大模型在眾多領域得到了廣泛應用，促進了AI技術的整合和創新。然而，在實際應用過程中，直接將大模型應用于特定行業常常難以達到預期效果。本書詳細闡述如何在游戲經營分析場景中利用大模型實現數據體系的建設。
本書分為6個部分，共16章。第1部分主要介紹大模型技術的發展與應用，從大模型的發展現狀展開，重點介紹大模型與數據體系的相關知識。第2部分主要介紹大模型下的關鍵基礎設施，涵蓋湖倉一體引擎、湖倉的關鍵技術、實時數據寫入和高效數據分析等內容。第3部分主要介紹大模型下的數據資產，圍繞數據資產重塑、數據資產標準、數據資產建設、數據資產運營展開。第4部分主要介紹自研領域大模型的技術原理，涵蓋領域大模型的基礎、需求理解算法、需求匹配算法、需求轉譯算法等內容。第5部分主要介紹大模型的工程化原理，涉及工程化的基礎、技術籌備、建設要點、安全策略等內容。第6部分介紹大模型在游戲領域的應用，通過游戲領域的經營分析案例，系統地闡述如何實現業務需求。
本書適合致力于大模型技術應用的數據工程師閱讀，也適合尋求AI自動化編程解決方案的軟件開發者閱讀，還適合希望利用AI提升業務效率的企業決策者閱讀。
張凱，騰訊專家工程師，主要從事游戲的大數據分析工作。具有10多年的互聯網從業經驗，先后負責游戲安全對抗、反欺詐對抗、游戲大數據應用等項目。曾主編3本暢銷圖書，榮獲異步社區2023年度影響力作者獎。
司書強，騰訊資深專家工程師，負責游戲業務的數據工程、數據分析等工作。在大數據技術工程、數據分析、商務智能、企業級數據治理等領域有10年以上的實踐積累，主導并落地多個大型企業數據體系建設。
劉巖，騰訊資深專家工程師，前三一重工智能制造研究院院長。目前負責騰訊游戲AI驅動下的數據體系建設工作，曾負責全球燈塔工廠建設。在數據驅動業務、業務流程重構、數據智能應用等領域有20年以上的工作經驗，主導和落地多個大型企業數字化轉型項目。
張昱，騰訊資深工程師，主要從事游戲大模型、大數據應用等工作。具有10年大數據、數倉技術和數據分析領域從業經驗，曾先后負責云產品研發、大數據治理、湖倉一體和大模型應用等項目。
戴詩峰，騰訊資深工程師，主要從事游戲的數據治理規劃與架構工作。具有近20年的數據領域工作經驗，參與多個領域大數據平臺和數據治理的咨詢與交付工作，擅長數據資產體系、數據資產持續運營、數據治理標準等方面的規劃與設計。
謝思發，騰訊資深工程師，主要從事游戲行業的算法研究工作。具有8年以上的大數據搜索推薦實戰經驗，曾先后負責游戲用戶畫像建設、推薦系統建設及游戲知識圖譜（游譜）系統的建設與應用。曾發表多篇學術論文和專利，在OGB挑戰賽等國際賽事中獲得佳績。
李飛宏，騰訊專家工程師，主要從事游戲的大數據平臺研發及治理工作。具有10多年的大數據行業從業經驗，曾先后負責游戲大數據分析平臺、游戲數據治理平臺、游戲大數據應用等項目，主編并參與多個騰訊數據治理標準的編寫工作。
目 錄
第 1部分 大模型技術的發展與應用
第 1章 大模型的發展現狀 2
1.1 大模型的發展歷程 2
1.2 大模型的市場規模 6
1.3 大模型技術的應用現狀 8
1.3.1 通用大模型技術的應用 8
1.3.2 領域大模型技術的應用 10
1.4 小結 14
第 2章 大模型與數據體系 15
2.1 業務對數據體系的需求 15
2.2 經典數據中臺解決方案 19
2.2.1 技術平臺 19
2.2.2 數據建模 21
2.2.3 數據治理 26
2.3 大模型帶來的新機會 27
2.3.1 大模型的優勢與不足 27
2.3.2 大模型與經典數據中臺 30
2.3.3 大模型的新思路 32
2.4 全新的大模型解決方案 35
2.4.1 建設目標 35
2.4.2 關鍵技術 36
2.4.3 方案架構 37
2.5 小結 38
第 2部分 大模型下的關鍵基礎設施
第3章 大模型下的新基建 40
3.1 湖倉一體引擎 40
3.1.1 數據技術的發展 41
3.1.2 湖倉一體架構 47
3.2 DeltaLH湖倉的關鍵技術 51
3.2.1 存儲計算分離 51
3.2.2 數據冷熱分層 53
3.2.3 湖倉一體化 55
3.3 實時數據寫入 57
3.3.1 實時數據鏈路 58
3.3.2 全鏈路監控 62
3.3.3 數據預構建 64
3.4 高效數據分析 67
3.4.1 查詢引擎優化 67
3.4.2 物化透明加速 72
3.5 小結 74
第3部分 大模型下的數據資產
第4章 數據資產重塑 76
4.1 數據資產方案的現狀 76
4.2 面臨的核心挑戰 80
4.2.1 缺失非結構化標準 80
4.2.2 建設和治理成本高 81
4.2.3 運營目標不一致 82
4.3 重塑數據資產的思路 83
4.4 小結 85
第5章 數據資產標準 86
5.1 需求資產標準 86
5.1.1 結構化需求 87
5.1.2 行業知識資產 87
5.1.3 AI可理解需求 89
5.2 特征資產標準 90
5.2.1 個人特征資產 90
5.2.2 公共特征資產 91
5.3 庫表資產標準 92
5.3.1 粒度參數 93
5.3.2 熱度參數 94
5.3.3 速度參數 95
5.4 小結 96
第6章 數據資產建設 97
6.1 AI助力資產初始化 98
6.1.1 特征資產初始化 99
