本书结合人工智能的技术实践，特别是当前热门的大语言模型，讲解智能系统规划，智能系统需求分析，智能系统架构设计，智能系统算力平台设计，智能系统数据平台设计，智能系统算法设计，智能系统开发、部署和运维，智能系统伦理、安全和隐私保护策略，行业应用，总结人工智能在应用中面临的挑战，探讨人工智能未来发展的趋势及其对软件开发的影响。
本书适合有志从事人工智能系统开发、部署、运维、训练、优化的工程技术人员阅读，也可供高等院校相关专业的师生参考。
陈统，广东轩辕网络科技股份有限公司与轩辕研究院创始人、董事长，主持及参与了20余项科技项目和重大专项，参与编写出版专著3本。
黄永健，广东轩辕网络科技股份有限公司副总裁，轩辕研究院院长，华南理工大学特聘研究员，中国通信工业协会人工智能专业委员会会员。
冯元勇，广东轩辕网络科技股份有限公司科技特派员，数据与智能总架构师，轩辕研究院资深研究员，中国科学院软件研究所研究生毕业并获得博士学位。
彭凌西， 广州大学教授，主要研究方向是人工智能和网络安全。
张英，广东省卫生经济学会人力资源分会会长，专注医院人力资源、文化管理等领域研究与实践。
李媛婷，广东医通软件有限公司创始人兼CEO，主导开发医疗、教育、政务等领域的重点项目。
·全链路覆盖：从规划到运维，再到伦理安全，完整涵盖智能系统开发全流程，构建系统认知。
·紧扣前沿：结合热门大语言模型实践，融入各环节设计，掌握当下行业核心技术。
·实战方法论：基于作者多年教学与开发经验，提炼可落地方法，赋能项目与学习。
·多角色适配：满足 AI 系统开发、运维等从业者需求，也适合高校师生参考。
·兼顾未来：解析 AI 应用挑战，预判发展趋势，助力提升长期职业竞争力。
第 1章 概述 1
1.1 人工智能发展历程 1
1.2 人工智能工程设计思路 3
1.3 人工智能代表性研究成果 4
1.3.1 专家系统 4
1.3.2 深度神经网络 4
1.3.3 人工智能生成内容和大模型 5
1.4 新趋势和新特点 6
1.4.1 通用人工智能的涌现 6
1.4.2 智能系统面临的挑战 6
1.5 工作模式及生命周期模型 7
1.5.1 工作模式 7
1.5.2 生命周期模型 7
1.6 具体实现 8
1.7 小结 9
第 2章 智能系统规划 10
2.1 从传统信息化系统升级到智能系统 10
2.2 智能系统设计方法 14
2.2.1 系统设计策略和方法 14
2.2.2 业务架构设计策略和方法 15
2.2.3 智能系统顶层设计策略 16
2.3 小结 19
第3章 智能系统需求分析 20
3.1 业务架构分析与业务问题的提出 20
3.1.1 业务价值的源头分析 20
3.1.2 业务分类分析 21
3.1.3 业务分解分析 22
3.2 场景识别 23
3.2.1 寻找切入点 23
3.2.2 场景评估 25
3.3 可行性分析 25
3.3.1 成本分析 25
3.3.2 风险分析 26
3.3.3 效益分析 27
3.4 需求获取与需求分析 27
3.4.1 业务流与系统边界 27
3.4.2 需求获取 28
3.4.3 需求分析 28
3.5 案例分析：“学生课堂情绪预警管理”系统 30
3.5.1 问题提出 30
3.5.2 整理业务 30
3.5.3 寻找切入点 30
3.5.4 需求获取 31
3.5.5 需求分析 31
3.6 小结 33
第4章 智能系统架构设计 34
4.1 架构设计的八项原则 34
4.2 智能系统总体架构设计 35
4.3 以算力为基础的IaaS平台 36
4.3.1 算力基础设施 37
4.3.2 算力资源调度与管理平台 38
4.3.3 算力加速与服务平台 38
4.4 以数据为基础的PaaS平台 39
4.5 以大模型为基础的MaaS平台 40
4.6 面向智能应用的SaaS平台 42
4.7 智能系统架构设计中要注意的问题 44
4.7.1 架构设计中的层次关系与处理策略 44
4.7.2 数据流设计 44
4.7.3 接口设计 45
4.8 智能系统开发、部署和运维 47
4.9 智能系统伦理、安全和隐私保护 48
4.10 小结 48
第5章 智能系统算力平台设计 49
5.1 算力设计原则 49
5.2 算力资源识别 50
5.2.1 计算算力识别 50
5.2.2 存储算力识别 51
5.2.3 网络算力识别 51
5.3 算力资源需求分析 51
5.3.1 数据平台对算力资源的需求 51
5.3.2 算法平台对算力资源的需求 52
5.3.3 应用平台对算力资源的需求 53
5.3.4 训练平台对算力资源的需求 53
5.3.5 运维管理系统对算力资源的需求 54
5.3.6 隐私计算、安全和伦理对算力资源的需求 55
5.4 算力资源调度和管理平台 56
5.4.1 部署应用 56
5.4.2 选择云服务供应商 56
