用翻译  
3.11 请求上下文  
3.12 拆解文本风格  
3.12.1 识别所需文本特征  
3.12.2 使用提取出的特征生*内容  
3.12.3 使用 LLM 提取特定文本特征  
3.13 摘要  
3.14 在上下文窗口受*进行摘要  
3.15 文本分块  
3.15.1 文本分块的好处  
3.15.2 文本分块的应用场景  
3.15.3 不良分块示例  
3.16 分块策略  
3.17 使用 spaCy 进行句子检测  
3.18 在 Python 中构建一个简单的分块算法  
3.19 滑动窗口分块  
3.20 文本分块工具包  
3.21 使用 tiktoken 进行文本分块  
3.22 编码  
3.23 估算 Chat API 调用中的词元使用量  
3.24 情感分析  
3.24.1 提升情感分析效果的方法  
3.24.2 情感分析的局限和挑战  
3.25 从简到繁  
3.25.1 规划架构  
3.25.2 编写独立函数  
3.25.3 添加测试  
3.25.4 从简到繁的好处  
3.25.5 从简到繁的挑战  
3.26 角色提示  
3.26.1 角色提示的好处  
3.26.2 角色提示的挑战  
3.26.3 何时使用角色提示  
3.27 GPT提示词技巧  
3.27.1 使用参考文本避免幻觉  
3.27.2 给 GPT“思考时间”  
3.27.3 内心独白策略  
3.27.4 LLM自我评估响应  
3.28 使用 LLM 分类  
3.29 构建分类模型  
3.30 分类的多数投票法  
3.31 评估标准  
3.32 元提示  
3.33 小结  
# 第4章 LangChain 框架下的文本生成*技巧  
4.1 LangChain简介  
4.2 聊天模型  
4.3 流式传输聊天模型  
4.4 生成多个响应  
4.5 LangChain提示词模板  
4.6 LangChain表达式语言(LCEL)  
4.7 在聊天模型中使用提示词模板  
4.8 输出解析器  
4.9 LangChain评估  
4.10 OpenAI 函数调用  
4.11 并行函数调用  
4.12 LangChain中的函数调用  
4.13 使用 LangChain 提取数据  
4.14 查询规划  
4.15 创建少样本提示词模板  
4.15.1 固定数量少样本示例  
4.15.2 格式化示例  
4.15.3 通过长度选择少样本示例  
4.16 少样本示例的局限性  
4.17 保存和加载 LLM 提示词  
4.18 数据连接  
4.19 文档加载器  
4.20 文本分割器  
4.21 按长度和词元数进行文本分割  
4.22 采用递归字符分割的文本分块方法  
4.23 任务分解  
4.24 提示词链  
4.25 itemgetter 和提取字典键  
4.26 LCEL 链  
4.26.1 文档链  
4.26.2 填充  
4.26.3 优化  
4.26.4 映射归约  
4.26.5 映射重排序  
4.27 小结  
# 第5章 利用 FAISS 和 Pinecone 构建向量数据库  
5.1 RAG  
5.2 嵌入技术简介  
5.3 文档加载  
5.4 使用 FAISS 进行记忆检索  
5.5 使用 LangChain 进行 RAG  
5.6 使用托管向量数据库 Pinecone  
5.7 自查询  
5.8 其他检索机制  
5.9 小结  
# 第6章 具备记忆和工具的自主智能体  
6.1 思维链  
6.2 智能体  
6.3 推理与行动(ReAct)框架  
6.3.1 ReAct的实现  
6.3.2 使用工具  
6.4 将 LLM 作为 API 使用(OpenAI 函数)  
6.5 比较 OpenAI 函数和 ReAct 框架  
6.5.1 OpenAI 函数的应用场景  
6.5.2 ReAct  
6.5.3 ReAct的使用案例  
6.6 智能体工具包  
6.7 定制标准智能体  
6.8 在 LCEL 中创建自定义智能体  
6.9 理解和使用记忆  
6.9.1 长期记忆  
6.9.2 短期记忆  
6.9.3 短期记忆在 QA 对话智能体中的应用  
6.10 LangChain中的记忆  
6.10.1 存储状态  
6.10.2 查询状态  
6.10.3 ConversationBufferMemory(对话缓冲记忆)  
6.11 LangChain中的其他常用记忆类型  
6.11.1 ConversationBufferWindowMemory(对话缓冲窗口记忆)  
6.11.2 ConversationSummaryMemory(对话摘要记忆)  
6.11.3 ConversationSummaryBufferMemory(对话摘要缓冲记忆)  
6.11.4 ConversationTokenBufferMemory(对话词元缓冲记忆)  
6.12 带记忆的 OpenAI 函数智能体  
6.13 *智能体框架  
6.13.1 规划与执行智能体  
6.13.2 思维树  
6.14 回调  
6.14.1 全局(构造函数)回调  
6.14.2 请求级回调  
6.14.3 verbose 参数  
6.14.4 什么时候使用哪种方式  
6.15 使用 LangChain 计数词元  
6.16 小结  
# 第7章 图像生成扩散模型简介  
7.1 DALL·E  
7.2 Midjourney  
7.3 Stable Diffusion  
7.4 谷歌的图像生成模型  
7.5 文本生成视频  
7.6 模型比较  
7.7 小结  
# 第8章 Midjourney 图像生成标准实践  
8.1 格式修饰词  
8.2 艺术风格修饰词  
8.3 提示词逆向工程  
8.4 质量提升词  
8.5 负向提示词  
8.6 加权词  
8.7 使用图像作为提示词  
8.8 图像修补  
8.9 图像外扩  
8.10 角色一致性  
8.11 提示词重写  
8.12 模因拆解  
8.13 模因映射  
8.14 提示词分析  
8.15 小结  
# 第9章 使用 Stable Diffusion 进行图像生成的*技巧  
9.1 运行 Stable Diffusion  
9.2 AUTOMATIC1111 web UI  
9.3 图生图  
9.4 放大图像  
9.5 CLIP反推  
9.6 SD图像修补和图像外扩  
9.7 ControlNet  
9.8 SAM(分割万物模型)  
9.9 DreamBooth微调  
9.10 SDXL精炼模型  
9.11 小结  
# 第10章 构建 AI 驱动的应用  
10.1 AI博客写作  
10.2 主题调研  
10.3 *访谈  
10.4 制定大纲  
10.5 生成文本  
10.6 写作风格  
10.7 优化标题  
10.8 AI博客图片  
10.9 用户界面  
10.10 小结