任你选择
课程大纲：
大语言模型LLM的行业现状
l 什么是大型语言模型？
l GPT系列模型概述
l chatGPT和GPT的关系
l AIGC和LLM的关系
l AIGC的三大应用领域
l 应用案例和潜在能力
l 实战案例演示（文本生成+文生图）
大语言模型LLM的基本原理
l 大语言模型“大”在哪里
l 大语言模型的基本原理
l 大语言模型的训练过程
l chatGPT的三阶段训练
l 大语言模型的不可解释性
l 大语言模型和搜索引擎的区别与联系
l 国内使用chatGPT的主要途径
大语言模型本地部署实战
l 本地部署的基础知识
l 本地安装ollama
l 本地部署Deepseek R1
l 本地部署Llama 3.3
l 本地安装open-webui
大语言模型LLM加持下的全新商业模式
l 文生文的各类应用场景
l 文生文行业产品分析
l 文生图的各类应用场景
l 文生图行业产品分析
l 文生视频的各类应用场景
l 文生视频行业产品分析
l 文生文模型现状简介
l 文生图模型现状简介
l 文生视频模型现状简介
l 模型的联合使用场景
l AIGC全球商业案例与产品创新（国内案例）
l AIGC全球商业案例与产品创新（海外案例）
大语言模型LLM对传统行业的赋能
l 提效级创新
l 开创性创新 VS 微创新
l 在办公行业的提效案例
l 在售后服务领域的提效案例
l Chatbot的经典案例
l Agent加持下的RPA能力提升
l 在数据分析行业的提效案例
l 在招聘行业的提效案例
l 在广告文案行业的提效案例
l 在翻译行业的提效实践
l 在短视频赛道的提效实践
l 在销售行业的提效案例
l 在游戏行业的提效案例
l 在运营领域的提效案例
l 在研发效能提升领域的案例
l 在软件测试领域的提效案例
如何使用好LLM
l 什么是提示词工程？
l 如何构建有效的提示
l 常见的提示类型（信息检索、创意写作、编程等）
l 提示的格式和结构
l 使用示例和模板
l 用提示词控制返回结果
l 避免常见错误和陷阱
l 如何测试和优化提示词
l 使用反馈循环进行迭代
l 跟踪和分析结果
l 私域知识扩展
l RAG vs 模型微调
l RAG技术详解与应用场景
l 多模态RAG技术详解与应用场景
l 什么是模型的涌现能力
l 什么是思维链
l 上下文学习zero-shot和few-shot
l 提示词的agent模式
l ReAct的使用方式
l 多智能体协同
l 多智能体协同经典案例详解
l 有效使用提示词模板
l 提示词攻击
l 提示词构成的链
l 万能提示词公式
l 各类场景下的提示词技巧与案例（上）
l 各类场景下的提示词技巧与案例（下）
LLM的未来发展和应用前景
l LLM应用的未来发展方向
l LLM技术的未来发展方向
l 暗知识的应对策略
l 模型数据反哺的灾难
l LLM在各行业中的应用前景
l LLM与其他人工智能技术的关系和比较
l LLM的风险与不确定性应对
l LLM的技术演化方向
l LLM的法律风险
l LLM的哲学思考
ChatGPT-Prompt-Engineering提示词工程
l 提示词的基本概念
l 运行与编程实验环境准备
l 提示词工程1：原则、分割符与输出格式
l 提示词工程2：判断与Few-Shot-Prompting
l 提示词工程3：思维链CoT
l 提示词工程4：推理提示与更多推理
l 提示词工程5：知识风格提示与角色扮演
l 提示词工程6：角色生成器
l 提示词工程7：迭代
l 提示词工程8：聊天机器人--一般示例
l 提示词工程9：聊天机器人--商店订单服务
l 提供词工程10：代码生成
l 提示词工程11：对抗攻击-注入、泄露与越狱
l 提示词工程12：对抗提示检测器
LangChain与LLM应用开发基础
l LangChain引入与概述
l 几个相关概念与LangChain简单示例
l Models:-LangChain对接OpenAI
l Models:-LangChain对接ChatGLM
l Prompts：文本语言模型LLMs的PromptTemplate
l Prompts：文本语言模型LLMs的FewShotPromptTemplate
l Prompts：聊天模型的提示词模板
l Prompts：输出解析器Output-Parser
RAG和Agent应用开发模式
l RAG：传统RAG
l RAG：多模态RAG
l RAG：向量数据库
l Conversational-Memory：引入与简单示例
l Conversational-Memory：ConversationBufferMemory
l Conversational-Memory：ConversationSummaryMemory
l Conversational-Memory：BufferWindow与TokenBuffer
l Conversational-Memory：EntityMemory与KGMemory
l Chains：引入与LLMChain
l Chains：SimpleSequentialChain与SequentialChain
l Chains：LLMRouterChain1
l Chains：EmbeddingRouterChain与Memory
l Agent：引入与示例
l Agent：Zero-Shot-ReAct与会话（Conversational）
l Agent：更多的Build-In-Agent与Python-Agent
l Agent：自定义代理
OpenAI-API使用详解
l 起步Getting-Started
l Completion接口
l Embeddings与Fine-Tuning(微调)
l Files与Images
LLM（chatGPT）在软件研发全生命周期中的应用场景与案例
l 软件研发全流程中LLM擅长的部分
l 软件研发全流程中LLM不擅长的部分
l 需求分析阶段chatGPT的应用场景与案例
l 顶层设计阶段chatGPT的应用场景与案例
l 详细设计阶段chatGPT的应用场景与案例
l 编码阶段chatGPT的应用场景与案例
l 代码评审阶段chatGPT的应用场景与案例
l 单元测试阶段chatGPT的应用场景与案例
l 接口测试阶段chatGPT的应用场景与案例
l 安全测试阶段chatGPT的应用场景与案例
l 持续集成流水中chatGPT的应用场景与案例
l 持续发布中chatGPT的应用场景与案例
l 性能测试阶段chatGPT的应用场景与案例
l 测试结果分析中chatGPT的应用场景与案例
l 运维领域chatGPT的应用场景与案例
l SRE实践中chatGPT的应用场景与案例
大语言模型的局限性
l 安全性和隐私
l 伦理使用指南
l 暗知识的局限性
l 知识平权场景下的LLM
实战演练与案例分享
l 千行百业中的真实案例实战（各类实现干货案例）
l 金融领域案例详解
l 从需求到解决方案的完整过程
l 行业大语言模型使用现状与限制
l 私有化部署大模型全流程详解
l 公域大模型的使用全流程详解
l 软件开发中的实战案例
l 软件测试中的实战案例
l Huggingface的实战案例
l huggingGPT的完整案例
