chiphuyen/aie-book
GitHub: chiphuyen/aie-book
为 AI 工程师和技术管理者提供基于基础模型构建生产级应用的系统化学习资源、案例研究和工程最佳实践。
Stars: 15015 | Forks: 2176
# 《AI Engineering》书籍及其他资源
- [关于《AI Engineering》一书](#about-the-book)
- [目录](ToC.md)
- [章节摘要](chapter-summaries.md)
- [学习笔记](study-notes.md)
- [AI 工程资源](resources.md)
- [Prompt 示例](prompt-examples.md)
- [案例研究](case-studies.md)
- [AI 对齐问题](misalignment.md)
- [附录](appendix.md)
- 有趣的工具：
- [ChatGPT 与 Claude 对话热力图生成器](scripts/ai-heatmap.ipynb)
- 更多内容 ...
## 关于本书
基础模型的可获得性已将 AI 从一门专业学科转变为每个人都可以使用的强大开发工具。本书涵盖了调整基础模型以解决现实世界问题的端到端过程，既包含了来自其他工程领域的可靠技术，也涵盖了随基础模型而兴起的新技术。
[
](https://amzn.to/49j1cGS)[
](https://amzn.to/49j1cGS)
本书可在以下平台购买：
- [Amazon](https://amzn.to/49j1cGS)
- [O'Reilly](https://oreillymedia.pxf.io/c/5719111/2146021/15173)
- [Kindle](https://amzn.to/3Vq2ryu)
以及大多数销售技术书籍的地方。
_这 NOT 是一本教程书，因此没有很多代码片段。_
## 本书主要内容
本书提供了一个用于调整基础模型（包括大语言模型 (LLM) 和大多模态模型 (LMM)）以适应特定应用的框架。它不仅概述了构建 AI 应用的各种解决方案，还提出了您可以用来评估满足您需求的最佳解决方案的问题。以下是本书可以帮助您解答的众多问题中的一部分：
1. 我应该构建这个 AI 应用吗？
2. 我该如何评估我的应用？我能使用 AI 来评估 AI 的输出吗？
3. 是什么导致了幻觉？我该如何检测和缓解幻觉？
4. Prompt 工程的最佳实践是什么？
5. 为什么 RAG 有效？执行 RAG 的策略有哪些？
6. 什么是 Agent？我该如何构建和评估 Agent？
7. 什么时候该微调模型？什么时候不该微调模型？
8. 我需要多少数据？我该如何验证数据质量？
9. 我如何让我的模型更快、成本更低且更安全？
10. 我如何创建反馈循环以持续改进我的应用？
本书还将帮助您驾驭令人眼花缭乱的 AI 领域：模型的类型、评估基准，以及看似无限多的用例和应用模式。
本书中的内容通过真实的案例研究进行说明，其中许多是我亲自参与过的，并辅以大量的参考文献，经过了来自不同背景专家的广泛审阅。尽管这本书花了两年时间才写完，但它汲取了我过去十年从事语言模型和 ML 系统工作的经验。
与我上一本书 _[Designing Machine Learning Systems (DMLS)](https://amzn.to/4fXVZH2)_ 一样，本书侧重于 AI 工程的基础知识，而不是任何特定的工具或 API。工具很快就会过时，但基础知识应该能持续更长时间。
### 将《AI Engineering》(AIE) 与《Designing Machine Learning Systems》(DMLS) 结合阅读
AIE 可以作为 DMLS 的续作。DMLS 侧重于在传统 ML 模型之上构建应用，这涉及更多的表格数据标注、特征工程和模型训练。AIE 侧重于在基础模型之上构建应用，这涉及更多的 Prompt 工程、上下文构建和参数高效微调。这两本书都是自成体系且模块化的，因此您可以独立阅读其中任何一本。
由于基础模型也是 ML 模型，因此有些概念与两者的应用都相关。如果某个主题与 AIE 相关但已在 DMLS 中进行了广泛讨论，本书仍会涉及，但会相对简略，并提供指向相关资源的指引。
请注意，DMLS 中涵盖的许多主题在 AIE 中并没有出现，反之亦然。本书的第一章还介绍了传统 ML 工程与 AI 工程之间的区别。
现实世界的系统通常同时涉及传统的 ML 模型和基础模型，因此了解如何使用这两者的知识通常是必要的。
## 本书适合谁
本书适合任何希望利用基础模型解决现实世界问题的人。这是一本技术书籍，因此本书的语言面向的是技术角色，包括 AI 工程师、ML 工程师、数据科学家、工程经理和技术产品经理。如果您符合以下情况之一，这本书就适合您：
