課程簡介
本課程面向零基礎大模型應用開發(fā)人員，為初學者提供了一份清晰、全面的“可用知識”，帶領大家快速了解GPT和OpenAI API的工作原理及優(yōu)勢，并在此基礎上使用流行的編程語言構(gòu)建大模型應用。通過課程，你不僅可以學會如何構(gòu)建文本生成、問答和內(nèi)容摘要等初階大模型應用，還能了解到提示工程、模型微調(diào)、插件、LangChain，RAG，Agent等高階實踐技術。課程提供了簡單易學的示例，幫你理解并應用在自己的項目中。
目標收益
第一階段：從基礎入手，先來了解大模型基礎概念和原理，掌握好提示詞技術。同時了解如何使用大模型技術，提升開發(fā)效率。學會在工作中如何更好的使用大模型，釋放大模型能力，通過大模型相關技術提升個人效率、改造研發(fā)流程
第二階段：深入大模型應用程序的研發(fā)，掌握大模型OpenAI API，langchain工具鏈、大模型微調(diào)等技術，開發(fā)大模型應用系統(tǒng)，幫助企業(yè)、個人提升效率，做企業(yè)最懂大模型的那個員工
第三階段：學習大模型時代超級個體必須掌握的核心技術RAG、構(gòu)建Agent，學習優(yōu)秀企業(yè)的成功案例。助你在企業(yè)內(nèi)使用大模型改造現(xiàn)有系統(tǒng)。
總之，AI模型全棧工程師是人工智能領域中不可或缺的重要角色。他們具備從算法到應用的全方位能力，能夠從全局和整體的角度思考問題并尋求解決方案。隨著人工智能技術的廣泛應用和發(fā)展，AI模型全棧工程師的職業(yè)前景將越來越廣闊。
培訓對象
課程大綱
|
第1章 LLM大模型基本原理 第一部分: LLM大模型核心原理 |
1.大模型基礎：理論與技術的演進 2.LLMs大語言模型的概念定義 3.LLMs大語言模型的發(fā)展演進 4.LLMs大語言模型的生態(tài)體系 5.大語言模型技術發(fā)展與演進 6.基于統(tǒng)計機器學習的語言模型 7.基于深度神經(jīng)網(wǎng)絡的語言模型 8.基于 Transformer 的大語言模型 9.LLMs大語言模型的關鍵技術 10.LLMs大語言模型的核心框架：商業(yè)&開源 11.LLMs大語言模型的行業(yè)應用 |
| 第二部分: LLM大模型微調(diào) |
1.大模型高效微調(diào)技術 2.Parameter-Efficient 3. Fine-Tuning (PEFT) 初探 4.大模型輕量級高效微調(diào)方法 LoRA 5.少樣本 PEFT 新方法 IA3 6.統(tǒng)一微調(diào)框架 UniPELT 7.其他微調(diào)技術 8.基于OpenAI平臺的微調(diào)實踐 9.基于百度平臺的微調(diào)實踐 10.基于智譜平臺的微調(diào)實踐 |
| 第三部分: 國內(nèi)外大模型研究進展和評測 |
1.國內(nèi)外大模型研究進展（OpenAI，Claude Gemini Mistral等） 2.百度文心、 3.阿里通義 4.科大訊飛星火大模型 5.0pen API GPT 6.騰訊混元 7.華為大模型 8.大模型評測背景與方法論 9.評測背景 10.通用基礎與專業(yè)應用能力 11.數(shù)理科學，語言能力，道德責任，綜合能力，行業(yè)能力 12.大模型綜合評測結(jié)果 13.通用基礎能力 14.專業(yè)應用能力 15.大模型獨立表現(xiàn)解讀（Frost & Sullivan）《2024年中國大模型能力評測報告》 16.解讀清華發(fā)布2024年3月版《SuperBench大模型綜合能力評測報告》 |
| 第四部分: 全面理解AI+信創(chuàng)與前沿動態(tài)-國產(chǎn)大模型私有化部署策略 |
