課程簡(jiǎn)介
課程深度講解大語(yǔ)言模型（LLM）及ChatGPT應(yīng)用開(kāi)發(fā)，并深入探討LLM在軟件工程中的應(yīng)用實(shí)踐，包括需求分析、頂層設(shè)計(jì)、詳細(xì)設(shè)計(jì)、編碼、測(cè)試等全生命周期中的場(chǎng)景與案例。通過(guò)理論與實(shí)操結(jié)合，幫助學(xué)員掌握LLM的核心技術(shù)與最新進(jìn)展，提升軟件工程效能。
目標(biāo)收益
1、掌握LLM技術(shù)：全面理解LLM及ChatGPT的基本原理與應(yīng)用。
2、提升研發(fā)效能：優(yōu)化軟件工程流程，提高研發(fā)效率與質(zhì)量。
3、實(shí)戰(zhàn)經(jīng)驗(yàn)豐富：通過(guò)案例學(xué)習(xí)，積累LLM在軟件工程中的實(shí)戰(zhàn)經(jīng)驗(yàn)。
4、拓展應(yīng)用領(lǐng)域：了解LLM在各行業(yè)的應(yīng)用前景，拓展職業(yè)發(fā)展路徑。
5、思維啟發(fā)：?jiǎn)l(fā)新思維，探索LLM技術(shù)的更多可能性。
培訓(xùn)對(duì)象
軟件研發(fā)負(fù)責(zé)人，研發(fā)管理負(fù)責(zé)人，運(yùn)維負(fù)責(zé)人，DevOps負(fù)責(zé)人，測(cè)試負(fù)責(zé)人，工程效能負(fù)責(zé)人
軟件架構(gòu)師，資深研發(fā)工程師
運(yùn)維架構(gòu)師，資深運(yùn)維工程師，DevOps工程師，SRE
測(cè)試架構(gòu)師，資深測(cè)試工程師
研發(fā)管理人員，研發(fā)流程工程師
課程大綱
| 大語(yǔ)言模型及應(yīng)用開(kāi)發(fā)綜述 |
1.-大語(yǔ)言模型與ChatGPT綜述 2.-大語(yǔ)言模型LLM應(yīng)用開(kāi)發(fā)綜述 |
| 生成式AI（AIGC）的最新進(jìn)展與應(yīng)用 |
1.-AIGC的基本概念 2.-對(duì)PGC和UGC的調(diào)整 3.-大語(yǔ)言模型的基本概念 4.-LLM和傳統(tǒng)AI的區(qū)別 5.-AIGC目前的主要應(yīng)用領(lǐng)域 6.-AIGC目前的可能的應(yīng)用領(lǐng)域 7.-chatGPT應(yīng)用展示 8.-midjourney應(yīng)用展示 |
| ChatGPT及其應(yīng)用領(lǐng)域 |
1.-什么是ChatGPT 2.-GPT和chatGPT的關(guān)系 3.-ChatGPT的歷史和發(fā)展 4.-ChatGPT在自然語(yǔ)言處理、聊天機(jī)器人等領(lǐng)域的應(yīng)用 5.-提示工程（Prompt-Engineering）的基本概念 |
| 人人可以理解的ChatGPT的工作原理 |
1.-ChatGPT的架構(gòu)和模型 2.-ChatGPT的訓(xùn)練數(shù)據(jù)和算法 3.-ChatGPT的生成過(guò)程和輸出結(jié)果 4.-ChatGPT的局限性 5.-ChatGPT的安全性 6.-ChatGPT的涌現(xiàn)能力 7.-ChatGPT的思維鏈 8.-GPT3，GPT3.5，GPT4和文心一言的能力對(duì)比 |
| 使用ChatGPT進(jìn)行文本生成（Prompt應(yīng)用與案例） |
1.-使用預(yù)訓(xùn)練模型生成文本 2.-使用微調(diào)模型生成特定領(lǐng)域的文本 3.-使用ChatGPT生成對(duì)話和聊天內(nèi)容 4.-Prompt如何使用 5.-Prompt使用進(jìn)階 6.-Prompt的最佳實(shí)踐（FlowGPT） |
| ChatGPT-Prompt-Engineering提示詞工程 |
1.-提示詞的基本概念 2.-運(yùn)行與編程實(shí)驗(yàn)環(huán)境準(zhǔn)備 3.-提示詞工程1：原則、分割符與輸出格式 4.-提示詞工程2：判斷與Few-Shot-Prompting 5.-提示詞工程3：思維鏈CoT 6.-提示詞工程4：推理提示與更多推理 7.-提示詞工程5：知識(shí)風(fēng)格提示與角色扮演 8.-提示詞工程6：角色生成器 9.-提示詞工程7：迭代 10.-提示詞工程8：聊天機(jī)器人--一般示例 11.-提示詞工程9：聊天機(jī)器人--商店訂單服務(wù) 12.-提供詞工程10：代碼生成 13.-提示詞工程11：對(duì)抗攻擊-注入、泄露與越獄 14.-提示詞工程12：對(duì)抗提示檢測(cè)器 |
| LangChain與LLM應(yīng)用開(kāi)發(fā) |