* 您正在构建或优化 AI 应用，无论您是白手起家，还是希望超越演示阶段进入生产就绪阶段。您可能还面临幻觉、安全性、延迟或成本等问题，并且需要针对性的解决方案。
* 您希望简化团队的 AI 开发流程，使其更加系统化、更快捷、更可靠。
* 您希望了解您的组织如何利用基础模型来改善企业的利润底线，以及如何为此组建团队。
如果您属于以下群体之一，您也可以从本书中受益：
* 希望找出 AI 工程中服务不足的领域，以便在生态系统中定位您的产品的工具开发者。
* 希望更好地了解 AI 用例的研究人员。
* 寻求明确成为一名 AI 工程师所需技能的求职者。
* 任何希望更好地了解 AI 的能力和局限性，以及它可能如何影响不同角色的人。
我喜欢探究事物的本质，所以有些部分会深入探讨技术层面。虽然许多早期读者喜欢这些细节，但我知道这可能并不适合所有人。在内容变得过于技术化之前，我会提前提醒您。如果感觉内容过于深奥，请随时跳过！
## 评价
- _“这本书为构建生成式 AI 系统的关键方面提供了一个全面、结构良好的指南。对于任何希望在企业范围内扩展 AI 的专业人士来说，这都是必读之作。”_ - Vittorio Cretella，P&G 和 Mars 前全球 CIO
- _“Chip Huyen 真正理解了生成式 AI。她是一位杰出的教师和作家，其作品在帮助团队将 AI 投入生产方面发挥了重要作用。凭借其深厚的专业知识，《AI Engineering》是一本关于在生产中构建生成式 AI 应用的全面而整体的指南。”_ - Luke Metz，ChatGPT 联合创作者，前 OpenAI 研究经理
- _“每一位构建现实世界应用的 AI 工程师都应该读读这本书。这是一本关于端到端 AI 系统设计的重要指南，涵盖了从模型开发和评估到大规模部署和运营的各个方面。”_ - Andrei Lopatenko，Neuron7 搜索与 AI 总监
- _“这本书是构建可扩展 AI 产品的重要指南。与其他关注不断变化的工具或当前趋势的书籍不同，Chip 传授了经久不衰的基础知识。无论您是产品经理还是工程师，这本书都能有效地弥合跨职能团队之间的协作鸿沟，使其成为任何参与 AI 开发的人的必读之作。”_ - Aileen Bui，Google AI 产品运营经理
- _“这是从 ML 工程领域的一位大师通往 AI 工程的权威过渡！Chip 见证了公司每个阶段成功的项目和职业生涯，并且有史以来第一次将她的专业知识浓缩给进入该领域的新晋 AI 工程师。”_ - swyx，AI.Engineer 策展人
- _“《AI Engineering》是一本实用的指南，提供了关于 AI 开发的最新信息，使新手和专家领导者都能轻松上手。对于任何希望构建强大且可扩展的 AI 系统的人来说，这本书都是必不可少的资源。”_ - Vicki Reyzelman，Mave Sparks 首席 AI 解决方案架构师
- _“《AI Engineering》是一本全面的指南，是理解和在实践中实施 AI 系统的重要参考资料。”_ - Han Lee，Moody's 数据科学总监
- _“《AI Engineering》是任何使用生成式 AI 构建软件的人的必备指南！它揭开了这项技术的神秘面纱，强调了评估的重要性，并分享了在开始昂贵的微调之前应该做些什么来保证质量。”_ - Rafal Kawala，高级 AI 工程总监，拥有 16 年财富 500 强公司工作经验
欢迎在 Twitter [@aisysbooks](https://twitter.com/aisysbooks/likes) 上查看大家对这本书的评价！
## 致谢
如果没有这么多优秀的人在过程中给予我帮助，这本书的撰写将花费更长的时间，并且会遗漏许多重要的主题。
由于这个项目的时间表很紧——两年内完成一本涵盖如此多内容的 15 万字书籍——我非常感谢那些抽出宝贵时间如此迅速地审阅本书的技术审校者。
[Luke Metz](https://x.com/luke_metz) 是一位极好的意见反馈者，他验证了我的假设并防止我误入歧途。[Han-chung Lee](https://www.linkedin.com/in/hanchunglee/) 总是紧跟最新的 AI 新闻和社区发展，为我指明了我遗漏的资源。Luke 和 Han 是在我将草稿发送给下一轮技术审校者之前第一批进行审阅的人，我永远感激他们容忍我的愚蠢和错误。
[Vittorio Cretella](https://www.linkedin.com/in/vittorio-cretella/) 和 [Andrei Lopatenko](https://www.linkedin.com/in/lopatenko/) 曾在财富 500 强公司领导 AI 创新，他们提供了宝贵的反馈，将深厚的技术专长与高管视角的洞察相结合。[Vicki Reyzelman](https://www.linkedin.com/in/vickireyzelman/) 帮助我使内容更加扎实，并保持其对具有软件工程背景的读者的实用性。