1.信創(chuàng)建設背景、目標及戰(zhàn)略意義 2.信創(chuàng)產(chǎn)業(yè)發(fā)展概況及相關政策解讀 3.國產(chǎn)CPU、操作系統(tǒng)、數(shù)據(jù)庫、中間件等介紹 4.安全保密技術、新一代信息技術概覽 5.GPU vs 顯卡 6.GPU Core vs AMD CU 7.CUDA Core vs Tensor Core 8.探索AI+信創(chuàng)的未來趨勢 9.信創(chuàng)環(huán)境下的AI技術部署 10.在信創(chuàng)平臺上部署AI模型的挑戰(zhàn)與解決方案 11.信創(chuàng)環(huán)境下AI項目的實施與管理經(jīng)驗分享 |
|
第2章 開發(fā)工程師的AI思維 第五部分: 開發(fā)工程師的AI思維 |
1.深入理解AI和AI產(chǎn)品 2.開發(fā)工程師的AI思維 3.AI產(chǎn)品產(chǎn)業(yè)化和標準化 4.AI產(chǎn)品落地的價值與難題 5.AI產(chǎn)品經(jīng)理 6.AI產(chǎn)品的知識體系 7.所有應用都值得被大模型重構(gòu)一遍！-百度李彥宏 8.AI 2.0徹底改變社會:所有應用都可以被重寫一次--李開復 9.微軟發(fā)布全新AI PC,有哪些啟發(fā) 10.蘋果(AAPL.US)WWDC發(fā)布Apple Intelligence 有什么啟發(fā) 11.蘋果 pad math notes的AI應用分析 |
| 第六部分: AI重構(gòu)應用案例分析 |
1.分析部分現(xiàn)有系統(tǒng)如何引入AI功能 2.分享業(yè)內(nèi)一些經(jīng)典案例 3.產(chǎn)品AI化的一些心得 4.某電子家電集團AI落地實踐 5.某金融企業(yè)AI落地實踐 6.某電信企業(yè)AI落地實踐 |
|
第3章 基于LLM大模型API開發(fā)應用 第七部分: 大語言模型微調(diào)與Prompt提示工程 |
1.大語言模型微調(diào)與Prompt 2.大語言模型微調(diào)對象和層次 3.語言模型微調(diào)的主流方法 4.Prompt如何使用和進階 5.什么是提示與提示工程 6.提示工程的巨大威力：從Let’s think step by step說起 7.拆解、標準化、流程化：如何用AI改造工作 8.使用BROKE框架設計ChatGPT提示 9.通過案例分析，展示如何使用大模型prompt技術輔助開發(fā) |
| 第八部分: 大模型OpenAI GPT API 應用開發(fā) |
1.OpenAI 大模型開發(fā)指南 2.OpenAI 語言模型總覽 3.語言模型：GPT-4 and GPT-3.5 Turbo 4.OpenAI GPT API 開發(fā)入門 5.OpenAI Models API 6.OpenAI Chat Completions API 7.OpenAI Chat Completions API參數(shù)和返回JSON數(shù)據(jù) 8.OpenAI 大模型應用實踐 9.文本內(nèi)容補全初探（Text Completion） 10.聊天機器人初探（Chat Completion） 11.基于 OpenAI開發(fā)智能翻譯助手 12.案例分析 |
| 第九部分: 基于國內(nèi)大模型API 開發(fā)應用（可選智譜，百度，通義千問等） |
1.GLM 大模型家族介紹 2.智譜第四代 API 介紹 3.AP| 基礎教學和實戰(zhàn) 4.使用 GLM-4 AP| 構(gòu)建模型和應用 5.使用 GLM-4從0到1搭建并優(yōu)化 RAG 程序 6.Diffusion 原理介紹 7.模型訓練的數(shù)據(jù)優(yōu)化(DALLE3) 8.CogView3 及 API 調(diào)用演示 9.基于百度大模型的應用與開發(fā) 10.基于通義千問大模型的應用與開發(fā) 11.基于百川智能大模型應用開發(fā) 12.基于訊飛大模型應用開發(fā) 13.基于字節(jié)，騰訊，華為大模型應用開發(fā) |
| 第十部分: 基于大模型API構(gòu)建應用程序 |
