一．培训背景
目前，人工智能和自然语言处理领域的发展正处于一个前所未有的黄金时代。预训练大模型，如GPT-4和Llama 2，不仅在学术界引起了广泛关注，还在工业界得到了广泛应用。
河南某学院旨在帮助教师队伍深入了解和应用大模型，从而利用其强大的自然语言处理能力解决各种现实世界的问题。内容包括介绍大型语言模型的基本原理、架构和训练方法，帮助教师建立对大模型的理解和认知。深入探讨LLAMA在各个领域的实际应用，包括自动文本生成、机器翻译、情感分析、问答系统等，帮助了解如何将LlAMA应用于实际项目中。为此，特邀请北京中培IT学院入企举办“AI大模型技术及开发应用实践”系列培训课程。
二．培训大纲
此培训方案授课时长为2天，每天6课时。
第一部分:
LLM大模型核心原理
1. 大模型基础：理论与技术的演进
2. LLMs大语言模型的概念定义
3. LLMs大语言模型的发展演进
4. LLMs大语言模型的生态体系
5. 大语言模型技术发展与演进
6. 基于统计机器学习的语言模型
7. 基于深度神经网络的语言模型
8. LLMs大语言模型的行业应用
第二部分:
LLM大模型微调
1. 大模型高效微调技术
2. Parameter-Efficient
3. Fine-Tuning (PEFT) 初探
4. 大模型轻量级高效微调方法 LoRA
5. 少样本 PEFT 新方法 IA3
6. 统一微调框架 UniPELT
7. 其他微调技术
8. 基于百度平台的微调实践
第三部分:
国内外大模型研究进展和评测
1. 国内外大模型研究进展
2. 百度文心、
3. 阿里通义
4. 科大讯飞星火大模型
5. 0pen API GPT
6. 腾讯混元
7. 华为大模型
8. 大模型评测背景与方法论
9. 评测背景
10. 通用基础与专业应用能力
11. 数理科学，语言能力，道德责任，综合能力，行业能力
12. 大模型综合评测结果
13. 通用基础能力
14. 专业应用能力
15. 大模型独立表现解读（Frost & Sullivan）《2024年中国大模型能力评测报告》
16. 解读清华发布2024年3月版《SuperBench大模型综合能力评测报告》
第四部分:
大模型Prompt提示工程
1. Prompt如何使用和进阶
2. 什么是提示与提示工程
3. 提示工程的巨大威力：从Let’s think step by step说起
4. 拆解、标准化、流程化：如何用AI改造工作
5. 使用BROKE框架设计ChatGPT提示
6. 通过案例分析，展示如何使用大模型prompt技术辅助开发
第五部分:
AI大模型辅助架构师提高研发效能
1. 大模型AI技术重塑软件架构
2. 大模型AI技术对传统软件架构的挑战
3. 大模型AI技术为软件架构带来的机遇和创新
4. AI大模型在软件开发架构设计中的作用
5. AI大模型辅助软件架构文档和视图
6. AI大模型辅助设计高效的软件架构
7. AI大模型辅助设计分布式微服务架构
8. AI大模型辅助领域驱动架构
9. AI大模型辅助设计高性能，高可用，可扩展架构
10. AI大模型辅助设计灵活性架构
11. AI大模型辅助设架构监控与治理
12. AI大模型辅助设架构重构与演化
13. AI大模型辅助架构评估和改进设计方案
14. AI大模型在软件架构的应用案例分析
第六部分:
AI大模型辅助设计师提高研发效能
1. AI大模型 辅助进行前端设计-基于前端框架设计
2. AI大模型 辅助进行详细设计
3. AI大模型 辅助领域驱动设计
4. AI大模型 辅助灵活性设计-设计原则与模式
5. AI大模型辅助进行数据库设计（概念模型，逻辑模型，物理模型）
6. AI大模型支持UML建模
7. 使用AI大模型辅助绘制类图
8. 使用AI大模型辅助绘制时序图
9. AI大模型 辅助完成设计文档
10. 案例分析
第七部分:
AI大模型辅助开发工程师编写高质量代码
1. 使用AI大模型编写高质量的程序代码
2. AI大模型编写代码注释
3. AI大模型解释遗留代码
4. AI大模型辅助发现代码坏味道
5. AI大模型辅助代码重构