1.-LangChain引入與概述 2.-幾個(gè)相關(guān)概念與LangChain簡(jiǎn)單示例 3.-Models:-LangChain對(duì)接OpenAI 4.-Models:-LangChain對(duì)接ChatGLM 5.-Prompts：文本語(yǔ)言模型LLMs的PromptTemplate 6.-Prompts：文本語(yǔ)言模型LLMs的FewShotPromptTemplate 7.-Prompts：聊天模型的提示詞模板 8.-Prompts：輸出解析器Output-Parser 9.-Conversational-Memory：引入與簡(jiǎn)單示例 10.-Conversational-Memory：ConversationBufferMemory 11.-Conversational-Memory：ConversationSummaryMemory 12.-Conversational-Memory：BufferWindow與TokenBuffer 13.-Conversational-Memory：EntityMemory與KGMemory 14.-Chains：引入與LLMChain 15.-Chains：SimpleSequentialChain與SequentialChain 16.-Chains：LLMRouterChain1 17.-Chains：EmbeddingRouterChain與Memory 18.-Agent：引入與示例 19.-Agent：Zero-Shot-ReAct與會(huì)話（Conversational） 20.-Agent：更多的Build-In-Agent與Python-Agent 21.-Agent：自定義代理 |
| OpenAI-API使用詳解 |
1.-起步Getting-Started 2.-Completion接口 3.-Embeddings與Fine-Tuning(微調(diào)) 4.-Files與Images |
| 用Github-Copilot輔助編程 |
1.-引入：介紹、安裝、配置與示例 2.-文件處理與腳本 3.-函數(shù)、SQL、Cronjob與正則 4.-解釋代碼、生成代碼 5.-重構(gòu)與測(cè)試 6.-Copilot-Labs：能力工具箱 |
| AI Agent應(yīng)用進(jìn)階 |
1.-AI Agent的基本概念 2.-AI Agent的核心模式 3.Agent的四大種類(lèi) 4.開(kāi)發(fā)一個(gè)屬于自己的AI Agent 5.-Multi-Agent的基本邏輯和設(shè)計(jì) 6.-Multi-Agent應(yīng)用示例：MetaGPT 7.-Multi-Agent應(yīng)用示例：DevChat |
| LLM （ChatGPT）的未來(lái)發(fā)展和應(yīng)用前景 |
1.-LLM(ChatGPT)的未來(lái)發(fā)展方向 2.- LLM(ChatGPT)在各行業(yè)中的應(yīng)用前景 3.- LLM(ChatGPT)與其他人工智能技術(shù)的關(guān)系和比較 4.- LLM(ChatGPT)的風(fēng)險(xiǎn)與不確定性應(yīng)對(duì) 5.- LLM(ChatGPT)的技術(shù)演化方向 6.- LLM(ChatGPT)的法律風(fēng)險(xiǎn) 7.- LLM(ChatGPT)的哲學(xué)思考 |
| LLM（chatGPT）在軟件研發(fā)全生命周期中的應(yīng)用場(chǎng)景與案例 |
1.-軟件研發(fā)全流程中LLM擅長(zhǎng)的部分 2.-軟件研發(fā)全流程中LLM不擅長(zhǎng)的部分 3.-需求分析階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 4.-頂層設(shè)計(jì)階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 5.-詳細(xì)設(shè)計(jì)階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 6.-編碼階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 7.-代碼評(píng)審階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 8.-單元測(cè)試階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 9.-接口測(cè)試階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 10.-安全測(cè)試階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 11.