书名：大模型API应用指南：选型、调用与落地  
定价：59.8  
ISBN：9787115704979  
作者：董良  
版次：第1版  
出版时间：2026-08  

内容提要：  
本书是一本聚焦大模型API工程落地的实战指南。全书从认知、选型、调用、集成到私有化部署，系统讲解如何跨越Demo与生产环境之间的鸿沟。内容包括：业务需求判断与ROI测算、模型分级与路由策略、上下文窗口陷阱与记忆管理、结构化输出与适配器模式、本地部署与量化压缩等。本书不涉及复杂数学公式，侧重架构决策与成本控制，帮助读者构建稳定、可控、划算的AI应用系统。本书适合AI工程师、技术型产品经理、独立*及传统软件*阅读，也适用于希望建立AI工程化思维的产品经理和技术决策者。  



作者简介：  
董良，毕业于北京航空航天大学，长期活跃在人工智能应用研发一线，擅长高并发后端架构与大模型工程化（LLM Ops）的结合。在百度文心APP中，负责关键的模型选型策略与多模态技术栈建设，支撑业务的快速迭代与创新。具备从0到1搭建复杂AI应用系统的能力，对RAG、Agent架构有深刻的实战理解。  

目录：  
前言：跨越“Demo”与“生产环境”的深渊  

第 一章 认知——决策先于代码  
1.1 你的业务真的需要大模型吗？  
1.1.1 逻辑选型的顺序  
1.1.2 什么时候*须用LLM？  
1.1.3 实战中的多种拼接  
1.1.4 本节小结  
1.2 算账：看不见的Token  
1.2.1 计费单位：Token ≠ 字数  
1.2.2 核心陷阱：汉堡包理论  
1.2.3 算一笔账：1000个用户的“破产时刻”  
1.2.4 本节小结：如何自救？  
1.3 选型策略：像CEO一样组建AI团队  
1.3.1 你的AI组织架构图  
1.3.2 决策表格：一眼看懂ROI  
1.3.3 核心架构：模型路由  
1.4 本章总结  

*章 筛选——大模型“购物指南”  
2.1 读懂参数说明书：打破厂商的“数字游戏”  
2.1.1 核心单位：它真的不是“字数”  
2.1.2 上下文窗口：大*是好？  
2.1.3 性能指标：反应快 ≠ 说话快  
2.1.4 本节小结  
2.2 场景化筛选：拿着锤子找钉子  
2.2.1 文本类：分清“文科”与“理科”  
2.2.2 视觉理解：不仅仅是“看见”，更是“看懂”  
2.2.3 听觉与视频：新维度的竞争  
2.3 测试集与榜单：建立你的“黄金测试集”  
2.3.1 为什么公开榜单“不可信”？  
2.3.2 针对模态的*“面试题库”  
2.3.3 构建你的“黄金测试集”  
2.3.4 选型决策矩阵  
2.4 识破命名游戏：别死记型号，要看“后缀”逻辑  

第三章 调用——不仅是API接入  
3.1 快速上手：如何“点火”发动模型？  
3.2 解剖API请求  
3.2.1 痛点：AI为什么总是“出戏”？  
3.2.2 原理：Messages列表的三权分立  
3.2.3 解决方案：构建*的Context结构  
3.3 掌控“温度”：Temperature与采样参数详解  
3.3.1 Temperature：概率的“混乱度”开关  
3.3.2 Top_p：精简选择的工具  
3.3.3 MaxTokens：防止废话与预算*支  
3.3.4 Seed：确保一致性  
3.4 *体验：为什么AI要像打字机一样一个个蹦字？  
3.4.1 痛点：讨厌的“加载中”转圈圈  
3.4.2 原理：SSE与TTFT  
3.4.3 解决方案：代码实现  
3.4.4 实战对比：流式传输的“隐藏坑位”  
3.5 生产级稳健性：重试与报错处理  
3.5.1 提出问题：API报错了怎么办？  
3.5.2 原理/概念：常见错误与指数退避  
3.5.3 关键配置详解  
3.5.4 真实世界的“翻车案例”  
3.6 实战演练  
3.6.1 文本创意  
3.6.2 图片理解：不仅仅是“看见”，更是“看懂”  
3.6.3 视觉生成  
3.6.4 视频生成：从“随缘抽卡”到“导演视角”  

第四章 集成——多模型接入方案  
4.1 构建模型路由中心  
4.1.1 实战惨案：被SDK“绑架”的代价  
4.1.2 核心三部曲：注册、定位、转换  
4.1.3 这种设计的“真香”时刻  
4.2 记忆管理  
4.2.1 核心痛点：为什么AI像只有七秒记忆的金鱼？  
4.2.2 基础策略分析：暴力拼接 vs 滑动窗口  
4.2.3 进阶策略：摘要总结与混合索引  
4.2.4 成本与性能的平衡  
4.3 结构化输出  
4.3.1 给模型立规矩：JSON Schema与Function Calling  
4.3.2 实战演示：定义“*路由”协议  
4.4 本章总结  

第五章 展望——私有化和未来  
5.1 自行部署方案：为什么要折腾本地版？  
5.1.1 显存：AI时代的“硬通货”  
5.1.2 量化压缩：牺牲一点“智商”换取速度  
5.1.3 TPS：每秒吐字数  
5.1.4 架构适配：LLM Adapter的威力  
5.2 尝试私有化：小白也能跑通的“Hello World”  
5.2.1 极简工具：Ollama，大模型界的“一键安装包”  
5.2.2 核心局限：为什么Ollama带不动“高并发”？  
5.2.3 升级到生产环境：vLLM  
5.2.4 模型选型：Qwen，开源界*香的源神  
5.2.5 深度实战：改一行代码，把本地模型变“私有云”  
5.3 总结：从入门到进阶  
5.3.1 你已经建立的“AI战斗力”  
5.3.2 *的建议：务实派的“心法”  
5.3.3 结语：恭喜你拿到了船票