ChatGPT与大模型研究

1.1 选择对的工具，每周能省下好几个小时 有客户反馈你们的结账流程出现了一个严重 Bug。工程团队正埋头冲季度路线图。你需要做分诊（triage）：这是真 Bug 还是用户误操作？影响范围多大？该由

本章涵盖： 用版本控制与测试实现提示工程（prompt engineering）工作流 面向非确定性生成系统的测试策略 为生产部署安全护栏与治理框架 面向 LLM 应用的对抗测试与漏洞评估 把 LLM

本章涵盖： LLM 如何扩展传统 MLOps 基础设施与实践 从文档摄取到响应生成，构建一个 RAG 系统 通过版本控制与测试实现提示工程（prompt engineering）工作流 为多步骤 LL

本章涵盖 为 ML 应用搭建监控与日志 使用 Alertmanager 路由告警 使用 Loki 存储日志，实现可扩展的日志聚合与查询 识别数据漂移（data drift） 使用模型可解释性理解 ML

本章涵盖： 使用 BentoML 进行模型服务与构建模型服务器 BentoML 中的可观测性与监控 打包与部署 BentoML Services 结合使用 BentoML 与 MLflow 仅使用 M

本章涵盖 使用 Kubernetes PersistentVolumes 存储与检索数据集 使用 MLflow 与 TensorBoard 追踪并可视化训练过程 理解血缘（lineage）与实验追踪的

本章涵盖： 设计模块化的训练组件 在追踪框架中捕获指标与产物（artifacts） 将模型训练与验证组件加入流水线（pipelines） 使用不同方法访问训练与评估数据 构建可靠的机器学习系统，不仅仅

本章内容包括： 为 Kubeflow Notebooks 构建并启动镜像 使用 Kubeflow Notebooks 做数据分析 在 Kubeflow Pipelines 中传递数据 编写能够传递数据

本章内容涵盖： 使用 BentoML 部署管理器将 ML 模型以服务形式部署 使用 Evidently 跟踪数据漂移 在第 5 章编排了 ML 流水线之后，我们现在要面对 ML 生命周期中的两个关键挑

本章提供了一份在你的组织中落地实施 agentic mesh 的实用路线图——也就是本书所描绘的、可在企业规模运行的生态系统：成千上万的自治智能体与人类以及现有系统并肩协作。我们的路线图（见图 15-

在更早的章节里，我们论证过：智能体的挑战，归根结底是一个规模（scale） 问题。少量智能体可以靠人工管理，就像早期服务器或微服务曾经也能手工部署一样。但当 mesh 成熟时，我们面对的将不再是几十个

运行模型是连接战略与执行的“结缔组织”。它把宏大的愿景——无论是效率、创新还是韧性——翻译成日常例行机制，从而规定人、流程与技术如何协同工作。落到实践中，运行模型会明确角色、决策权、信息流，以及问责机

行业观察者表示，智能体将精简业务流程、重塑工作岗位，并开启一个创新的新纪元——至少，这是它们所承诺的。但过往技术浪潮的经验告诉我们一个残酷事实：即便某项技术成本低廉且强大无比，若缺乏信任，它也无法获得

在更早的章节里，我们描述了 agentic mesh 如何让智能体与人之间形成结构化交互——消息如何流动、上下文如何维持、推理链如何在分布式参与者之间延展。本章迈出下一步：为这个动态系统加固安全性。传

本章将涵盖： 使用 Kubeflow Pipelines 构建用于模型推理的批处理流水线 创建一条完整的批处理推理工作流：从加载数据到运行模型推理 在第 4 章中，我们用 MLflow 建立了可靠的实

本章将涵盖： ML 平台的工具链 使用 MLflow 实验追踪器跟踪 ML 实验 在 MLflow Registry 中存储并使用训练好的模型 在 Feast 特征库中注册模型特征 随着我们更深入 M

本章将涵盖： 搭建 ML 平台的基础设施骨干 使用 Docker 对应用进行容器化封装 使用 Kubernetes 编排部署 自动化构建与部署 为生产应用实现监控 作为一名 ML 工程师，你的主要职责

本章将涵盖： 理解机器学习运维（MLOps）及其在生产级 ML 中的作用 构建可靠 ML 系统时的关键挑战 MLOps 与传统 DevOps 的差异 通过结构化的 ML 流程建立信心 在第 1 章中，

本章将涵盖： 理解生产环境中的机器学习（ML）系统 从实验到部署的完整 ML 生命周期 构建生产级 ML 工程所需的关键技能 搭建你的第一个 ML 平台 真实世界 ML 项目的架构 你准备好自信地构建

引言（Introduction） 许多开发者在并未充分理解 AI 编码工具的使用方式、以及它如何融入既有工作流的情况下，就直接安装并开始使用。这会导致碎片化体验，非但不能提升生产力，反而会拉低效率。并