[Eugene Yan](https://eugeneyan.com/) 是一位亲爱的朋友和出色的应用科学家，为我提供了技术和情感支持。Shawn Wang ([swyx](https://x.com/swyx)) 提供了重要的氛围检查，帮助我对这本书更有信心。[Sanyam Bhutani](https://x.com/bhutanisanyam1) 是我认识的最优秀的学习者和最谦虚的人之一，他不仅给出了深思熟虑的书面反馈，还录制了视频来解释他的反馈。
Kyle Krannen 是一位明星深度学习负责人，他采访了同事并与我分享了一份关于他们微调过程的精彩总结，这为微调章节提供了指导。[Mark Saroufim](https://x.com/marksaroufim) 是一个充满好奇心的人，他总是关注着最有趣的问题，并向我介绍了关于效率方面的优秀资源。Kyle 和 Mark 的反馈对于撰写第 7 章和第 9 章至关重要。
[Kittipat "Bot" Kampa](https://www.linkedin.com/in/kittipat-bot-kampa-1b1965/) 不仅回答了我许多问题，还与我分享了一份关于他如何看待 AI 平台的详细可视化图表。我感谢 [Denys Linkov](https://www.linkedin.com/in/denyslinkov/) 在评估和平台开发方面系统化的方法。[Chetan Tekur](https://www.linkedin.com/in/chetantekur/) 给出了很好的例子，帮助我构建了 AI 应用模式。我还要感谢 [Alex (Shengzhi Li) Li](https://www.linkedin.com/in/findalexli/) 和 [Hien Luu](https://www.linkedin.com/in/hienluu/) 对我关于 AI 架构草稿提出的深思熟虑的反馈。
[Aileen Bui](https://www.linkedin.com/in/aileenbui/) 是个宝藏，她从产品经理的角度分享了独特的反馈和例子。感谢 [Todor Markov](https://www.linkedin.com/in/todor-markov-4aa38a67/) 对 RAG 和 Agents 章节的可行性建议。感谢 [Tal Kachman](https://www.linkedin.com/in/tal-kachman/) 在最后关头挺身而出，推动微调章节顺利完成。
有许多优秀的人，他们的陪伴和交谈给了我启发本书内容的想法。我尽了最大努力将所有帮助过我的人的名字列在这里，但由于人类记忆固有的缺陷，我毫无疑问地遗漏了很多人。如果我忘记了加上您的名字，请知道这并不是因为我不感激您的贡献，并请您善意地提醒我，以便我能尽快更正！
Andrew Francis, Anish Nag, [Anthony Galczak](https://www.linkedin.com/in/wgalczak/), [Anton Bacaj](https://x.com/abacaj), Balázs Galambosi, Charles Frye, Charles Packer, Chris Brousseau, Eric Hartford, Goku Mohandas, Hamel Husain, Harpreet Sahota, Hassan El Mghari, Huu Nguyen, Jeremy Howard, Jesse Silver, John Cook, [Juan Pablo Bottaro](https://www.linkedin.com/in/juan-pablo-bottaro/), Kyle Gallatin, Lance Martin, Lucio Dery, Matt Ross, Maxime Labonne, Miles Brundage, Nathan Lambert, Omar Khattab, [Phong Nguyen](https://www.linkedin.com/in/xphongvn/), Purnendu Mukherjee, Sam Reiswig, Sebastian Raschka, Shahul ES, Sharif Shameem, Soumith Chintala, Teknium, Tim Dettmers, Undi5, Val Andrei Fajardo, Vern Liang, Victor Sanh, Wing Lian, Xiquan Cui, Ying Sheng, 以及 Kristofer.
