AI工程：大模型应用开发实战

把AI应用的工程问题放在一起思考

选择模型之后，AI应用还会遇到一连串问题：回答质量怎样衡量，企业知识如何接入，是否需要微调，响应速度与成本怎样平衡。《AI工程：大模型应用开发实战》围绕这些问题，讨论利用现成基础模型构建应用的方法。

作者Chip Huyen将模型、数据、评估和部署放在同一条开发流程中。它适合已经做过简单原型、准备进一步处理可靠性和维护问题的读者，也能帮助技术团队建立讨论方案的共同语言。

四个值得关注的工程主题

• 模型选择与评估：围绕具体任务确定评价方式，让模型和方案的比较有可以检验的依据。
• 应用适配方法：了解提示工程、RAG、微调与智能体各自涉及的问题，思考何时采用哪种方法。
• 数据与反馈：关注数据集质量、用户反馈和迭代过程，理解应用效果怎样持续改进。
• 延迟与成本：认识基础模型服务中的性能瓶颈，把使用体验和运行开销纳入设计。

适合谁读，怎样结合项目使用

适合AI应用开发者、机器学习工程师、技术负责人及技术产品经理。读者最好已有软件开发或技术项目经验；涉及模型与推理的章节，需要愿意补充相关基础知识。

本站建议带着一个明确项目阅读，例如客服知识库或资料整理助手。先写下典型输入、期望输出和容易失败的情况，再对照评估、数据和架构相关章节检查缺口。这样更容易判断一个技术方案能否解决当前问题。

推荐理由与阅读边界

本书的长期价值，在于训练工程取舍能力：怎样定义“效果足够好”，怎样比较不同方法，以及怎样考虑部署后的反馈与维护。对从演示走向实际使用的团队，这些问题往往需要比调用接口更系统的准备。

它偏重系统方法和技术决策，阅读时仍需配合具体框架文档、实验与测试。书中的模型价格、接口和生态信息具有时效性，应以实际使用时的官方资料为准；完成阅读也不能替代安全审查、数据权限确认或上线验证。