第 1章 AI应用开发快速入门 1
1.1 “应用级”程序员入局AI应用开发领域的捷径 1
1.1.1 DeepSeek的使用 1
1.1.2 DeepSeek的能力边界 5
1.1.3 DeepSeek开源的价值 6
1.2 零开发框架实现Function Calling 6
1.2.1 Function Calling诞生的背景 7
1.2.2 开发环境准备 7
1.2.3 Function Calling实践演示 8
1.3 Agent常用设计模式 15
1.3.1 CoT模式 15
1.3.2 ReAct模式 16
1.3.3 Reflexion模式 18
1.3.4 ReWOO模式 19
1.4 零开发框架实现ReAct Agent 21
1.4.1 LangChain Hub与ReAct提示词模板 22
1.4.2 Agent工具实现逻辑 25
1.4.3 Agent多轮对话核心逻辑 26
第 2章 大模型私有化部署的3种主流方案 29
2.1 基于Ollama、AI网关和LobeChat构建高可用大模型集群 29
2.1.1 Ollama简介 29
2.1.2 GPU环境准备与Ollama安装 30
2.1.3 实战：使用Ollama单点部署DeepSeek R1 32
2.1.4 高可用大模型集群架构设计 36
2.1.5 AI时代给网关带来的挑战 37
2.1.6 实战：利用Higress和Ollama搭建高可用集群 38
2.1.7 实战：利用LobeChat实现可视化对话 44
2.2 非量化版DeepSeek分布式部署方案 46
2.2.1 快速理解Kubernetes 46
2.2.2 Kubernetes安装 49
2.2.3 容器编排与服务暴露 52
2.2.4 分布式部署与推理 55
2.2.5 使用vLLM部署DeepSeek R1 57
2.2.6 分布式计算与Ray入门 60
2.2.7 基于Kubernetes、vLLM和Ray分布式部署DeepSeek R1 61
2.3 llama.cpp：在无GPU的服务器上部署DeepSeek 70
2.3.1 llama.cpp与量化技术 71
2.3.2 基于CPU服务器和llama.cpp部署DeepSeek R1 72
2.3.3 HTTP服务发布 75
第3章 模型微调与蒸馏 78
3.1 模型微调 78
3.1.1 微调的基本概念 78
3.1.2 一站式微调平台LLaMA-Factory 79
3.1.3 将DeepSeek-R1-Distill-Qwen-7B微调为新闻分类器 88
3.2 模型蒸馏 93
3.2.1 蒸馏的流程 93
3.2.2 生成教学数据 95
3.2.3 蒸馏出一个新闻分类型Qwen2.5-7B模型 97
第4章 基于MCP打造AI求职助手 99
4.1 AI求职助手的设计 99
4.1.1 传统求职模式的基本流程 99
4.1.2 AI求职助手架构设计与技术选型 100
4.2 MCP原理与实践 101
4.2.1 MCP原理 101
4.2.2 使用MCP实现Text2SQL数据库查询 103
4.3 实现员工绩效系统MCP Server 110
4.3.1 UV与MCP项目初始化 111
4.3.2 员工绩效系统MCP Server代码实现 113
4.4 实现MCP Client 122
4.4.1 MCP通信方式 122
4.4.2 使用stdio通信方式 123
4.4.3 使用HTTP+SSE通信方式 126
4.4.4 使用Streamable HTTP通信方式 130
4.5 使用无头浏览器抓取岗位数据 132
4.5.1 岗位数据获取方法 133
4.5.2 无头浏览器实践 133
4.5.3 使用代理IP 142
4.6 人岗智能匹配 144
4.6.1 MCP Server项目管理 144
4.6.2 MCP Server的代码实现 146
4.6.3 MCP Host与MCP Client的代码实现 151
4.7 使用RAG技术对复杂简历进行浓缩 157
4.7.1 简历浓缩与RAG技术 157
4.7.2 使用RAG技术浓缩简历 159
4.8 借助AI根据岗位要求完善简历 165
4.8.1 根据岗位详情完善简历 165
4.8.2 使用模板辅助AI完善简历 168
第5章 基于平台化开发思想实现AI版“作业帮” 170
5.1 AI版“作业帮”的设计 170
5.1.1 AI应用开发中的平台化开发思想 170
5.1.2 项目流程设计 171
5.2 零代码Agent和工作流开发 171
5.2.1 零代码实现AI Agent 172
5.2.2 通过拖曳实现AI工作流 176
5.3 API工具开发套路 182
5.3.1 基于Dify配置自定义工具 183
5.3.2 基于FastAPI开发符合标准的工具 189
5.4 视觉识别技术：识别试卷题目并分析解答 193
5.4.1 OCR识别技术 193
5.4.2 使用豆包大模型 196
5.4.3 搭建“作业帮”工作流 202
5.5 RAG技术：借助题库提升答题准确率 204
5.5.1 基于RAG实现题库 204
5.5.2 将知识库问答助手加入工作流 217
5.6 引入校验机制提升答题准确率 223
5.6.1 QwQ模型简介 223
5.6.2 添加校验机制 223
5.6.3 通过飞书通知相关人员 225
第6章 基于LangGraph打造智能编程助手 230
6.1 基于LangGraph的代码生成 230
6.1.1 LangGraph诞生的背景 231
6.1.2 项目整体设计 232
6.2 LangGraph快速上手 233
6.2.1 节点与边 233
6.2.2 普通边与多节点 235
6.2.3 状态在节点间的流转 236
6.3 定制编写Web后端项目 239
6.3.1 生成简单的Golang Web后端代码 239
6.3.2 生成实体类代码 243
6.4 根据数据字典文档自动生成实体类 247
6.4.1 实现LangGraph Agent 247
6.4.2 根据数据字典生成实体类 250
6.5 复用代码库历史代码 254
6.5.1 历史代码复用思路 254
6.5.2 基于RAG实现历史代码复用 254
6.6 使用GraphRAG分析代码结构 259
6.6.1 从传统RAG到GraphRAG 260
6.6.2 GraphRAG原理 260
6.6.3 GraphRAG实战 261
第7章 基于A2A打造多Agent金融项目 268
7.1 基于LangGraph与A2A的AI金融项目 268
7.1.1 AI金融项目的背景 268
7.1.2 项目简介 268
7.2 量化分析师的金融数据抓取“神器” 269
7.2.1 AKShare与日K数据相关概念 269
7.2.2 历史日K数据的抓取与排序 272
7.3 用自然语言查询股票名称与代码 275
7.3.1 实现股票信息查询工具 275
7.3.2 LangGraph进阶 277
7.4 抓取沪深A股全部股票的日K数据 282
7.4.1 日K数据并发抓取技巧 282
7.4.2 抓取过去两年的沪深A股日K数据 285
7.4.3 增量抓取技巧 288
7.5 计划模式：让Agent有计划地分析股票数据 289
7.5.1 抓取财报数据 289
7.5.2 实现指标计算工具与财报工具 291
7.5.3 全新的Agent设计模式—计划模式 293
7.6 简易金融量化策略分析 297
7.6.1 量化策略之量能策略 297
7.6.2 量化分析Agent实战 298
7.7 A2A协议 303
7.7.1 A2A与MCP 303
7.7.2 A2A协议详解 305
7.7.3 实现基于A2A的多Agent金融助手 307
