随着ChatGPT的出现，大语言模型的能力得到了业内外的认可，新的商业模式不断涌现，旧的设计和实现都将重构。本书主要介绍基于ChatGPT开发算法相关的应用或服务，侧重于介绍与自然语言处理相关的常见任务和应用，以及如何使用类似ChatGPT的大语言模型服务来实现以前只有算法工程师才能完成的工作。
全书共8章内容，第1章介绍与ChatGPT相关的基础知识，第2～5章分别介绍相似匹配、句词分类、文本生成和复杂推理方面的任务，第6～8章分别介绍ChatGPT的工程实践、局限与不足，以及商业应用，以帮助读者更好地构建自己的应用。
本书以实践为主，尤其注重任务的讲解和设计，但同时也对自然语言处理相关算法的基本原理和基础知识进行科普性介绍，适合所有对大语言模型感兴趣的开发者阅读。

郝少春，某AI大语言模型公司的算法工程师，开源组织Datawhale成员；拥有7年算法和工程架构经验及丰富的项目和产品经历，涉及文本、音频、视频、图像等多种模态。

第1章 基础知识——大语言模型背后
1.1 自然语言背景
1.1.1 语言是智能的标志
1.1.2 从图灵测试到ChatGPT
1.2 语言模型基础
1.2.1 最小语义单位Token与Embedding
1.2.2 语言模型是怎么回事
1.3 ChatGPT基础
1.3.1 最强表示架构Transformer设计与演变
1.3.2 生成语言模型GPT进化与逆袭
1.3.3 利器强化学习RLHF流程与思想
1.4 本章小结
第2章 相似匹配——万物皆可Embedding
2.1 相似匹配基础
2.1.1 更好的Embedding表示
2.1.2 如何度量Embedding相似度
2.2 ChatGPT接口使用
2.2.1 Embedding接口
2.2.2 ChatGPT+提示词
2.3 相关任务与应用
2.3.1 简单问答：以问题找问题
2.3.2 聚类任务：物以类聚也以群分
2.3.3 推荐应用：一切都是Embedding
2.4 本章小结
第3章 句词分类——句子Token都是类别
3.1 句词分类基础
3.1.1 如何对一句话进行分类
3.1.2 从句子分类到Token分类
3.2 ChatGPT接口使用
3.2.1 基础版GPT续写
3.2.2 进阶版ChatGPT指令
3.3 相关任务与应用
3.3.1 文档问答：给定文档问问题
3.3.2 模型微调：满足个性化需要
3.3.3 智能对话：大语言模型=自主控制的机器人
3.4 本章小结
第4章 文本生成——超越理解更智能
4.1 文本生成任务基础
4.2 文本摘要
4.2.1 什么是文本摘要
4.2.2 常见的文本摘要技术
4.2.3 基于OpenAI接口的文本摘要实验
4.3 文本纠错
4.3.1 什么是文本纠错
4.3.2 常见的文本纠错技术
4.3.3 基于OpenAI接口的文本纠错实验
4.4 机器翻译
4.4.1 什么是机器翻译
4.4.2 常见的机器翻译技术
4.4.3 基于OpenAI接口的机器翻译实验
4.5 本章小结
第5章 复杂推理——更加像人一样思考
5.1 什么是复杂推理
5.2 复杂推理能力的激活和改善
5.2.1 初步评估ChatGPT的推理能力
5.2.2 复杂推理能力的激活
5.2.3 大语言模型复杂推理能力的改善
5.3 大语言模型复杂推理能力的探讨
5.4 本章小结
第6章 工程实践——真实场景大不同
6.1 评测：决定是否上线的标准
6.1.1 为什么评测
6.1.2 NLU常用评测指标
6.1.3 NLG常用评测指标
6.2 安全：必须认真对待的话题
6.2.1 前后处理
6.2.2 提示词
6.2.3 可控文本生成
6.3 网络：接口调用并不总是成功
6.3.1 失败
6.3.2 延迟
6.3.3 扩展
6.4 本章小结
第7章 局限与不足——工具不是万能的
7.1 事实性错误
7.1.1 错误示例
7.1.2 原因分析
7.1.3 解决方法
7.2 实时更新
7.2.1 问题示例
7.2.2 原因分析
7.2.3 解决方法
7.3 性能瓶颈
7.3.1 背景描述
7.3.2 原因分析
7.3.3 解决方法
7.4 本章小结
第8章 商业应用——LLM是星辰大海
8.1 相关背景
8.2 影响分析
8.3 商业赋能
8.4 本章小结