1.應用程序開發(fā)概述 2.數(shù)據(jù)安全和數(shù)據(jù)隱私 3.基于Open API 軟件架構(gòu)設計原則 4.LLM驅(qū)動型應用程序的漏洞 5.分析輸入和輸出 6.無法避免提示詞注入 7.開始ChatGPT 應用微調(diào) 8.使用OpenAI API進行微調(diào) 9.微調(diào)的應用 10.生成和微調(diào)電子郵件營銷活動的合成數(shù)據(jù) 11. 微調(diào)的成本 12.案例項目分析 13.項目1：構(gòu)建新聞稿生成器 14.項目2：語音控制 15.項目3：企業(yè)管理系統(tǒng)MIS應用案例分析 16.項目4：某企業(yè)智能充電樁管理系統(tǒng) |
|
第4章 基于LangChain 框架開發(fā)大模型應用 第十一部分: ?模型應?開發(fā)框架 LangChain |
1.?模型應?開發(fā)框架 LangChain 2.LangChain 是什么 3.為什么需要 LangChain 4.LangChain 典型使?場景 5.LangChain 基礎概念與模塊化設計 6.LangChain 核?模塊??與實戰(zhàn) 7.LangChain 的3 個場景 8.LangChain 的6 大模塊 9.LangChain 的開發(fā)流程 10.創(chuàng)建基于LangChain聊天機器人 |
| 第十二部分: 基于LangChain構(gòu)建文檔問答系統(tǒng) |
1.構(gòu)建復雜LangChain應? 2.LangChain模型(Models)：從不同的 LLM 和嵌入模型中進行選擇 3. LangChain提示(Prompts)：管理 LLM 輸入 4. LangChain鏈(Chains)：將 LLM 與其他組件相結(jié)合 5. LangChain索引(Indexs)：訪問外部數(shù)據(jù) 6. LangChain記憶(Memory)：記住以前的對話 7. LangChain代理(Agents)：訪問其他工具 8.使?大模型構(gòu)建文檔問答系統(tǒng) |
| 第十三部分: 基于LangChain 生態(tài)體系構(gòu)建企業(yè)應用 |
1.構(gòu)建復雜LangChain應? 2.langchain的生態(tài)環(huán)境 3.LangChain-Core：抽象LangChain的內(nèi)核 和 LangChain 表達式語言。 4.LangChain-Community：集成的各種第三方部件。 5.LangChain：構(gòu)成LLM應用程序需要的 鏈、代理和檢索等。 6.LangSmith：開發(fā)者平臺，可讓 調(diào)試、測試、評估和監(jiān)控。 7.LangServe：用于將 LangChain 的應用 部署為 REST API。 8.LangChain Hub應用 9.基于LangChain生態(tài)系統(tǒng)構(gòu)建復雜企業(yè)大模型應用 |
|
第5章 開發(fā)企業(yè)級RAG知識系統(tǒng) 第十四部分: RAG技術概述 |
1.RAG技術概述 2.加載器和分割器 3.文本嵌入和 向量存儲 4.檢索器和多文檔聯(lián)合檢索 5.RAG技術的關鍵挑戰(zhàn) 6.檢索增強生成實踐 7.RAG技術文檔預處理過程 8.RAG技術文檔檢索過程 |
| 第十五部分: 構(gòu)建RAG Agent：實現(xiàn)檢索增強生成 |
1.何謂檢索增強生成 2.提示工程、RAG與微調(diào) 3.從技術角度看檢索部分的Pipeline 4.從用戶角度看RAG流程 5.RAG和Agent 6.通過Llamalndex的ReAct RAG Agent實現(xiàn)檢索 7.獲取井加載電商的財報文件 8.將財報文件的數(shù)據(jù)轉(zhuǎn)換為向量數(shù)據(jù) 9.構(gòu)建查詢引擎和工具 10.配置文本生成引擎大模型 11.創(chuàng)建Agent以查詢信息 |
| 第十六部分: 基于LlamaIndex構(gòu)建RAG應用 |