6. AI大模型辅助代码优化
7. 评审 AI大模型 生成的代码
8. 使用AI大模型分析源代码底层逻辑
9. AI大模型辅助代码性能优化
10. AI大模型辅助重构遗留系统代码
11. AI大模型辅助遗留系统的代码维护
12. 案例分析
第八部分:
国外大模型OpenAI GPT API应用开发
1. OpenAI 大模型开发指南
2. OpenAI 语言模型总览
3. 语言模型：GPT-4 and GPT-3.5 Turbo
4. OpenAI Token 计费与计算
5. OpenAI GPT API 开发入门
6. OpenAI Models API
7. OpenAI Chat Completions API
8. OpenAI 大模型应用实践
9. 文本内容补全初探（Text Completion）
10. 聊天机器人初探（Chat Completion）
11. 基于 OpenAI开发智能翻译助手
12. 案例分析
第九部分:
基于国内大模型API 开发应用（智谱，百度，通义千问等）
1. GLM 大模型家族介绍
2. 智谱第四代 API 介绍
3. AP| 基础教学和实战
4. 使用 GLM-4 AP| 构建模型和应用
5. 使用 GLM-4从0到1搭建并优化 RAG 程序
6. Diffusion 原理介绍
7. 模型训练的数据优化(DALLE3)
8. CogView3 及 API 调用演示
9. 基于百度大模型的应用与开发
10. 基于通义千问大模型的应用与开发
第十部分:
⼤模型应⽤开发框架 LangChain
1. ⼤模型应⽤开发框架 LangChain
2. LangChain 是什么
3. 为什么需要 LangChain
4. LangChain 典型使⽤场景
5. LangChain 基础概念与模块化设计
6. LangChain 核⼼模块⼊⻔与实战
7. LangChain 的3 个场景
8. LangChain 的6 大模块
9. LangChain 的开发流程
10. 创建基于LangChain聊天机器人
第十一部分:
LangChain与RAG技术
1. RAG技术概述
2. LangChain中的RAG组件
3. 加载器和分割器
4. 文本嵌入和 向量存储
5. 检索器和多文档联合检索
6. RAG技术的关键挑战
7. 检索增强生成实践
8. RAG技术文档预处理过程
9. RAG技术文档检索过程
10. 何谓LlamaIndex
11. 说说LlamaIndex
12. LlamaIndex和基于RAG的AI开发
13. LlamaIndex开发示例
14. 基于RAG技术的案例分析
第十二部分:
大模型驱动的智能体开发
1. 智能体的定义与特点
2. 智能体与传统软件的关系
3. 智能体与LLM的关系
4. 从ChatGPT到智能体
5. 智能体的五种能力
6. 记忆，规划，工具，自主决策，推理
7. 多智能体协作
8. 企业级智能体应用与任务规划
9. 智能体开发
第十三部分:
分析国外智能体典型案例和商业应用
1. 解读斯坦福小镇项目：生成式智能体典型案例
2. AutoGPT：通过自然语言的需求描述执行自动化任务
3. BabyAGI：根据任务结果自动创建，排序和执行新任务
4. MetaGPT：重塑生成式AI与软件开发界面
5. AutoGen：下一代LLM应用的启动器
6. ChatDev：重塑软件开发的AI群体智能协作框架
7. Camel AI：引领自主与交流智能体的未来
第十四部分:
基于字节Coze 构建智能体
1. Coze：零基础开发对话机器人
2. 功能概述
3. 基础能力
4. 插件
5. 工作流
6. 记忆库
7. 查询天气机器人的最终效果
8. 创建你的第一个机器人
9. 用自然语言优化输出结果
10. 用工作流优化输出结果
11. 基于字节Coze构建开发软件开发智能体
12. 构建研发工程师agent案例
第十五部分:
基于百度AgentBuilder构建智能体
1. 百度文心一言大模型
2. 百度千帆大模型
3. 百度开发Agent智能体
4. AgentBuilder