6.1.2 庫表資產初始化 100
6.2 AI輔助需求資產建設 101
6.2.1 結構化需求資產建設 101
6.2.2 行業知識資產建設 102
6.2.3 AI可理解的需求資產建設 106
6.3 AI輔助特征資產建設 109
6.3.1 個人特征資產建設 109
6.3.2 公共特征資產建設 112
6.4 AI輔助庫表資產建設 113
6.4.1 成本模型訓練 114
6.4.2 物化視圖候選集生成 115
6.4.3 物化視圖推薦 115
6.5 小結 116
第7章 數據資產運營 117
7.1 數據資產運營的目標 117
7.2 需求資產運營 118
7.2.1 需求質量評估模型 119
7.2.2 需求質量達標率 119
7.3 特征資產運營 120
7.3.1 公共特征轉化率 121
7.3.2 特征資產復用率 122
7.4 庫表資產運營 123
7.4.1 庫表資產成本優化 123
7.4.2 庫表資產覆蓋率 125
7.5 小結 126
第4部分 自研領域大模型的技術原理
第8章 領域大模型的基礎 128
8.1 領域大模型的背景 128
8.1.1 通用大模型的局限性 128
8.1.2 領域大模型的優勢 130
8.2 領域大模型方案 131
8.2.1 3種構建方案 131
8.2.2 檢索增強生成 132
8.2.3 參數高效微調 137
8.2.4 模型選型 143
8.3 領域大模型架構 144
8.4 小結 145
第9章 需求理解算法 146
9.1 從模糊需求到清晰需求 146
9.1.1 必要性 146
9.1.2 面臨的挑戰 148
9.2 常見的需求理解算法 148
9.2.1 傳統Query理解算法 148
9.2.2 創新需求理解算法 149
9.3 需求理解算法的設計原理 150
9.3.1 構建業務知識庫 151
9.3.2 構建需求理解鏈路 153
9.4 小結 155
第 10章 需求匹配算法 156
10.1 從需求到資產 156
10.1.1 必要性 156
10.1.2 面臨的挑戰 158
10.1.3 解決方案 159
10.2 召回算法 161
10.2.1 資產圖譜 161
10.2.2 文本召回 166
10.2.3 向量召回 171
10.2.4 意圖召回 173
10.2.5 召回粗排 178
10.3 精排算法 179
10.3.1 數據生成 179
10.3.2 模型微調 182
10.3.3 多LoRA部署 184
10.4 小結 188
第 11章 需求轉譯算法 189
11.1 從需求到查詢 189
11.1.1 必要性 189
11.1.2 面臨的問題 191
11.2 解決方案 191
11.2.1 傳統的Text2SQL技術 191
11.2.2 創新的需求轉譯算法 192
11.3 實戰原理 193
11.3.1 評測數據集 193
11.3.2 算法流程 195
11.4 小結 203
第5部分 大模型的工程化原理
第 12章 工程化的基礎 206
12.1 工程化的背景 206
12.1.1 工程化的定義 206
12.1.2 工程化的理念 207
12.2 工程化的核心 208
12.3 工程化的建設思路 210
12.3.1 業務流程 210
12.3.2 系統架構 211
12.4 小結 213
第 13章 工程化的技術籌備 214
13.1 技術調研評估 214
13.2 大模型應用框架 216
13.2.1 核心層 217
13.2.2 社區組件層 218
13.2.3 應用層 220
13.2.4 技術生態層 221
13.3 提示詞工程 221
13.3.1 少樣本提示 222
13.3.2 鏈式思考提示 223
13.3.3 自調整提示 224
13.4 開發環境的準備過程 225
13.4.1 軟件安裝 225
13.4.2 依賴庫安裝 226
13.5 小結 227
第 14章 工程化的建設要點 228
14.1 明確構建目標 229
14.1.1 功能性需求 229
14.1.2 非功能性需求 230
14.1.3 流程定義 230
14.2 核心功能的實現 233
14.2.1 模塊化架構 233
14.2.2 安全管控 236
14.2.3 工具模型 239
14.2.4 人機協同 246
14.2.5 應用場景 257
14.3 運營質量的評估指標 259
14.3.1 回歸評估指標 259
14.3.2 資產運營指標 261
14.4 小結 262
第 15章 工程化的安全策略 263
15.1 安全體系建設要點 263
15.1.1 制度與流程 264
15.1.2 數據安全 264
15.1.3 運行安全 266
15.2 安全體系實施方案 268
15.2.1 數據分類分級方案 268
15.2.2 資產匿名化與脫敏方案 269
15.2.3 訪問控制方案 270
15.2.4 監控告警方案 271
15.3 小結 272
第6部分 大模型在游戲領域的應用
第 16章 游戲領域的應用案例 274
16.1 游戲經營分析的背景 274
16.2 智能助手系統架構 275
16.3 代碼生成應用 277
16.4 探索分析應用 288
16.5 小結 291
新書資訊