1.何謂LlamaIndex 2.LlamaIndex架構(gòu) 3.LlamaIndex 原理和核心概念 4.LlamaIndex組件 5.LlamaIndex和基于RAG的AI開發(fā) 6.LlamaIndex開發(fā)示例 |
| 第十七部分: 基于其他框架構(gòu)建RAG應用 |
1.其他RAG框架 2.??QAnything?：一個靈活的RAG框架，支持多種數(shù)據(jù)源和語言模型。 3.??RAGFlow?：專注于流程控制的RAG框架，適合需要精細控制檢索和生成過程的場景。 4.??FastGPT?：結(jié)合了GPT模型和RAG技術的框架，適用于快速生成任務。 5.??Haystack?：一個開源的RAG框架，支持多種語言和模型，易于部署和維護。 6. Dify：專注于向量檢索的RAG框架，適合需要高效檢索的場景 |
|
第6章 構(gòu)建Agent智能體開發(fā) 第十八部分:大模型驅(qū)動的Agent智能體開發(fā)概述 |
1.智能體的定義與特點 2.智能體與傳統(tǒng)軟件的關系 3.智能體與LLM的關系 4.從ChatGPT到智能體 5.智能體的五種能力 6.記憶，規(guī)劃，工具，自主決策，推理 7.多智能體協(xié)作 8.企業(yè)級智能體應用與任務規(guī)劃 9.智能體開發(fā) |
| 第十九部分:分析國內(nèi)外智能體典型案例和商業(yè)應用 |
1.國內(nèi)智能體開發(fā)平臺（字節(jié)Coze，智譜，百度，通義千問等） 2.解讀斯坦福小鎮(zhèn)項目：生成式智能體典型案例 3.AutoGPT：通過自然語言的需求描述執(zhí)行自動化任務 4.BabyAGI：根據(jù)任務結(jié)果自動創(chuàng)建，排序和執(zhí)行新任務 5.MetaGPT：重塑生成式AI與軟件開發(fā)界面 6.AutoGen：下一代LLM應用的啟動器 7.ChatDev：重塑軟件開發(fā)的AI群體智能協(xié)作框架 8.Camel AI：引領自主與交流智能體的未來 |
| 第二十部分: 基于LangChain構(gòu)建Agent |
1.通過LangChain中的ReAct框架實現(xiàn)自動定價 2.LangChain ReAct框架 3.LangChain中ReAct Agent 的實現(xiàn) 4.LangChain中的工具和工具包 5.通過create_react_agent創(chuàng)建Agent 6.深挖AgentExecutor的運行機制 7.Plan-and-Solve策略的提出 8.LangChain中的Plan-and-Execute Agent 9.通過Plan-and-Execute Agent實現(xiàn)物流管理 10.為Agent定義一系列進行自動庫存調(diào)度的工具 |
| 第二十一部分: 基于百度AgentBuilder構(gòu)建智能體 |
1.百度文心一言大模型 2.百度千帆大模型 3.百度開發(fā)Agent智能體 4.AgentBuilder 5.AppBuilder 6.ModelBuilder 7.開發(fā)AI原生應用 8.基于百度軟件開發(fā)智能體 9.構(gòu)建研發(fā)工程師agent案例 |
| 第二十二部分: 基于其他平臺構(gòu)建Agent智能體 |
1.基于智譜平臺構(gòu)建智能體 2.基于通義千問構(gòu)建智能體 3.基于Coze構(gòu)建智能體 4.基于AutoGen 智能體實戰(zhàn) 5.基于FastGPT 知識庫以及智能體 6.基于DB-GPT構(gòu)建數(shù)據(jù)分析智能體實戰(zhàn) |
|
第7章 基于AI的應用案例分析 第二十三部分: 大模型技術在金融業(yè)應用的思考與建議 |
1.大模型技術在金融業(yè)應用的思考與建議 2.大模型技術的特點及局限性分析 3.大模型技術在金融領域的適用場景 4.大模型技術與金融智能營銷 5.大模型技術與金融智能風控 6.大模型技術與金融智能客服 7.大模型技術與金融虛擬營業(yè)廳和數(shù)字人 8.大模型技術與金融其他通用場景 |
