Intended for beginners in application development with a basic understanding of Python, this book focuses on developing an engineering mindset around text generation, question-answering, summarization, and RAG. When reading, be sure to distinguish between stable concepts and interfaces that are subject to change.
从会用聊天工具到能够开发AI应用，中间缺少的往往不是更多提示词，而是把输入、模型调用、数据、输出检查与用户界面连接起来的能力。这本书适合用较短的阅读路径认识这条链路。它的价值不是保证你复制代码就能得到可商用产品，而是帮助你把“让模型回答一个问题”拆成可设计、可测试的小步骤。对于第一次接触大模型应用开发的人，这种拆解能力通常比一次性掌握很多框架更有用。
本条介绍中文版第2版，作者为Olivier Caelen、Marie-Alice Blete，何文斯译，人民邮电出版社2025年3月出版，ISBN为9787115664662。原版书名为Developing Apps with GPT-4 and ChatGPT, 2e。两位作者具有机器学习研究和软件架构相关背景。这是指定版本的书籍介绍，不把书名中的模型名称理解为当前最新模型，也不将它包装成2026年的实时产品说明。
书中围绕语言模型基础、Python应用、文本生成、问答和摘要展开，并涉及提示工程、微调、检索增强生成以及应用框架等进阶话题。建议关注这些方法分别在解决什么问题，而不是看到框架名称就逐个添加到项目里。比如回答缺少资料和回答格式不稳定，可能需要不同的处理方式；增加系统复杂度并不自动等于改善结果。把每个技术选择写成一个可以通过实验验证的假设，比搭出一个功能很多的演示更有学习价值。
适合会读写基础Python、理解函数与常见数据结构、愿意动手做小项目的开发入门者。产品经理或技术负责人也可以用它了解应用结构，但若不做练习，不能期待获得同等开发能力。它不是训练基础大模型的数学教材，也不是不写代码就能部署企业系统的说明书。如果你的目标是理解模型内部训练机制，应该另选更偏原理的资料；如果目标是做第一个可检验的应用原型，这类路径更直接。
先选择边界清楚的小任务，例如对一组公开文本进行结构化摘要。提前准备几类正常输入和几类异常输入，并写下什么样的输出算合格。第一轮只完成最小链路，第二轮再观察错误类型：遗漏事实、编造内容、格式错误或响应不稳定。每次修改只解决一种主要问题，保留前后结果，避免仅凭一两次看起来不错的回答判断进步。练习素材尽量采用公开或自行编写内容，不把真实客户信息、密钥和内部文件当作测试样本。
本书出版于2025年，书中提到的模型、插件、接口和第三方框架都具有版本背景。学习时应把可迁移的应用思想与具体代码调用方式分开：概念可以帮助你理解问题，实际运行仍需查阅相应服务的当前官方文档，并确认账户可用性、费用和数据处理要求。这里不承诺示例在当前环境原样可跑，也不把曾经出现的功能名称当成持续有效的产品保证。工程实践还需要补上错误处理、访问控制、日志与成本约束。
与《从零构建大模型》相比，这本书更偏调用已有模型构建应用，而不是亲手实现和训练模型；两条路线解决的问题不同。与《AI工程：大模型应用开发实战》相比，可以把它作为较轻量的入门台阶，再继续学习更系统的评估、部署与维护。读完建议留下一份带测试样例的小项目说明，清楚写出能做什么、不能做什么、失败时如何处理。能诚实说明边界，比给项目堆上“智能体”之类标签更重要。
简体中文 简体中文 
English