我要感谢所有主动提供反馈的早期读者。Douglas Bailley 是一位超级读者，他分享了非常多深思熟虑的反馈。感谢 Nutan Sahoo 提出了一种优雅的方式来解释困惑度。
我从与这么多人的在线讨论中学到了很多。感谢每一个曾经回答过我问题、评论过我的帖子，或发电子邮件与我分享您想法的人。
当然，如果没有 O'Reilly 团队，这本书是不可能问世的，特别是我的开发编辑 和制作编辑。Liz Wheeler 是我合作过的最敏锐的编辑。Nicole Butterfield 是一股推动力量，她监督了这本书从最初的想法变成最终的成品。
毕竟，这本书是我在整个职业生涯中学到的宝贵经验的结晶。我把这些经验归功于我极其能干和耐心的同事及前同事。与我共事过的每一个人都教会了我一些将 ML 带入这个世界的新知识。
Chip Huyen, *AI Engineering*. O'Reilly Media, 2025. ``` @book{aiebook2025, address = {USA}, author = {Chip Huyen}, isbn = {978-1801819312}, publisher = {O'Reilly Media}, title = {{AI Engineering}}, year = {2025} } ```
](https://amzn.to/49j1cGS)[](https://amzn.to/49j1cGS)
本书可在以下平台购买：
- [Amazon](https://amzn.to/49j1cGS)
- [O'Reilly](https://oreillymedia.pxf.io/c/5719111/2146021/15173)
- [Kindle](https://amzn.to/3Vq2ryu)
以及大多数销售技术书籍的地方。
_这 NOT 是一本教程书，因此没有很多代码片段。_
## 本书主要内容
本书提供了一个用于调整基础模型（包括大语言模型 (LLM) 和大多模态模型 (LMM)）以适应特定应用的框架。它不仅概述了构建 AI 应用的各种解决方案，还提出了您可以用来评估满足您需求的最佳解决方案的问题。以下是本书可以帮助您解答的众多问题中的一部分：
1. 我应该构建这个 AI 应用吗？
2. 我该如何评估我的应用？我能使用 AI 来评估 AI 的输出吗？
3. 是什么导致了幻觉？我该如何检测和缓解幻觉？
4. Prompt 工程的最佳实践是什么？
5. 为什么 RAG 有效？执行 RAG 的策略有哪些？
6. 什么是 Agent？我该如何构建和评估 Agent？
7. 什么时候该微调模型？什么时候不该微调模型？
8. 我需要多少数据？我该如何验证数据质量？
9. 我如何让我的模型更快、成本更低且更安全？
10. 我如何创建反馈循环以持续改进我的应用？
本书还将帮助您驾驭令人眼花缭乱的 AI 领域：模型的类型、评估基准，以及看似无限多的用例和应用模式。
本书中的内容通过真实的案例研究进行说明，其中许多是我亲自参与过的，并辅以大量的参考文献，经过了来自不同背景专家的广泛审阅。尽管这本书花了两年时间才写完，但它汲取了我过去十年从事语言模型和 ML 系统工作的经验。
与我上一本书 _[Designing Machine Learning Systems (DMLS)](https://amzn.to/4fXVZH2)_ 一样，本书侧重于 AI 工程的基础知识，而不是任何特定的工具或 API。工具很快就会过时，但基础知识应该能持续更长时间。
### 将《AI Engineering》(AIE) 与《Designing Machine Learning Systems》(DMLS) 结合阅读
AIE 可以作为 DMLS 的续作。DMLS 侧重于在传统 ML 模型之上构建应用，这涉及更多的表格数据标注、特征工程和模型训练。AIE 侧重于在基础模型之上构建应用，这涉及更多的 Prompt 工程、上下文构建和参数高效微调。这两本书都是自成体系且模块化的，因此您可以独立阅读其中任何一本。