| 第十四部分: 大模型技術在電信行業(yè)應用 |
1.大模型技術在電信行業(yè)應用的思考與建議 2.大模型技術在電信領域的適用場景 3.大模型技術在電信行業(yè)智能客服 4.大模型技術在電信應用-智能運維 5.大模型技術在電信行業(yè)網(wǎng)絡運維智能化 |
| 第二十五部分: 大模型技術在其他行業(yè)應用 |
1.大模型技術在教育科技應用-可汗學院(Khan Academy) 2.大模型技術在大型企業(yè)數(shù)字化轉(zhuǎn)型應用-法務智能輔助審核 3.大模型技術在企業(yè)應用-安防企業(yè)智能文本審閱系統(tǒng) 4.大模型技術在互聯(lián)網(wǎng)和傳媒應用-智能搜索與推薦系統(tǒng) 5.大模型技術在建筑行業(yè)應用-智能工程圖紙管理 |
|
第1章 LLM大模型基本原理 第一部分: LLM大模型核心原理 1.大模型基礎：理論與技術的演進 2.LLMs大語言模型的概念定義 3.LLMs大語言模型的發(fā)展演進 4.LLMs大語言模型的生態(tài)體系 5.大語言模型技術發(fā)展與演進 6.基于統(tǒng)計機器學習的語言模型 7.基于深度神經(jīng)網(wǎng)絡的語言模型 8.基于 Transformer 的大語言模型 9.LLMs大語言模型的關鍵技術 10.LLMs大語言模型的核心框架：商業(yè)&開源 11.LLMs大語言模型的行業(yè)應用 |
|
第二部分: LLM大模型微調(diào) 1.大模型高效微調(diào)技術 2.Parameter-Efficient 3. Fine-Tuning (PEFT) 初探 4.大模型輕量級高效微調(diào)方法 LoRA 5.少樣本 PEFT 新方法 IA3 6.統(tǒng)一微調(diào)框架 UniPELT 7.其他微調(diào)技術 8.基于OpenAI平臺的微調(diào)實踐 9.基于百度平臺的微調(diào)實踐 10.基于智譜平臺的微調(diào)實踐 |
|
第三部分: 國內(nèi)外大模型研究進展和評測 1.國內(nèi)外大模型研究進展（OpenAI，Claude Gemini Mistral等） 2.百度文心、 3.阿里通義 4.科大訊飛星火大模型 5.0pen API GPT 6.騰訊混元 7.華為大模型 8.大模型評測背景與方法論 9.評測背景 10.通用基礎與專業(yè)應用能力 11.數(shù)理科學，語言能力，道德責任，綜合能力，行業(yè)能力 12.大模型綜合評測結(jié)果 13.通用基礎能力 14.專業(yè)應用能力 15.大模型獨立表現(xiàn)解讀（Frost & Sullivan）《2024年中國大模型能力評測報告》 16.解讀清華發(fā)布2024年3月版《SuperBench大模型綜合能力評測報告》 |
|
第四部分: 全面理解AI+信創(chuàng)與前沿動態(tài)-國產(chǎn)大模型私有化部署策略 1.信創(chuàng)建設背景、目標及戰(zhàn)略意義 2.信創(chuàng)產(chǎn)業(yè)發(fā)展概況及相關政策解讀 3.國產(chǎn)CPU、操作系統(tǒng)、數(shù)據(jù)庫、中間件等介紹 4.安全保密技術、新一代信息技術概覽 5.GPU vs 顯卡 6.GPU Core vs AMD CU 7.CUDA Core vs Tensor Core 8.探索AI+信創(chuàng)的未來趨勢 9.信創(chuàng)環(huán)境下的AI技術部署 10.在信創(chuàng)平臺上部署AI模型的挑戰(zhàn)與解決方案 11.信創(chuàng)環(huán)境下AI項目的實施與管理經(jīng)驗分享 |
|
