大模型工程化：AI驅動下的數據體系

2026年讀完的第三十五本書，目前市面上沒有關於AI for Data的書籍，騰訊作爲中國信息科技的領頭羊，真不愧是走在了技術前沿的最前線。 在花了幾乎15個小時的精讀，又花了十幾分鍾對書本中留下的筆記進行整理，接着返回至書本章節的目錄，回憶、思考和覆盤每個章節的重點內容後，我才提筆寫下這本書的點評和感悟。總體上來講，這本書值得目前參與數據類開發以及以後想通過AI賦能Data的人細讀一番，但可能是這本書的各個作者技術水平比較高，或者是騰訊內部對於這些技術歸類的書籍有知識安全類的風險管控，我最近讀的騰訊系出版的書籍都特別“幹”，就是如果參照書中的理論來實踐時對於方案的落地不太友好。 這本書的整體脈絡大而全，遺憾的是作者介紹到的某些複合技術我認爲比較“離地”，如果是想照抄這本書涉及到的產品功能的讀者可能會失望了，第一是因爲這本書很多內容都是屬於“道”而不是“術”，書中提及的內容只能給讀者提供大方向的指引即使是書中提及的落地方案都有非常強的場景約束；第二我認爲是很多Data類型的項目都與行業業務有強約束，在A行業行得通的方案遷移到B行業很大機會出現“水土不服”，因此在遊戲行業有效的Data driver by AI方案在金融行業的實施上會碰到各種各樣的阻滯。這本書中我認爲比較妙的是，除了深入寫到了很多Data類項目核心的技術和原理，還順帶着給讀者簡單地科普了LLM例如跟神經網絡訓練相關的技術細節，不過可能合著的作者中沒有資深的AI工程師負責審覈，因此對於LLM訓練的技術細節如：One-hot編碼、低維高密度矩陣的核心要點描述得不夠清晰和準確。 不過立於Data維度上，這本書中介紹到的很多Data技術原理對於我很有啓發，例如某個作者提到：數據的顆粒度決定庫表收斂的程度，熱度參數影響優化引擎的輸入樣本集和排序邏輯，速度參數則從業務需求層面反向推動庫表設計。像這類跳出業務維度單純從數據角度進行分析及思考的方式，目前我欠缺這樣的能力。 另外，書中關於數據處理的經驗實行結構化總結，不僅對於指導LLM進行思考非常有用，而且還能加深Data類工程師對Data的理解。其中某個章節提到一種Data處理的工程經驗我認爲非常有價值，如：歷史SQL代碼運行記錄是數據治理中的“後治理”重要部分，工程師可以通過指標和業務規則，通過過去錯誤的SQL取數代碼可以微調和優化模型。除此之外，我沒想到目前數據中臺處理數據的範式也發生了巨大的變化，爲了提升資產的適應性和靈活性，數據治理策略正在經歷一種轉變，即從傳統的“先治理後使用”模式轉向一種更爲靈活的“先使用後治理”模式。 讀這本書的時候，我在思考過程中也注入了自己的理解，例如爲了提高RAG不同資產之間的血緣關係的理解能力，使得它能夠根據不同的應用場景和用戶問題檢索所需要的資產，最終生成與用戶問題相匹配的答案，我認爲可以在落地的方案中充分利用圖數據庫（Graph Database）的優勢，實時、高效、直觀地維護不同資產之間的血緣關係。

AI for data的一本不錯的書

這本書目前是我見到拿自己的業務去做大模型的工程化，能夠把數據的價值怎麼用好，發揮出來相當豐富和細緻的一本書。

是一本 AI for data 的落地實踐手冊，每家企業數據體系的設計都是個性化的，市場上的智能問數工具並不能徹底解決 text2sql 準確性的問題，這本書提供了很好的實踐經驗，用需求理解，需求匹配和需求轉譯算法，解決了傳統 text2sql 準確性，幻覺和數據安全的問題，體系化的構建了後數據中臺時代的數據體系建設新思路，數據體系建設項目不再需要一把手號召全員擼起袖子大幹 300 天了，大部分工作可以讓 AI 代勞。

看了第一遍，感覺就是個大綱，我週末再細看下再

這個其實跟大模型沒啥關係吧，更多的其實是數據體系的搭建，只是蹭了下大模型的熱點；

不如改名叫做《大模型工程應用》。

我還以爲是遊戲和大模型結合，結果還是數據體系

由淺入深，結合實踐。非技術人員學習前三章即可，專業人士，尤其需要進行數據化運營的人員可以認真學習