5. AppBuilder
6. ModelBuilder
7. 开发AI原生应用
8. 基于百度软件开发智能体
9. 构建研发工程师agent案例
第十六部分:
基于其他平台构建Agent智能体
1. 基于智谱平台构建智能体
2. 基于通义千问构建智能体
3. 基于AutoGen 智能体实战
4. 基于FastGPT 知识库以及智能体
5. 基于DB-GPT构建数据分析智能体实战
第十七部分:
大模型技术在金融业应用的思考与建议
1. 大模型技术在金融业应用的思考与建议
2. 大模型技术的特点及局限性分析
3. 大模型技术在金融领域的适用场景
4. 大模型技术与金融智能营销
5. 大模型技术与金融智能风控
6. 大模型技术与金融智能客服
7. 大模型技术与金融虚拟营业厅和数字人
8. 大模型技术与金融其他通用场景
第十八部分:
大模型技术在其他行业应用
1. 大模型技术在教育科技应用-可汗学院(Khan Academy)
2. 大模型技术在大型企业数字化转型应用-法务智能辅助审核
3. 大模型技术在企业应用-安防企业智能文本审阅系统
4. 大模型技术在电信应用-智能运维
5. 大模型技术在互联网和传媒应用-智能搜索与推荐系统
6. 大模型技术在建筑行业应用-智能工程图纸管理
三．讲师简历
刘兵老师
2004年获得计算机硕士学位。毕业后在国外工作多年。回国后加入IBM中国研发中心，BEA中国研发中心，oracle中国研发中心，多家互联网研发中心咨询顾问等。曾任软件开发工程师，高级技术专家，首席架构师等。主要负责客户项目的架构设计和项目开发，架构重构，技术支持，AI2.0时代软件研发，AI赋能研发转型，基于chatGPT大模型的开发咨询，保证项目的成功实施。
他还是认证培训师，为多家大型软件中心做过培训。比如EMC，VMware，华为，中兴通信，思科，诺基亚，朗讯，爱立信，上海贝尔，AutoDesk，Adobe，百度，阿里巴巴，腾讯，金山移动，支付宝等。
作为一名AI技术专家，对人工智能的理解深入透彻。他不仅精通AI的编程技术，还熟悉各种AI工具的使用，尤其在AI行业应用更是有着独特的见解和实践经验；自从2023年以来帮助多家研发中心做AI辅助开发效能提升咨询服务；同时也是微软人工智能认证工程师，阿里云AI人工智能训练师。
四．培训过程
北京中培IT学院为河南某学院举办的“AI大模型技术及开发应用实践”培训于8月18-19日在河南新乡圆满举办。本次入企培训由行业专家刘兵老师亲授，现场共有30名人工智能、大数据专业的老师参与培训。
刘老师采用理论知识+实践落地相结合的授课方法，按照课程方案中确定的授课内容进行了生动而又详细的讲解，深入浅出，条理清楚，层层剖析，论证严密。刘老师对待学生亲切自然，对一些学员提出的问题做了详细的解答。师生之间在一种平等、协作、和谐的气氛下，完成了这期培训。
五．现场花絮
刘老师具备深厚的专业知识和独到的见解，生动地介绍了大型语言模型的基本原理、架构和训练方法，帮助大家建立对大模型的理解和认知。
授课过程中刘老师深入讲解了LLAMA在各个领域的实际应用，包括自动文本生成、机器翻译、情感分析、问答系统等，帮助大家了解如何将LlAMA应用于实际项目中。
学员们全神贯注地聆听，紧跟老师的节奏，并上机实践操作。
六．培训收益
通过此次培训，使学员获得如下收益：
1. 系统化了解AIGC生态体系和发展趋势
2. 系统化了解LLMs大语言模型生态体系和发展趋势
3. 掌握大语言模型的基座模型微调方法
5. 掌握大语言模型开发框架Langchain的使用方法。
6. 构建基于LangChain完整项目的开发过程和经验
7. 构建基于大模型的Agent智能体
8. 大模型在产业应用实践（金融/电信/教育科技/制造业/公共服务业）
9. 探索可落地的商用前景及实施路径
七．培训总结
本次培训参训学员为计算机学院人工智能、大数据专业老师。课程方案针对学员工作痛点定制化设计，有效提升了学员实际工作能力。通过此次培训，帮助学员提高解决问题的能力，提高工作效率， 深入了解了LangChain框架的应用和实践。培训结束后，所有参培人员一致认为这是一次非常有益的学习经历。