第2章 開發(fā)工程師的AI思維 第五部分: 開發(fā)工程師的AI思維 1.深入理解AI和AI產(chǎn)品 2.開發(fā)工程師的AI思維 3.AI產(chǎn)品產(chǎn)業(yè)化和標準化 4.AI產(chǎn)品落地的價值與難題 5.AI產(chǎn)品經(jīng)理 6.AI產(chǎn)品的知識體系 7.所有應用都值得被大模型重構(gòu)一遍！-百度李彥宏 8.AI 2.0徹底改變社會:所有應用都可以被重寫一次--李開復 9.微軟發(fā)布全新AI PC,有哪些啟發(fā) 10.蘋果(AAPL.US)WWDC發(fā)布Apple Intelligence 有什么啟發(fā) 11.蘋果 pad math notes的AI應用分析 |
|
第六部分: AI重構(gòu)應用案例分析 1.分析部分現(xiàn)有系統(tǒng)如何引入AI功能 2.分享業(yè)內(nèi)一些經(jīng)典案例 3.產(chǎn)品AI化的一些心得 4.某電子家電集團AI落地實踐 5.某金融企業(yè)AI落地實踐 6.某電信企業(yè)AI落地實踐 |
|
第3章 基于LLM大模型API開發(fā)應用 第七部分: 大語言模型微調(diào)與Prompt提示工程 1.大語言模型微調(diào)與Prompt 2.大語言模型微調(diào)對象和層次 3.語言模型微調(diào)的主流方法 4.Prompt如何使用和進階 5.什么是提示與提示工程 6.提示工程的巨大威力：從Let’s think step by step說起 7.拆解、標準化、流程化：如何用AI改造工作 8.使用BROKE框架設計ChatGPT提示 9.通過案例分析，展示如何使用大模型prompt技術輔助開發(fā) |
|
第八部分: 大模型OpenAI GPT API 應用開發(fā) 1.OpenAI 大模型開發(fā)指南 2.OpenAI 語言模型總覽 3.語言模型：GPT-4 and GPT-3.5 Turbo 4.OpenAI GPT API 開發(fā)入門 5.OpenAI Models API 6.OpenAI Chat Completions API 7.OpenAI Chat Completions API參數(shù)和返回JSON數(shù)據(jù) 8.OpenAI 大模型應用實踐 9.文本內(nèi)容補全初探（Text Completion） 10.聊天機器人初探（Chat Completion） 11.基于 OpenAI開發(fā)智能翻譯助手 12.案例分析 |
|
第九部分: 基于國內(nèi)大模型API 開發(fā)應用（可選智譜，百度，通義千問等） 1.GLM 大模型家族介紹 2.智譜第四代 API 介紹 3.AP| 基礎教學和實戰(zhàn) 4.使用 GLM-4 AP| 構(gòu)建模型和應用 5.使用 GLM-4從0到1搭建并優(yōu)化 RAG 程序 6.Diffusion 原理介紹 7.模型訓練的數(shù)據(jù)優(yōu)化(DALLE3) 8.CogView3 及 API 調(diào)用演示 9.基于百度大模型的應用與開發(fā) 10.基于通義千問大模型的應用與開發(fā) 11.基于百川智能大模型應用開發(fā) 12.基于訊飛大模型應用開發(fā) 13.基于字節(jié)，騰訊，華為大模型應用開發(fā) |
|
第十部分: 基于大模型API構(gòu)建應用程序 1.應用程序開發(fā)概述 2.數(shù)據(jù)安全和數(shù)據(jù)隱私 3.基于Open API 軟件架構(gòu)設計原則 4.LLM驅(qū)動型應用程序的漏洞 5.分析輸入和輸出 6.無法避免提示詞注入 7.開始ChatGPT 應用微調(diào) 8.使用OpenAI API進行微調(diào) 9.微調(diào)的應用 10.生成和微調(diào)電子郵件營銷活動的合成數(shù)據(jù) 11. 微調(diào)的成本 12.案例項目分析 13.項目1：構(gòu)建新聞稿生成器 14.項目2：語音控制 15.項目3：企業(yè)管理系統(tǒng)MIS應用案例分析 16.項目4：某企業(yè)智能充電樁管理系統(tǒng) |
|
