大模型工程化：AI驱动下的数据体系

2026年读完的第三十五本书，目前市面上没有关于AI for Data的书籍，腾讯作为中国信息科技的领头羊，真不愧是走在了技术前沿的最前线。 在花了几乎15个小时的精读，又花了十几分钟对书本中留下的笔记进行整理，接着返回至书本章节的目录，回忆、思考和复盘每个章节的重点内容后，我才提笔写下这本书的点评和感悟。总体上来讲，这本书值得目前参与数据类开发以及以后想通过AI赋能Data的人细读一番，但可能是这本书的各个作者技术水平比较高，或者是腾讯内部对于这些技术归类的书籍有知识安全类的风险管控，我最近读的腾讯系出版的书籍都特别“干”，就是如果参照书中的理论来实践时对于方案的落地不太友好。 这本书的整体脉络大而全，遗憾的是作者介绍到的某些复合技术我认为比较“离地”，如果是想照抄这本书涉及到的产品功能的读者可能会失望了，第一是因为这本书很多内容都是属于“道”而不是“术”，书中提及的内容只能给读者提供大方向的指引即使是书中提及的落地方案都有非常强的场景约束；第二我认为是很多Data类型的项目都与行业业务有强约束，在A行业行得通的方案迁移到B行业很大机会出现“水土不服”，因此在游戏行业有效的Data driver by AI方案在金融行业的实施上会碰到各种各样的阻滞。这本书中我认为比较妙的是，除了深入写到了很多Data类项目核心的技术和原理，还顺带着给读者简单地科普了LLM例如跟神经网络训练相关的技术细节，不过可能合著的作者中没有资深的AI工程师负责审核，因此对于LLM训练的技术细节如：One-hot编码、低维高密度矩阵的核心要点描述得不够清晰和准确。 不过立于Data维度上，这本书中介绍到的很多Data技术原理对于我很有启发，例如某个作者提到：数据的颗粒度决定库表收敛的程度，热度参数影响优化引擎的输入样本集和排序逻辑，速度参数则从业务需求层面反向推动库表设计。像这类跳出业务维度单纯从数据角度进行分析及思考的方式，目前我欠缺这样的能力。 另外，书中关于数据处理的经验实行结构化总结，不仅对于指导LLM进行思考非常有用，而且还能加深Data类工程师对Data的理解。其中某个章节提到一种Data处理的工程经验我认为非常有价值，如：历史SQL代码运行记录是数据治理中的“后治理”重要部分，工程师可以通过指标和业务规则，通过过去错误的SQL取数代码可以微调和优化模型。除此之外，我没想到目前数据中台处理数据的范式也发生了巨大的变化，为了提升资产的适应性和灵活性，数据治理策略正在经历一种转变，即从传统的“先治理后使用”模式转向一种更为灵活的“先使用后治理”模式。 读这本书的时候，我在思考过程中也注入了自己的理解，例如为了提高RAG不同资产之间的血缘关系的理解能力，使得它能够根据不同的应用场景和用户问题检索所需要的资产，最终生成与用户问题相匹配的答案，我认为可以在落地的方案中充分利用图数据库（Graph Database）的优势，实时、高效、直观地维护不同资产之间的血缘关系。

AI for data的一本不错的书

这本书目前是我见到拿自己的业务去做大模型的工程化，能够把数据的价值怎么用好，发挥出来相当丰富和细致的一本书。

是一本 AI for data 的落地实践手册，每家企业数据体系的设计都是个性化的，市场上的智能问数工具并不能彻底解决 text2sql 准确性的问题，这本书提供了很好的实践经验，用需求理解，需求匹配和需求转译算法，解决了传统 text2sql 准确性，幻觉和数据安全的问题，体系化的构建了后数据中台时代的数据体系建设新思路，数据体系建设项目不再需要一把手号召全员撸起袖子大干 300 天了，大部分工作可以让 AI 代劳。

看了第一遍，感觉就是个大纲，我周末再细看下再

这个其实跟大模型没啥关系吧，更多的其实是数据体系的搭建，只是蹭了下大模型的热点；

不如改名叫做《大模型工程应用》。

我还以为是游戏和大模型结合，结果还是数据体系

由浅入深，结合实践。非技术人员学习前三章即可，专业人士，尤其需要进行数据化运营的人员可以认真学习