AI Engineering: Building Applications with Foundation Models 抢先读

1. Why：为什么我们需要这本书？

1.1 AI 时代的新挑战

当 ChatGPT 刷爆朋友圈，整个科技圈都炸了。有人惊叹 AI 要取代程序员了，有人半信半疑，还有人立刻动手做了个小应用。然而，当大家都在惊叹、怀疑、尝试时，一个更深层的问题浮现出来：" 如果 AI 真的这么强，我们该如何构建它、评估它，让它可控、可靠、可持续？"

1.2 从" 能用 "到" 好用 " 的跨越

在人人都能调用模型、几行代码就能做出一个 AI 应用的今天，真正的挑战不再是" 能不能用 AI"，而是" 如何做出有质量的 AI 系统 "。当模型能力不断突破，新的工程问题也随之而来：如何评估应用质量、解决模型幻觉、选择合适的技术方案、平衡性能与成本等。

这些问题都不是算法层面的问题，而是工程问题。这正是《AI Engineering》这本书诞生的起点。

2. What：这本书的核心特色是什么？

2.1 业界认可的权威之作

《AI Engineering》自发布以来即成为 O'Reilly 平台上阅读量最高的书籍，在 Goodreads 上获得了众多积极评价，成为开发者与研究者口口相传的实战圣经。该书被视为 AI 工程领域的必读之作，目前正在被翻译成中文、法语、日语、韩语、波兰语和俄语等多种语言。

2.2 直面现实挑战的系统性思考

作者 Chip Huyen 在书中直面 AI 带来的现实挑战，抛出了一连串关键问题：

• • 我是否应该构建这个 AI 应用？
• • 如何评估我的应用？能否用 AI 来评 AI？
• • 幻觉（hallucination）从何而来？如何检测与缓解？
• • 提示工程的最佳实践是什么？
• • 为什么 RAG 有效？有哪些实施策略？
• • 智能体（agent）如何构建与评估？
• • 什么时候该微调，什么时候不该？
• • 如何让模型更快、更便宜、更安全？
• • 如何建立反馈循环，让系统持续进化？

2.3 原则导向的实用方法论

作者并不试图给出这些问题的唯一答案，而是通过一步步的操作过程，教你如何系统地思考与选择，从而在不同解决方案之间做出理性的权衡。正如她在书中所写的：" 工具在变，原则不变。真正重要的，是你如何理解问题、定义目标，并让系统持续改进。"

2.4 丰富的内容体系

本书内容丰富且系统，语言风格实用，面向那些正在和 AI 真正打交道的人。O'Reilly 将其定义为中高级内容水平，适合有一定基础的技术人员深入学习。

2.5 书籍核心内容深度解析

2.5.1 全书架构与技术体系

AIE 架构图

2.5.2 核心技术主题覆盖

本书深入探讨了 AI 工程的关键技术领域：

基础模型适配技术：

• • 提示工程（Prompt Engineering）：从零样本到少样本学习，系统提示与用户提示的设计原则；
• • 检索增强生成（RAG）：深入解析 RAG 的工作原理和实施策略；
• • 模型微调（Fine-tuning）：参数高效微调技术，包括 LoRA 等方法；
• • 智能体（Agents）：智能体的构建、评估和部署策略；
• • 数据集工程：数据质量验证、去重和标注策略；

评估与质量保证：

• • AI 评估 AI：快速发展的 AI-as-a-Judge 方法；
• • 幻觉检测与缓解：系统性的幻觉问题解决方案；
• • 模型性能评估：包括困惑度（Perplexity）、交叉熵等语言建模指标；

系统优化与部署：

• • 延迟与成本优化：基础模型服务的瓶颈分析和解决方案；
• • 模型选择策略：如何选择合适的模型、数据集和评估基准；
• • 安全与防护：防御性提示工程、越狱攻击防护和信息提取安全；

2.5.3 实际案例与应用场景

书中涵盖了丰富的实际应用场景：

编程与开发：

• • 代码生成和自动化编程
• • 开发工具集成和工作流优化

内容创作与媒体：

• • 图像和视频生成
• • 写作辅助和内容优化
• • 教育内容个性化

企业应用：

• • 对话机器人和客户服务
• • 信息聚合和知识管理
• • 数据组织和工作流自动化

2.5.4 技术深度与实用性平衡

作者特别强调，这不是一本教程书，因此没有大量的代码片段。相反，它专注于 AI 工程的基础原理，而非特定工具或 API。正如作者所说：" 工具会很快过时，但基础原理应该持续更长时间。"