第4章 基于LangChain 框架開發(fā)大模型應用 第十一部分: ?模型應?開發(fā)框架 LangChain 1.?模型應?開發(fā)框架 LangChain 2.LangChain 是什么 3.為什么需要 LangChain 4.LangChain 典型使?場景 5.LangChain 基礎概念與模塊化設計 6.LangChain 核?模塊??與實戰(zhàn) 7.LangChain 的3 個場景 8.LangChain 的6 大模塊 9.LangChain 的開發(fā)流程 10.創(chuàng)建基于LangChain聊天機器人 |
|
第十二部分: 基于LangChain構(gòu)建文檔問答系統(tǒng) 1.構(gòu)建復雜LangChain應? 2.LangChain模型(Models)：從不同的 LLM 和嵌入模型中進行選擇 3. LangChain提示(Prompts)：管理 LLM 輸入 4. LangChain鏈(Chains)：將 LLM 與其他組件相結(jié)合 5. LangChain索引(Indexs)：訪問外部數(shù)據(jù) 6. LangChain記憶(Memory)：記住以前的對話 7. LangChain代理(Agents)：訪問其他工具 8.使?大模型構(gòu)建文檔問答系統(tǒng) |
|
第十三部分: 基于LangChain 生態(tài)體系構(gòu)建企業(yè)應用 1.構(gòu)建復雜LangChain應? 2.langchain的生態(tài)環(huán)境 3.LangChain-Core：抽象LangChain的內(nèi)核 和 LangChain 表達式語言。 4.LangChain-Community：集成的各種第三方部件。 5.LangChain：構(gòu)成LLM應用程序需要的 鏈、代理和檢索等。 6.LangSmith：開發(fā)者平臺，可讓 調(diào)試、測試、評估和監(jiān)控。 7.LangServe：用于將 LangChain 的應用 部署為 REST API。 8.LangChain Hub應用 9.基于LangChain生態(tài)系統(tǒng)構(gòu)建復雜企業(yè)大模型應用 |
|
第5章 開發(fā)企業(yè)級RAG知識系統(tǒng) 第十四部分: RAG技術概述 1.RAG技術概述 2.加載器和分割器 3.文本嵌入和 向量存儲 4.檢索器和多文檔聯(lián)合檢索 5.RAG技術的關鍵挑戰(zhàn) 6.檢索增強生成實踐 7.RAG技術文檔預處理過程 8.RAG技術文檔檢索過程 |
|
第十五部分: 構(gòu)建RAG Agent：實現(xiàn)檢索增強生成 1.何謂檢索增強生成 2.提示工程、RAG與微調(diào) 3.從技術角度看檢索部分的Pipeline 4.從用戶角度看RAG流程 5.RAG和Agent 6.通過Llamalndex的ReAct RAG Agent實現(xiàn)檢索 7.獲取井加載電商的財報文件 8.將財報文件的數(shù)據(jù)轉(zhuǎn)換為向量數(shù)據(jù) 9.構(gòu)建查詢引擎和工具 10.配置文本生成引擎大模型 11.創(chuàng)建Agent以查詢信息 |
|
第十六部分: 基于LlamaIndex構(gòu)建RAG應用 1.何謂LlamaIndex 2.LlamaIndex架構(gòu) 3.LlamaIndex 原理和核心概念 4.LlamaIndex組件 5.LlamaIndex和基于RAG的AI開發(fā) 6.LlamaIndex開發(fā)示例 |
|
第十七部分: 基于其他框架構(gòu)建RAG應用 1.其他RAG框架 2.??QAnything?：一個靈活的RAG框架，支持多種數(shù)據(jù)源和語言模型。 3.??RAGFlow?：專注于流程控制的RAG框架，適合需要精細控制檢索和生成過程的場景。 4.??FastGPT?：結(jié)合了GPT模型和RAG技術的框架，適用于快速生成任務。 5.??Haystack?：一個開源的RAG框架，支持多種語言和模型，易于部署和維護。 6. Dify：專注于向量檢索的RAG框架，適合需要高效檢索的場景 |
|
