大家好，我是祯民
2023 - 2024年间我在工作之余写了一本 AI 应用类的书籍，书名为《生成式AI应用开发：基于OpenAI API实现》，将于今年年后（2025.2）在清华大学出版社出版，很高兴能和大家分享这个消息~
现在还在封面选定的阶段，大家看看哪个封面比较好看，可以在评论区说说你的宝贵意见和想法，大家的想法我都会汇总给出版社的编辑老师们，一起决定封面的风格~！
本书还有一个读者群，里面有各路大咖、资深工程师和清华大学出版社的编辑老师们，感兴趣的同学可以在评论区留言，或者后台私信阿民提前加读者群，大家可以互相讨论不限于 AIGC 的各类技术、职业发展问题，定期群里还会有技术文档、面试总结等福利分享给大家，欢迎来撩~
本文是本书的内容安排原文，介绍了本书的适用同学和章节信息，供大家参考！
正文
目前国内现有的AI方向图书中更多的是ChatGPT的日常应用和大语言模型（Large Language Model，LLM）的精调，生成式AI应用的开发和落地还比较缺乏，本书的初衷就是希望可以弥补这一空白。
本书的重点是生成式应用的开发，也就是与AI相关的应用层。在实际的生成式AI应用开发中，虽然思路是可以共通的，但的确不同的载体和环境有一定的前置开发功能要求。比如本书的生成式AI应用开发中，涉及Node.js环境、浏览器环境、VSCode Host环境，虽然在每节开发过程中，会介绍一些开发相关的前置知识，但因为具体环境的开发功能不是本书重点，所以没办法面面俱到地详细介绍。
所以本书更适合有一定开发基础、使用过或者熟悉JavaScript和Python语言最佳，对开发环境和工具链有一些基础认知，同时对AI生成式应用感兴趣愿意深入的用户。对于完全没有开发经验且从零基础开始的用户来说，在学习过程中可能会遇到一些技术难题和信息不对称的问题，这可能会导致他们的学习曲线变得不平滑，甚至感到相当费劲。
本书的全部代码示例都会上传到网上，大家可以自行拉取结合章节内容调试学习加深印象。并且一些实际应用类的项目也会发布到对应平台，真正落地产生价值，借此希望给大家带来一个尽可能真实的项目学习体验，而非仅是一些纸上谈兵的示例。
回到正题，本书的正文部分由9章组成，具体的章节安排如下图所示。
第1章就是本书的绪论，让大家对生成式AI应用开发能有一个整体的认知。
第2章详细学习OpenAI API的细节，使用官方请求库去完成ChatGPT的请求，并且还会封装一个同类型请求库加深理解，这个库也会作为后续章节请求的基底。
第3章学习生成式应用中的基础应用ChatGPT，我们会从零实现一个类ChatGPT应用，并了解如何在实现ChatGPT的基础上泛化不同的角色应用，比如写作大师、在线医生、剧本杀、歌词续写等热门方向是如何搭建的。
第4章会结合飞书开放平台集成AI模型功能到飞书机器人，通过本章的学习，我们可以举一反三，将AI功能融入到日常工作学习的聊天中，同样的原理，我们也可以集成到微信小程序、企业微信、钉钉等交互平台中。
第5章和第6章会将AI融入到日常开发阶段中，通过开发VSCode插件的形式，为IDE赋能。不仅是个人开发提效，也能帮助到社区千千万万的开发者，同时这在互联网大厂中也有广泛的应用和工作岗位，对提升用户的市场竞争力很有帮助。其中第5章为VSCode插件开发的一些前置学习，第6章为AI代码辅助场景的一系列应用实战案例。
第7章将不局限于OpenAI API的使用，会深入学习开源模型社区Hugging Face，并实践如何对一个开源模型进行私有化部署和微调训练。通过本章的学习，相信大家对模型的私有化部署和精调训练会有更全面的认知，也具备使用、精调除GPT以外的不同类别模型满足实际业务场景特殊需求的能力。
第8章会学习检索增强生成技术RAG，在实际的大语言模型应用中，除了模型内置的功能外，可能还会有一些业务的文档需要模型能够借鉴，这些文档全量给模型体量过大，作为微调数据集体量又太小，成本性价比也不高，这种场景就需要对文档进行向量化和相似度匹配，进而充实Prompt，达到通过对向量知识库检索相似信息进而增强生成功能的目的。
第9章会深入Prompt Engineering，了解如何询问模型，组织优化Prompt可以拿到更有价值的答案，同时也会对目前的社区生态进行介绍，涵盖了主流的国内大模型和AI搭建应用平台Coze的相关知识点。通过本章的学习，将可以对常规开发模式外的一些调优手段、社区建设有更深入的了解，从而更高效高质量地开发复杂的生成式AI应用。
希望本书能成为大家在AGI新时代学习探索的起点，具备开发生成式AI应用的能力以及对整个AI生态产生一个全局广阔的视角。