由于基础模型也是 ML 模型，因此有些概念与两者的应用都相关。如果某个主题与 AIE 相关但已在 DMLS 中进行了广泛讨论，本书仍会涉及，但会相对简略，并提供指向相关资源的指引。
请注意，DMLS 中涵盖的许多主题在 AIE 中并没有出现，反之亦然。本书的第一章还介绍了传统 ML 工程与 AI 工程之间的区别。
现实世界的系统通常同时涉及传统的 ML 模型和基础模型，因此了解如何使用这两者的知识通常是必要的。
## 本书适合谁
本书适合任何希望利用基础模型解决现实世界问题的人。这是一本技术书籍，因此本书的语言面向的是技术角色，包括 AI 工程师、ML 工程师、数据科学家、工程经理和技术产品经理。如果您符合以下情况之一，这本书就适合您：
* 您正在构建或优化 AI 应用，无论您是白手起家，还是希望超越演示阶段进入生产就绪阶段。您可能还面临幻觉、安全性、延迟或成本等问题，并且需要针对性的解决方案。
* 您希望简化团队的 AI 开发流程，使其更加系统化、更快捷、更可靠。
* 您希望了解您的组织如何利用基础模型来改善企业的利润底线，以及如何为此组建团队。
如果您属于以下群体之一，您也可以从本书中受益：
* 希望找出 AI 工程中服务不足的领域，以便在生态系统中定位您的产品的工具开发者。
* 希望更好地了解 AI 用例的研究人员。
* 寻求明确成为一名 AI 工程师所需技能的求职者。
* 任何希望更好地了解 AI 的能力和局限性，以及它可能如何影响不同角色的人。
我喜欢探究事物的本质，所以有些部分会深入探讨技术层面。虽然许多早期读者喜欢这些细节，但我知道这可能并不适合所有人。在内容变得过于技术化之前，我会提前提醒您。如果感觉内容过于深奥，请随时跳过！
## 评价
- _“这本书为构建生成式 AI 系统的关键方面提供了一个全面、结构良好的指南。对于任何希望在企业范围内扩展 AI 的专业人士来说，这都是必读之作。”_ - Vittorio Cretella，P&G 和 Mars 前全球 CIO
- _“Chip Huyen 真正理解了生成式 AI。她是一位杰出的教师和作家，其作品在帮助团队将 AI 投入生产方面发挥了重要作用。凭借其深厚的专业知识，《AI Engineering》是一本关于在生产中构建生成式 AI 应用的全面而整体的指南。”_ - Luke Metz，ChatGPT 联合创作者，前 OpenAI 研究经理
- _“每一位构建现实世界应用的 AI 工程师都应该读读这本书。这是一本关于端到端 AI 系统设计的重要指南，涵盖了从模型开发和评估到大规模部署和运营的各个方面。”_ - Andrei Lopatenko，Neuron7 搜索与 AI 总监
- _“这本书是构建可扩展 AI 产品的重要指南。与其他关注不断变化的工具或当前趋势的书籍不同，Chip 传授了经久不衰的基础知识。无论您是产品经理还是工程师，这本书都能有效地弥合跨职能团队之间的协作鸿沟，使其成为任何参与 AI 开发的人的必读之作。”_ - Aileen Bui，Google AI 产品运营经理
- _“这是从 ML 工程领域的一位大师通往 AI 工程的权威过渡！Chip 见证了公司每个阶段成功的项目和职业生涯，并且有史以来第一次将她的专业知识浓缩给进入该领域的新晋 AI 工程师。”_ - swyx，AI.Engineer 策展人
- _“《AI Engineering》是一本实用的指南，提供了关于 AI 开发的最新信息，使新手和专家领导者都能轻松上手。对于任何希望构建强大且可扩展的 AI 系统的人来说，这本书都是必不可少的资源。”_ - Vicki Reyzelman，Mave Sparks 首席 AI 解决方案架构师
- _“《AI Engineering》是一本全面的指南，是理解和在实践中实施 AI 系统的重要参考资料。”_ - Han Lee，Moody's 数据科学总监
- _“《AI Engineering》是任何使用生成式 AI 构建软件的人的必备指南！它揭开了这项技术的神秘面纱，强调了评估的重要性，并分享了在开始昂贵的微调之前应该做些什么来保证质量。”_ - Rafal Kawala，高级 AI 工程总监，拥有 16 年财富 500 强公司工作经验