5.4.3 租用算力资源 57
5.4.4 资源调度和管理 57
5.4.5 安全和合规 57
5.5 算力加速技术与应用 57
5.5.1 硬件加速 57
5.5.2 软件优化 58
5.5.3 虚拟化技术和容器化技术 59
5.6 算力资源管理和服务管理 59
5.6.1 算力资源监控 59
5.6.2 算力资源调度 60
5.6.3 算力资源来源 60
5.6.4 算力资源计费管理 60
5.6.5 算力资源服务管理 61
5.7 算力网络设计 61
5.7.1 网络拓扑设计 61
5.7.2 带宽管理 61
5.7.3 网络安全防护 61
5.8 小结 62
第6章 智能系统数据平台设计 63
6.1 数据平台的构成 64
6.2 数据集的构建 65
6.2.1 数据采集策略 65
6.2.2 数据集划分方法 65
6.2.3 数据集质量评估 66
6.3 数据存储与数据库 67
6.3.1 面向智能系统的数据库选型 67
6.3.2 数据库规划与设计 69
6.3.3 数据库性能优化 70
6.3.4 数据库安全与隐私保护 70
6.4 数据清洗 71
6.4.1 数据去重 71
6.4.2 缺失值处理 71
6.4.3 异常值处理 72
6.4.4 数据标准化与归一化 72
6.5 数据标注 72
6.5.1 标注流程 73
6.5.2 标注方法 74
6.6 数据集管理 75
6.6.1 数据集版本控制 75
6.6.2 数据集生命周期管理 76
6.6.3 数据集质量管理 76
6.7 小结 77
第7章 智能系统算法设计 78
7.1 小模型场景下的算法设计 78
7.1.1 问题导向的设计理念 78
7.1.2 分类问题 79
7.1.3 回归问题 80
7.1.4 分组问题 81
7.1.5 生成问题 83
7.1.6 预测问题 84
7.2 大模型微调技术 85
7.2.1 LoRA 85
7.2.2 前缀调优 86
7.2.3 提示调优 87
7.2.4 P调优 88
7.3 算法优化技巧 89
7.3.1 模型简化和压缩 89
7.3.2 高效的训练策略 90
7.3.3 超参数调优 91
7.3.4 算法并行化和分布式训练 91
7.4 小结 92
第8章 智能系统开发、部署和运维 93
8.1 智能体构件设计 93
8.1.1 智能体构件的职责规约 94
8.1.2 智能体构件的数据实现 95
8.1.3 智能体构件的业务流转接口实现 96
8.1.4 智能体构件的交互实现 97
8.2 系统开发环境搭建工具 98
8.2.1 数据处理工具和框架 98
8.2.2 智能报告工具 98
8.2.3 开发工具 98
8.3 系统测试与质量保证 99
8.3.1 智能系统质量要素的独特性 99
8.3.2 测试需求管理 99
8.3.3 测试方案生成 101
8.3.4 测试代码编写与测试自动化 101
8.3.5 测试报告生成 102
8.4 部署与交付 102
8.4.1 部署策略与流程 102
8.4.2 试运行 103
8.4.3 持续集成与持续部署 103
8.5 系统运维 104
8.5.1 运维策略与措施 104
8.5.2 系统监控与报警 104
8.5.3 故障排除与恢复 104
8.6 系统优化 105
8.6.1 需求预期管理 105
8.6.2 需求变更管理 105
8.6.3 系统优化实现技术 105
8.6.4 个性化及个性化版本管理 106
8.7 小结 106
第9章 智能系统伦理、安全和隐私保护策略 107
9.1 伦理考虑与指南 107
9.1.1 人工智能的伦理挑战 108
9.1.2 伦理指南与实践 108
9.1.3 社会责任与参与 109
9.2 安全性设计与应对策略 110
9.2.1 安全威胁与风险 110
9.2.2 安全性设计原则 111
9.2.3 应对策略与实践 111
9.3 隐私保护与应对策略 114
9.3.1 隐私挑战和风险 114
9.3.2 应对策略 115
9.4 小结 117
第 10章 行业应用 118
10.1 概述 118
10.1.1 大模型+营销 118
10.1.2 大模型+办公 119
10.1.3 大模型+游戏 120
10.1.4 大模型+影视 121
10.1.5 大模型+制造 122
10.1.6 大模型+教育 122
10.2 医疗行业典型案例 123
10.3 金融行业典型案例 124
10.4 小结 126
第 11章 总结和展望 127
11.1 人工智能在应用中所面临的挑战 127
11.2 人工智能技术发展的趋势及其对软件开发的影响 129
11.2.1 技术发展方向 129
11.2.2 应用领域的拓展 134
11.2.3 大模型对软件开发的影响 136
11.3 小结 138