-持續(xù)集成流水中LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 12.-持續(xù)發(fā)布中LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 13.-性能測(cè)試階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 14.-測(cè)試結(jié)果分析中cha LLM(ChatGPT)tGPT的應(yīng)用場(chǎng)景與案例 15.-運(yùn)維領(lǐng)域LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 16.-SRE實(shí)踐中LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 |
|
大語(yǔ)言模型及應(yīng)用開(kāi)發(fā)綜述 1.-大語(yǔ)言模型與ChatGPT綜述 2.-大語(yǔ)言模型LLM應(yīng)用開(kāi)發(fā)綜述 |
|
生成式AI（AIGC）的最新進(jìn)展與應(yīng)用 1.-AIGC的基本概念 2.-對(duì)PGC和UGC的調(diào)整 3.-大語(yǔ)言模型的基本概念 4.-LLM和傳統(tǒng)AI的區(qū)別 5.-AIGC目前的主要應(yīng)用領(lǐng)域 6.-AIGC目前的可能的應(yīng)用領(lǐng)域 7.-chatGPT應(yīng)用展示 8.-midjourney應(yīng)用展示 |
|
ChatGPT及其應(yīng)用領(lǐng)域 1.-什么是ChatGPT 2.-GPT和chatGPT的關(guān)系 3.-ChatGPT的歷史和發(fā)展 4.-ChatGPT在自然語(yǔ)言處理、聊天機(jī)器人等領(lǐng)域的應(yīng)用 5.-提示工程（Prompt-Engineering）的基本概念 |
|
人人可以理解的ChatGPT的工作原理 1.-ChatGPT的架構(gòu)和模型 2.-ChatGPT的訓(xùn)練數(shù)據(jù)和算法 3.-ChatGPT的生成過(guò)程和輸出結(jié)果 4.-ChatGPT的局限性 5.-ChatGPT的安全性 6.-ChatGPT的涌現(xiàn)能力 7.-ChatGPT的思維鏈 8.-GPT3，GPT3.5，GPT4和文心一言的能力對(duì)比 |
|
使用ChatGPT進(jìn)行文本生成（Prompt應(yīng)用與案例） 1.-使用預(yù)訓(xùn)練模型生成文本 2.-使用微調(diào)模型生成特定領(lǐng)域的文本 3.-使用ChatGPT生成對(duì)話和聊天內(nèi)容 4.-Prompt如何使用 5.-Prompt使用進(jìn)階 6.-Prompt的最佳實(shí)踐（FlowGPT） |
|
ChatGPT-Prompt-Engineering提示詞工程 1.-提示詞的基本概念 2.-運(yùn)行與編程實(shí)驗(yàn)環(huán)境準(zhǔn)備 3.-提示詞工程1：原則、分割符與輸出格式 4.-提示詞工程2：判斷與Few-Shot-Prompting 5.-提示詞工程3：思維鏈CoT 6.-提示詞工程4：推理提示與更多推理 7.-提示詞工程5：知識(shí)風(fēng)格提示與角色扮演 8.-提示詞工程6：角色生成器 9.-提示詞工程7：迭代 10.-提示詞工程8：聊天機(jī)器人--一般示例 11.-提示詞工程9：聊天機(jī)器人--商店訂單服務(wù) 12.-提供詞工程10：代碼生成 13.-提示詞工程11：對(duì)抗攻擊-注入、泄露與越獄 14.-提示詞工程12：對(duì)抗提示檢測(cè)器 |
|
LangChain與LLM應(yīng)用開(kāi)發(fā) 1.-LangChain引入與概述 2.-幾個(gè)相關(guān)概念與LangChain簡(jiǎn)單示例 3.-Models:-LangChain對(duì)接OpenAI 4.-Models:-LangChain對(duì)接ChatGLM 5.-Prompts：文本語(yǔ)言模型LLMs的PromptTemplate 6.-Prompts：文本語(yǔ)言模型LLMs的FewShotPromptTemplate 7.-Prompts：聊天模型的提示詞模板 8.-Prompts：輸出解析器Output-Parser 9.-Conversational-Memory：引入與簡(jiǎn)單示例 10.-Conversational-Memory：ConversationBufferMemory 11.-Conversational-Memory：ConversationSummaryMemory 12.