第6章 構(gòu)建Agent智能體開發(fā) 第十八部分:大模型驅(qū)動的Agent智能體開發(fā)概述 1.智能體的定義與特點 2.智能體與傳統(tǒng)軟件的關系 3.智能體與LLM的關系 4.從ChatGPT到智能體 5.智能體的五種能力 6.記憶，規(guī)劃，工具，自主決策，推理 7.多智能體協(xié)作 8.企業(yè)級智能體應用與任務規(guī)劃 9.智能體開發(fā) |
|
第十九部分:分析國內(nèi)外智能體典型案例和商業(yè)應用 1.國內(nèi)智能體開發(fā)平臺（字節(jié)Coze，智譜，百度，通義千問等） 2.解讀斯坦福小鎮(zhèn)項目：生成式智能體典型案例 3.AutoGPT：通過自然語言的需求描述執(zhí)行自動化任務 4.BabyAGI：根據(jù)任務結(jié)果自動創(chuàng)建，排序和執(zhí)行新任務 5.MetaGPT：重塑生成式AI與軟件開發(fā)界面 6.AutoGen：下一代LLM應用的啟動器 7.ChatDev：重塑軟件開發(fā)的AI群體智能協(xié)作框架 8.Camel AI：引領自主與交流智能體的未來 |
|
第二十部分: 基于LangChain構(gòu)建Agent 1.通過LangChain中的ReAct框架實現(xiàn)自動定價 2.LangChain ReAct框架 3.LangChain中ReAct Agent 的實現(xiàn) 4.LangChain中的工具和工具包 5.通過create_react_agent創(chuàng)建Agent 6.深挖AgentExecutor的運行機制 7.Plan-and-Solve策略的提出 8.LangChain中的Plan-and-Execute Agent 9.通過Plan-and-Execute Agent實現(xiàn)物流管理 10.為Agent定義一系列進行自動庫存調(diào)度的工具 |
|
第二十一部分: 基于百度AgentBuilder構(gòu)建智能體 1.百度文心一言大模型 2.百度千帆大模型 3.百度開發(fā)Agent智能體 4.AgentBuilder 5.AppBuilder 6.ModelBuilder 7.開發(fā)AI原生應用 8.基于百度軟件開發(fā)智能體 9.構(gòu)建研發(fā)工程師agent案例 |
|
第二十二部分: 基于其他平臺構(gòu)建Agent智能體 1.基于智譜平臺構(gòu)建智能體 2.基于通義千問構(gòu)建智能體 3.基于Coze構(gòu)建智能體 4.基于AutoGen 智能體實戰(zhàn) 5.基于FastGPT 知識庫以及智能體 6.基于DB-GPT構(gòu)建數(shù)據(jù)分析智能體實戰(zhàn) |
|
第7章 基于AI的應用案例分析 第二十三部分: 大模型技術在金融業(yè)應用的思考與建議 1.大模型技術在金融業(yè)應用的思考與建議 2.大模型技術的特點及局限性分析 3.大模型技術在金融領域的適用場景 4.大模型技術與金融智能營銷 5.大模型技術與金融智能風控 6.大模型技術與金融智能客服 7.大模型技術與金融虛擬營業(yè)廳和數(shù)字人 8.大模型技術與金融其他通用場景 |
|
第十四部分: 大模型技術在電信行業(yè)應用 1.大模型技術在電信行業(yè)應用的思考與建議 2.大模型技術在電信領域的適用場景 3.大模型技術在電信行業(yè)智能客服 4.大模型技術在電信應用-智能運維 5.大模型技術在電信行業(yè)網(wǎng)絡運維智能化 |
|
第二十五部分: 大模型技術在其他行業(yè)應用 1.大模型技術在教育科技應用-可汗學院(Khan Academy) 2.大模型技術在大型企業(yè)數(shù)字化轉(zhuǎn)型應用-法務智能輔助審核 3.大模型技術在企業(yè)應用-安防企業(yè)智能文本審閱系統(tǒng) 4.大模型技術在互聯(lián)網(wǎng)和傳媒應用-智能搜索與推薦系統(tǒng) 5.大模型技術在建筑行業(yè)應用-智能工程圖紙管理 |
近期公開課推薦
