贪心大模型开发应用实战营-百度网盘-下载

课程大纲

注：由于大模型技术迭代迅速，课程大纲可能会根据技术的迭代而动态调整，加入最新的知识，请以最终上课时的课程大纲和内容为准。

第一阶段 · 大模型开发基础

第一章：开营典礼
为什么要学习大模型开发？

对学员期望与课程目标

课程安排概览

学习评估

需要准备的工具和环境

第二章：大模型的训练与应用
大模型发展史

从大模型预训练、微调到应用

GPT结构剖析

大模型家族、类别、应用场景

RAG，Agent与小模型

第三章：大模型实操与API调用
通过API调用大模型

单论对话与多轮对话调用

开源模型与闭源模型调用

ChatGLM，Baichuan，Yi-34B调用

GPT，LLaMA模型调用

模型的部署、容器化

第四章：提示工程技术（1）
提示词的常见结构

提示词的模版化

Zero-shot与Few-shot

In-context learning

Chain of thought prompting

第五章：提示工程技术（2）
Tree of thought prompting

Graph of thought promting

Self-consistency

Active-prompt

Prompt chaining

第二阶段 · RAG基础与架构

第六章：RAG基础与架构
为什么需要RAG？

RAG的经典应用场景

RAG的经典结构与模块

向量数据库

检索与生成

第七章：【项目实战】基于RAG的PDF文档助手
产品介绍与核心功能

技术方案与架构设计

文档读取和解析

文档的切分和文档向量化

query搜索与文档排序

提示模版与大模型API接入

模型部署与Web应用

第八章：文档切分常见算法
根据每个Sentence切分

根据固定字符数切分

根据固定sentence数切分

根据递归字符来切分

根据语义相似度来切分

第九章：向量数据库常见算法
常用向量数据库以及类别

向量数据库与索引算法

到排表与搜索优化

KNN与近似KNN

Product Quantization

第十章：向量数据库算法进阶- HSNW
HSNW算法在索引中的重要性

NSW算法解读

NSW图中的搜索问题

Skip List讲解

具有层次结构的NSW

第十一章：【项目实战】基于RAG的新闻推荐系统
推荐系统原理、应用场景以及架构剖析

传统推荐算法与基于LLM推荐算法

新闻数据的准备与整理

推荐中的召回与精排

精排与Prompt构建

模型部署与测试

第三阶段 · RAG与LangChain

第十二章：LangChain基础应用
为什么需要LangChain?

通过一个小项目快速理解各个模块

LangChain调用模型

PromptTemplate的应用

输出格式设定

Pydantic Object设计

第十三章：理解Function Calling
什么是 Function Calling

自定义输出结构

基于OpenAI调用Function Calling

Function Calling的稳定性

LangChain与Function Calling

第十四章：LangChain与Retrieval组件
Document Loaders

Text Splitters

Text Embedding模型

常用的向量数据库调用

常用的Retriever

第十五章：LangChain与Chain组件
为什么需要Chain？

LLMChain, Sequential Chain

Transform Chain

Router Chain

自定义Chain

第十六章：Advanced RAG（1）
经典RAG的几个问题

Self-querying retrieval

MultiQuery retriever

Step-back prompting

基于历史对话重新生成Query

其他Query优化相关策略

第十七章：Advanced RAG（2）
Sentence window retrieval

Parent-child chunks retrieval

Fusion Retrieval

Ensemble Retrieval

RPF算法

第十八章：基于RAGAS的RAG的评估
为什么需要评估RAG

RAG中的评估思路

评估指标设计

套用在项目中进行评估

RAGAS评估框架的缺点

第十九章：实战基于Advanced RAG的PDF问答
需求理解和系统设计

经典RAG架构下的问题

检索器优化

生成器优化

系统部署与测试

第四阶段 · 模型微调与私有化大模型

第二十章：开源模型介绍
模型私有化部署的必要性

中英开源模型概览与分类

ChatGLM, Baichuan，Yi等中文开源模型

LLaMA，Mistral系列英文开源模型

微调所需要的工具和算力

第二十一章：模型微调基础
判断是否需要模型微调

模型微调对模型的影响和价值

选择合适的基座模型

数据集的准备

微调训练框架的选择

第二十二章：GPU与算力
GPU与CPU

GPU的计算特性

微调所需要的算力计算公式

常见GPU卡介绍与比较

搭建GPU算力环境

第二十三章：高效微调技术-LoRA
全量微调与少量参数微调

理解LoRA训练以及参数

PEFT库的使用

LoRA训练硬件资源评估

认识QLoRA训练

第二十四章：【项目实战】基于ChatGLM-6B+LoRA对话微调模型
理解ChatGLM模型家族以及特性

导入模型以及tokenizer

设计模型参数以及LoRA参数

训练以及部署微调模型

测试微调模型

第五阶段 · Agent开发

第二十五章：Agent开发基础
什么是Agent

什么是Plan, Action, Tools

经典的Agent开源项目介绍

编写简单的Agent程序

Agent目前面临的挑战与机遇

第二十六章：自定义Agent工具
LangChain所支持的Agent

什么需要自定义Agent

@tool decorator的使用

编写自定义Agent工具

编写完整的Agent小项目

第二十七章：深入浅出ReAct框架
回顾什么是CoT

CoT和Action的结合

剖析ReAct框架的Prompt结构

从零实现ReAct（from Scratch)

ReAct框架的优缺点分析

第二十八章：【项目实战】开源Agent项目
开源Agent项目以及分类

AutoGPT项目讲解

MetaGPT项目讲解

其他开源项目

Agent技术目前存在的问题

第二十九章：深度剖析Agent核心部件
Agent的planning

Agent的reasoning

Agent的knowledge

Agent的memory

Agent的泛化能力

第三十章：【项目实战】基于Agent的AI模拟面试
需求设计和系统设计

工具的设计

AI面试中的深度询问方案设计

提示工程设计

Memory的设计

智能体开发与部署

第三十一章：Agent其他案例分享
AI旅游规划师

AI产品销售

AI房租推荐

AI图像处理

AI网站开发

第三十二章：其他Agent前沿应用
多个Agent的协同

Agent的group行为

Agent Society

Agent的Personality

斯坦福小镇案例

第六阶段 · 智能设备与“小”模型

第三十三章：智能设备上的模型优化基础
智能设备特性以及资源限制

模型优化的必要性

常见的模型压缩技术

轻量级模型架构介绍

开源小模型

第三十四章：模型在智能设备上的部署
多大的模型适合

部署流程概述

模型转换工具

模型部署实战

性能测试与优化

第三十五章：边缘计算中的大模型挑战与机遇
边缘计算的概念和重要性

模型所要满足的要求与性能上的平衡

模型在边缘设备上的应用案例

未来“小”模型发展趋势

24年“小”模型机会

第七阶段 · 多模态大模型开发

第三十六章：多模态大模型基础
什么是多模态模型

多模态的应用场景

DALLE-3与Midjourney

Stable Diffusion与ControlNet

语音合成技术概述

主流TTS技术剖析

第三十七章：多模态模型项目剖析
多模态大模型最新进展

Sora对多模态大模型会产生什么影响

案例：MiniGPT-4与多模态问答

案例：BLIP与文本描述生成

案例：Video-LLaVA与多模态图像视频识别

第三十八章：大模型的挑战与未来
大模型技术局限性

大模型的隐私性和准确性

大模型和AGI未来

GPT商城的机会

多模态的机会

对于开发工程师未来的启示