课程介绍

这个课程将系统介绍人工智能技术的发展历程、基本原理以及当前前沿的大语言模型技术，并深入探讨其在应用中的实现框架和开发技巧。

通过学习本课程，学员将掌握LangChain等大语言模型开发工具的核心理念、架构和实战应用，了解如何利用提示工程、链式编程和代理等技术优化和扩展大模型的功能，提升学员的AI应用开发技能。课程不仅涵盖了大语言模型的技术原理和创新应用，还通过具体的案例剖析和实战操作，帮助你在多个具体场景实现大模型的实际应用，迎接未来的技术变革和应用挑战。

程中，我也会介绍帮助你具体了解人工智能是如何赋能金融机构，实现降本增效、创新转型的，并客观分析大语言模型在金融领域应用所面临的局限与挑战，展望未来的技术突破口和应用前景。

课程收获

●  全面了解人工智能技术发展历史和基本原理

●  掌握大语言模型的关键技术原理和LangChain实现框架

●  通过案例剖析,具体理解人工智能和大语言模型的落地实践路径

●  针对性地提升人工智能技术在金融领域的实操技能

●  剖析AI在金融行业的前景与展望,拥抱未来变革性机遇

课程时长 

2天（6小时/天）

课程大纲 

第1部分|人工智能的演进和大语言模型的进展

本部分将回顾人工智能技术的发展历程,重点介绍近年来备受关注的预训练大语言模型。我们将剖析BERT、GPT等代表性模型的技术特点与应用潜力,并展望指令微调、增强学习等前沿技术的最新进展。通过本部分的学习,你将了解人工智能技术的演进脉络,深入理解大语言模型的革命性影响。

1. 人工智能技术的发展历程:从专家系统到机器学习、深度学习的突破

2. 大模型技术的底层原理：从Embedding，S2S，注意力到Transformer

3. 预训练大语言模型的崛起:BERT、GPT系列模型的技术特点与应用潜力

4. 大语言模型的进化:Sora\GPT-4o等前沿多模态大模型技术进展

第2部分 | LangChain速览:理念、架构与实战初体验

本讲带你快速领略 LangChain 的核心理念、功能特性及开发流程，通过构建一个端到端的 AI 应用，直观感受基于 LLM 的智能化开发范式。

1. LangChain的设计初衷和发展历程

2. LangChain的整体架构与核心组件

3. 在 LangChain 中对接 OpenAI 等 LLM 服务

第3部分 | 提示工程:对话 LLM 的艺术

本讲深入讲解各种对 LLM 进行调教和引导的提示工程技巧，如何通过优化模型输入来改善输出质量，帮助模型更好地理解任务需求，保质保量地完成目标任务。

1. 提示模板、少样本提示的原理与实践

2. 思维链、思维树提示方法解析

3. 通过 FewShotPromptTemplate、ExampleSelector 等实现动态提示

4. 实战:财务报表场景的提示工程实战

第4部分 | 链:大模型编程范式（上）

本讲介绍链这种 LLM 应用开发范式的基本概念、常见类型及适用场景，教你如何将多个LLM调用通过链串联成端到端的应用，提升开发效率和可复用性。

1. 顺序链、路由链、记忆链的原理与用法

2. 组合链:建立复杂业务逻辑

3. 实战:设计一个具备多轮对话能力的客服助手

第5部分 | 链:大模型编程范式（下）

本讲介绍LCEL——LangChain表达式语言，一种轻松地将链组合在一起的声明性方式。

1. LCEL中的流支持 

2. LCEL中的异步支持 

3. 通过LCEL实现优化的并行执行 

第6部分 | Agent:像 GPT 一样思考和行动

本讲讲解Agent范式的核心思想、常用框架及适用场景，教你如何利用工具集赋能 LLM，让其自主完成复杂多步骤任务，实现类似 ChatGPT 的交互和任务处理能力。

1. ReAct      原理:面向交互的自主代理

2. 工具提示和工具使用策略

3. 自主学习:BabyAGI 的工作机制

4. 实战:金融场景的营销方案脑暴

第7部分| 记忆:LangChain中的各种Memory

无论是LLM还是代理都是无状态的，每次模型的调用都是独立于其他交互的。ChatGPT之所以能够记得你之前说过的话，正是因为它使用了记忆（Memory）机制，记录了之前的对话上下文，并且把这个上下文作为提示的一部分，在最新的调用中传递给了模型。在聊天机器人的构建中，记忆机制非常重要。

1. 使用ConversationBufferMemory

2. 使用ConversationBufferWindowMemory

3. 使用ConversationSummaryMemory

4. 使用ConversationSummaryBufferMemory

第8部分 | RAG:用LangChain实现检索增强生成

本讲介绍如何利用向量数据库和自建知识库来加速 LLM 应用，提升应用的信息检索和知识问答能力，减少对外部 API 的依赖，实现更低成本、更高效的开发。

1. 语义索引与向量存储:Chroma、Pinecone等

2. RAG:基于知识检索的应答生成

3. 实战:产品手册智能客服知识库构建

第9部分 | LangServe和LangSmith系统集成: 从原型到生产系统

本讲中将介绍LangServe和LangSmith。LangServe（即将发布）是LangChain的托管版本，用于一键部署 LangChain 应用程序；LangSmith帮助您跟踪和评估您的语言模型应用程序和智能代理，以帮助您从原型转向生产。

1. 什么是LangServe

2. 什么是LangSmith

3. 用LangSmith处理认证、监控、日志等系统集成需求

第10部分:人工智能技术在金融行业的应用与展望

本部分将全面梳理人工智能技术在金融领域的主要应用场景。我们将重点探讨AI在智能投研、风控反欺诈、客户服务、运营优化等方面的价值与潜力。通过典型案例的剖析,你将具体了解人工智能是如何赋能金融机构,助力其提质增效、创新转型的。

1.    智能投研与量化交易:AI驱动的投资策略开发与优化

2.    智能风控与反欺诈:提升风险识别能力,降低金融犯罪

3.    智能客服与营销:优化客户服务,提升营销效率

4.    智能运营与流程自动化:降本增效,助力数字化转型

5.    AI在金融行业的前景与展望。