课程大纲

阶段一 DeepSeek为什么这么火？

1.  DeepseekV3和R1推理大模型入门

Deepseek平台简介

  推理大模型R1

  生成大模型V3

Deepseek为什么这么火?

Deepseek 核心功能

  蒸馏

  MoE

2.  私有化部暑DeepSeek大模型

DeepSeek本地化部署

DeepSeek云端部署

DeepSeek性能调优

阶段二 AI大模型应用核心开发技术

3.  技术构架步骤与关键技术

大模型全栈技术步骤

  数据工程

  模型开发

  训练优化

  评估测试

  部署推理

  安全合规

Prompt工程

  Prompt的基本概念与重要性

  Prompt设计的基本原则

  常见的Prompt设计策略

  优化Prompt的输出效果

  Prompt工程的工具与框架

主流技术框架

  LangChain

  Qwen Agent

  llamaindex

  LangGragh

4.  大模型应用开发框架LangChain

LangChain 是什么？要素有哪些？

  模型(Models):从不同的 LLM 和嵌入模型中进行选择

  提示(Prompts):管理LLM输入

  链(Chains):将LLM与其他组件相结合

  索引(Indexs):访问外部数据

  记忆(Memory):记住以前的对话

  代理(Agents):访问其他工具

LangChain 适合哪些场景需求？

LangChain 的开发流程

案例：创建基于LangChain文档问答系统

5.  基于RAG+llamaindex的知识库

RAG技术

  WHAT：什么是RAG技术?

  WHY：RAG如何增强大模型的生成能力

  HOW：RAG的核心原理与流程

Embeddings和向量数据库

  Word Embedding

  什么是向量数据库

llamaindex实现框架

Indexing => 更好地把知识存起来

  Retrieval => 在大量的知识中，找到一小部分有用的，给到模型参考

  Generation => 结合用户的提问和检索到的知识，让模型生成有用答案

如何提升RAG质量

  数据准备阶段

  知识检索阶段：提高召回率

  答案生成阶段

案例：DeepSeek +Faiss搭建本地知识库检索

6.  Function Call

Function Calling的概念与应用

  什么是Function Calling?

  在跨模型协作中的角色

  跨模型调用的常见场景与挑战

跨系统与跨语言的Function Calling

  如何实现不同模型、不同系统间的功能调用

  使用API或RPC进行跨系统调用

Function Calling的优化：提升性能与稳定性

案例：Qwen Agent开发理财产品数据统计助手

7.  AI大模型微调（Fine Tuning）

微调的概念与优势

  什么是微调?它在大模型中的作用

  微调的基本步骤与方法

微调的最佳实践

  如何选择微调的训练数据

  微调过程中的常见问题与解决方法

微调的挑战与优化

  微调的性能提升与数据限制

  如何使微调更贴合业务需求

阶段三 智能体搭建与应用

8.  智能体的基本架构与功能实现

智能体的定义与作用

  什么是智能体?

  智能体在大模型中的应用

  智能体的五种能力：记忆，规划，工具，自主决策，推理

智能体开发框架

  反应式

  深思式

  混合式

智能体系统中的常见问题与优化策略

案例：金融智能投研AI助手

9.  MCP

MCP 的核心概念

  什么是模型上下文协议 MCP?

  MCP协议的核心定位

  MCP Server

  里

MCP 的使用场景

案例：在Cherry Studio里用MCP生成旅游攻略

10. 基于低代码平台 Coze和 Dify 开发智能体

开发Agent的通用流程

  Coze

  Dify

规划Agent和设计Agent和上线Agent

开发Agent 的策略

国内的 Agent 开发平台对比

  DIfy，FastGPT，百度，智谱，字节

案例：Coze Agent制作行业调研报告

案例：用Coze空间制作卡牌游戏

课程总结与交付

1.  课程回顾

总结课程重点内容，回顾关键知识点。

2.  未来学习建议

提供进一步学习资源与方向，鼓励学员在实际工作中应用所学知识，不断提升AI开发能力，探索更深入的人工智能领域。