-Conversational-Memory：BufferWindow與TokenBuffer 13.-Conversational-Memory：EntityMemory與KGMemory 14.-Chains：引入與LLMChain 15.-Chains：SimpleSequentialChain與SequentialChain 16.-Chains：LLMRouterChain1 17.-Chains：EmbeddingRouterChain與Memory 18.-Agent：引入與示例 19.-Agent：Zero-Shot-ReAct與會(huì)話（Conversational） 20.-Agent：更多的Build-In-Agent與Python-Agent 21.-Agent：自定義代理 |
|
OpenAI-API使用詳解 1.-起步Getting-Started 2.-Completion接口 3.-Embeddings與Fine-Tuning(微調(diào)) 4.-Files與Images |
|
用Github-Copilot輔助編程 1.-引入：介紹、安裝、配置與示例 2.-文件處理與腳本 3.-函數(shù)、SQL、Cronjob與正則 4.-解釋代碼、生成代碼 5.-重構(gòu)與測(cè)試 6.-Copilot-Labs：能力工具箱 |
|
AI Agent應(yīng)用進(jìn)階 1.-AI Agent的基本概念 2.-AI Agent的核心模式 3.Agent的四大種類(lèi) 4.開(kāi)發(fā)一個(gè)屬于自己的AI Agent 5.-Multi-Agent的基本邏輯和設(shè)計(jì) 6.-Multi-Agent應(yīng)用示例：MetaGPT 7.-Multi-Agent應(yīng)用示例：DevChat |
|
LLM （ChatGPT）的未來(lái)發(fā)展和應(yīng)用前景 1.-LLM(ChatGPT)的未來(lái)發(fā)展方向 2.- LLM(ChatGPT)在各行業(yè)中的應(yīng)用前景 3.- LLM(ChatGPT)與其他人工智能技術(shù)的關(guān)系和比較 4.- LLM(ChatGPT)的風(fēng)險(xiǎn)與不確定性應(yīng)對(duì) 5.- LLM(ChatGPT)的技術(shù)演化方向 6.- LLM(ChatGPT)的法律風(fēng)險(xiǎn) 7.- LLM(ChatGPT)的哲學(xué)思考 |
|
LLM（chatGPT）在軟件研發(fā)全生命周期中的應(yīng)用場(chǎng)景與案例 1.-軟件研發(fā)全流程中LLM擅長(zhǎng)的部分 2.-軟件研發(fā)全流程中LLM不擅長(zhǎng)的部分 3.-需求分析階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 4.-頂層設(shè)計(jì)階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 5.-詳細(xì)設(shè)計(jì)階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 6.-編碼階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 7.-代碼評(píng)審階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 8.-單元測(cè)試階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 9.-接口測(cè)試階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 10.-安全測(cè)試階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 11.-持續(xù)集成流水中LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 12.-持續(xù)發(fā)布中LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 13.-性能測(cè)試階段LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 14.-測(cè)試結(jié)果分析中cha LLM(ChatGPT)tGPT的應(yīng)用場(chǎng)景與案例 15.-運(yùn)維領(lǐng)域LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 16.-SRE實(shí)踐中LLM(ChatGPT)的應(yīng)用場(chǎng)景與案例 |
近期公開(kāi)課推薦