欢迎在 Twitter [@aisysbooks](https://twitter.com/aisysbooks/likes) 上查看大家对这本书的评价！
## 致谢
如果没有这么多优秀的人在过程中给予我帮助，这本书的撰写将花费更长的时间，并且会遗漏许多重要的主题。
由于这个项目的时间表很紧——两年内完成一本涵盖如此多内容的 15 万字书籍——我非常感谢那些抽出宝贵时间如此迅速地审阅本书的技术审校者。
[Luke Metz](https://x.com/luke_metz) 是一位极好的意见反馈者，他验证了我的假设并防止我误入歧途。[Han-chung Lee](https://www.linkedin.com/in/hanchunglee/) 总是紧跟最新的 AI 新闻和社区发展，为我指明了我遗漏的资源。Luke 和 Han 是在我将草稿发送给下一轮技术审校者之前第一批进行审阅的人，我永远感激他们容忍我的愚蠢和错误。
[Vittorio Cretella](https://www.linkedin.com/in/vittorio-cretella/) 和 [Andrei Lopatenko](https://www.linkedin.com/in/lopatenko/) 曾在财富 500 强公司领导 AI 创新，他们提供了宝贵的反馈，将深厚的技术专长与高管视角的洞察相结合。[Vicki Reyzelman](https://www.linkedin.com/in/vickireyzelman/) 帮助我使内容更加扎实，并保持其对具有软件工程背景的读者的实用性。
[Eugene Yan](https://eugeneyan.com/) 是一位亲爱的朋友和出色的应用科学家，为我提供了技术和情感支持。Shawn Wang ([swyx](https://x.com/swyx)) 提供了重要的氛围检查，帮助我对这本书更有信心。[Sanyam Bhutani](https://x.com/bhutanisanyam1) 是我认识的最优秀的学习者和最谦虚的人之一，他不仅给出了深思熟虑的书面反馈，还录制了视频来解释他的反馈。
Kyle Krannen 是一位明星深度学习负责人，他采访了同事并与我分享了一份关于他们微调过程的精彩总结，这为微调章节提供了指导。[Mark Saroufim](https://x.com/marksaroufim) 是一个充满好奇心的人，他总是关注着最有趣的问题，并向我介绍了关于效率方面的优秀资源。Kyle 和 Mark 的反馈对于撰写第 7 章和第 9 章至关重要。
[Kittipat "Bot" Kampa](https://www.linkedin.com/in/kittipat-bot-kampa-1b1965/) 不仅回答了我许多问题，还与我分享了一份关于他如何看待 AI 平台的详细可视化图表。我感谢 [Denys Linkov](https://www.linkedin.com/in/denyslinkov/) 在评估和平台开发方面系统化的方法。[Chetan Tekur](https://www.linkedin.com/in/chetantekur/) 给出了很好的例子，帮助我构建了 AI 应用模式。我还要感谢 [Alex (Shengzhi Li) Li](https://www.linkedin.com/in/findalexli/) 和 [Hien Luu](https://www.linkedin.com/in/hienluu/) 对我关于 AI 架构草稿提出的深思熟虑的反馈。
[Aileen Bui](https://www.linkedin.com/in/aileenbui/) 是个宝藏，她从产品经理的角度分享了独特的反馈和例子。感谢 [Todor Markov](https://www.linkedin.com/in/todor-markov-4aa38a67/) 对 RAG 和 Agents 章节的可行性建议。感谢 [Tal Kachman](https://www.linkedin.com/in/tal-kachman/) 在最后关头挺身而出，推动微调章节顺利完成。