2.5.5 与传统机器学习的区别

书中首章专门讨论了传统机器学习工程与 AI 工程的区别：

• • 传统 ML 工程：更多涉及表格数据标注、特征工程和模型训练
• • AI 工程：更多涉及提示工程、上下文构建和参数高效微调

这种对比帮助读者理解新兴的 AI 工程学科的独特性和重要性。

3. Who：这本书适合谁阅读？

3.1 核心读者群体

基于书中涵盖的丰富技术内容和实践案例，如果你希望利用基础大模型解决实际问题，那么你就是这本书的读者。主要面向以下专业人士：

• • AI 工程师：需要构建和优化 AI 应用的技术人员，掌握提示工程、RAG、微调等核心技术
• • 机器学习工程师：从事模型部署和系统集成的工程师，特别是希望从传统 ML 工程转向基础模型应用的从业者
• • 数据科学家：希望将模型转化为实际应用的研究人员，关注数据集工程和评估方法
• • 工程经理：负责 AI 项目管理和团队协调的管理者
• • 技术产品经理：需要理解 AI 技术能力和限制的产品负责人，了解成本优化和安全防护

3.2 技能水平要求

• • 入门级读者：书中从基础概念开始，系统介绍 AI 工程的核心原理
• • 进阶读者：深入的技术主题如 AI-as-a-Judge、参数高效微调等满足高级需求
• • 跨领域转换：特别适合从传统软件开发或机器学习转向 AI 工程的专业人员

3.3 具体应用场景

如果你正面临以下挑战，这本书将为你提供系统性的解决方案：

• • 从原型到生产：AI 应用在生产环境中遇到的幻觉、安全、延迟或成本问题
• • 团队协作优化：建立更系统、高效、可靠的 AI 开发流程和团队协作机制
• • 企业级应用：利用基础模型提升业务效益，组建专业的 AI 工程团队
• • 技术决策支持：在模型选择、评估基准、幻觉缓解等方面做出明智的技术决策

3.4 扩展读者群体

除此之外，如果你处在以下情况，这本书依旧可以给你启发：

• • 工具开发者：希望发现 AI 工程领域的空白地带，定位自己的产品
• • 研究人员：希望更好地理解 AI 的应用场景
• • 求职者：希望明确成为 AI 工程师所需的技能
• • 技术爱好者：任何想深入理解 AI 能力、局限性和行业影响的人

4. How：如何阅读和购买这本书？

4.1 阅读建议

Chip Huyen 在书中非常真诚地提醒读者，有些章节她会深入探讨底层技术原理，如果你觉得部分内容太硬核，也可以直接跳过。因为她更希望你能真正学以致用，而不是被复杂细节卡住。

建议按照以下方式阅读：

1. 1. 快速浏览：先通读全书目录，了解整体框架
2. 2. 重点精读：根据自己的实际需求，重点阅读相关章节
3. 3. 实践验证：结合实际项目，验证书中的方法和原则
4. 4. 持续参考：将其作为工作中的参考手册，遇到问题时查阅

4.2 作者简介

Chip Huyen，现任 Voltron Data 公司 AI 与开源软件副总裁，Claypot AI 联合创始人（已被收购），毕业于斯坦福大学。曾任职于 NVIDIA（NeMo 核心开发者）、Snorkel AI 和 Netflix，专注于生产环境中的机器学习 /AI 系统。

她在斯坦福大学教授机器学习系统设计课程（CS 329S），该课程成为其畅销书《Designing Machine Learning Systems》的基础，该书是 Amazon AI 领域畅销书第一名，已被翻译成 10 多种语言。

4.3 购买方式

4.4 学习建议

当所有人都在用 AI 写代码、做应用、写论文，真正拉开差距的，不是你调了多少次 prompt，而是——你是否具备工程思维，能让 AI 真正落地。这，正是《AI Engineering》要教给我们的！

结语

在 AI 技术快速发展的今天，掌握 AI 工程能力已经成为技术人员的核心竞争力。《AI Engineering: Building Applications with Foundation Models》不仅是一本技术指南，更是一本帮助你建立 AI 工程思维的实战宝典。

无论你是刚入门的 AI 开发者，还是经验丰富的工程师，这本书都将为你提供宝贵的见解和实用的方法。让我们一起在 AI 工程的道路上，从" 能用 "走向" 好用 "，从" 会调用 "走向" 会构建 "。