有许多优秀的人，他们的陪伴和交谈给了我启发本书内容的想法。我尽了最大努力将所有帮助过我的人的名字列在这里，但由于人类记忆固有的缺陷，我毫无疑问地遗漏了很多人。如果我忘记了加上您的名字，请知道这并不是因为我不感激您的贡献，并请您善意地提醒我，以便我能尽快更正！
Andrew Francis, Anish Nag, [Anthony Galczak](https://www.linkedin.com/in/wgalczak/), [Anton Bacaj](https://x.com/abacaj), Balázs Galambosi, Charles Frye, Charles Packer, Chris Brousseau, Eric Hartford, Goku Mohandas, Hamel Husain, Harpreet Sahota, Hassan El Mghari, Huu Nguyen, Jeremy Howard, Jesse Silver, John Cook, [Juan Pablo Bottaro](https://www.linkedin.com/in/juan-pablo-bottaro/), Kyle Gallatin, Lance Martin, Lucio Dery, Matt Ross, Maxime Labonne, Miles Brundage, Nathan Lambert, Omar Khattab, [Phong Nguyen](https://www.linkedin.com/in/xphongvn/), Purnendu Mukherjee, Sam Reiswig, Sebastian Raschka, Shahul ES, Sharif Shameem, Soumith Chintala, Teknium, Tim Dettmers, Undi5, Val Andrei Fajardo, Vern Liang, Victor Sanh, Wing Lian, Xiquan Cui, Ying Sheng, 以及 Kristofer.
我要感谢所有主动提供反馈的早期读者。Douglas Bailley 是一位超级读者，他分享了非常多深思熟虑的反馈。感谢 Nutan Sahoo 提出了一种优雅的方式来解释困惑度。
我从与这么多人的在线讨论中学到了很多。感谢每一个曾经回答过我问题、评论过我的帖子，或发电子邮件与我分享您想法的人。
当然，如果没有 O'Reilly 团队，这本书是不可能问世的，特别是我的开发编辑 和制作编辑。Liz Wheeler 是我合作过的最敏锐的编辑。Nicole Butterfield 是一股推动力量，她监督了这本书从最初的想法变成最终的成品。
毕竟，这本书是我在整个职业生涯中学到的宝贵经验的结晶。我把这些经验归功于我极其能干和耐心的同事及前同事。与我共事过的每一个人都教会了我一些将 ML 带入这个世界的新知识。
Chip Huyen, *AI Engineering*. O'Reilly Media, 2025. ``` @book{aiebook2025, address = {USA}, author = {Chip Huyen}, isbn = {978-1801819312}, publisher = {O'Reilly Media}, title = {{AI Engineering}}, year = {2025} } ```
标签：AI安全, AI对齐, AI工程, AI幻觉, AI评估, Apex, C2, Chat Copilot, ChatGPT, Claude, CVE检测, DLL 劫持, LLM, LMM, Promptflow, RAG, Unmanaged PE, 书籍, 人工智能, 基础模型, 多模态模型, 大模型, 大语言模型, 学习资源, 开源资源, 技术书籍, 技术图书, 提示词工程, 机器学习, 机器学习工程, 案例研究, 检索增强生成, 深度学习, 用户模式Hook绕过, 策略决策点, 算法, 软件开发, 逆向工具