課程簡介
課程深度講解大語言模型（LLM）及ChatGPT應用開發(fā)，并深入探討LLM在軟件工程中的應用實踐，包括需求分析、頂層設(shè)計、詳細設(shè)計、編碼、測試等全生命周期中的場景與案例。通過理論與實操結(jié)合，幫助學員掌握LLM的核心技術(shù)與最新進展，提升軟件工程效能。
目標收益
1、掌握LLM技術(shù)：全面理解LLM及ChatGPT的基本原理與應用。
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、實戰(zhàn)經(jīng)驗豐富：通過案例學習，積累LLM在軟件工程中的實戰(zhàn)經(jīng)驗。
4、拓展應用領(lǐng)域：了解LLM在各行業(yè)的應用前景，拓展職業(yè)發(fā)展路徑。
5、思維啟發(fā)：啟發(fā)新思維，探索LLM技術(shù)的更多可能性。
培訓對象
軟件研發(fā)負責人，研發(fā)管理負責人，運維負責人，DevOps負責人，測試負責人，工程效能負責人
軟件架構(gòu)師，資深研發(fā)工程師
運維架構(gòu)師，資深運維工程師，DevOps工程師，SRE
測試架構(gòu)師，資深測試工程師
研發(fā)管理人員，研發(fā)流程工程師
課程大綱
| 大語言模型及應用開發(fā)綜述 |
1.-大語言模型與ChatGPT綜述 2.-大語言模型LLM應用開發(fā)綜述 |
| 生成式AI（AIGC）的最新進展與應用 |
1.-AIGC的基本概念 2.-對PGC和UGC的調(diào)整 3.-大語言模型的基本概念 4.-LLM和傳統(tǒng)AI的區(qū)別 5.-AIGC目前的主要應用領(lǐng)域 6.-AIGC目前的可能的應用領(lǐng)域 7.-chatGPT應用展示 8.-midjourney應用展示 |
| ChatGPT及其應用領(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在自然語言處理、聊天機器人等領(lǐng)域的應用 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的訓練數(shù)據(jù)和算法 3.-ChatGPT的生成過程和輸出結(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比 |
| 使用ChatGPT進行文本生成（Prompt應用與案例） |
1.-使用預訓練模型生成文本 2.-使用微調(diào)模型生成特定領(lǐng)域的文本 3.-使用ChatGPT生成對話和聊天內(nèi)容 4.-Prompt如何使用 5.-Prompt使用進階 6.-Prompt的最佳實踐（FlowGPT） |
| ChatGPT-Prompt-Engineering提示詞工程 |
1.-提示詞的基本概念 2.-運行與編程實驗環(huán)境準備 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：知識風格提示與角色扮演 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：聊天機器人--一般示例 11.-提示詞工程9：聊天機器人--商店訂單服務 12.-提供詞工程10：代碼生成 13.-提示詞工程11：對抗攻擊-注入、泄露與越獄 14.-提示詞工程12：對抗提示檢測器 |
| LangChain與LLM應用開發(fā) |
1.-LangChain引入與概述 2.-幾個相關(guān)概念與LangChain簡單示例 3.-Models:-LangChain對接OpenAI 4.-Models:-LangChain對接ChatGLM 5.-Prompts：文本語言模型LLMs的PromptTemplate 6.-Prompts：文本語言模型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)與測試 6.-Copilot-Labs：能力工具箱 |
| AI Agent應用進階 |
1.-AI Agent的基本概念 2.-AI Agent的核心模式 3.Agent的四大種類 4.開發(fā)一個屬于自己的AI Agent 5.-Multi-Agent的基本邏輯和設(shè)計 6.-Multi-Agent應用示例：MetaGPT 7.-Multi-Agent應用示例：DevChat |
| LLM （ChatGPT）的未來發(fā)展和應用前景 |
1.-LLM(ChatGPT)的未來發(fā)展方向 2.- LLM(ChatGPT)在各行業(yè)中的應用前景 3.- LLM(ChatGPT)與其他人工智能技術(shù)的關(guān)系和比較 4.- LLM(ChatGPT)的風險與不確定性應對 5.- LLM(ChatGPT)的技術(shù)演化方向 6.- LLM(ChatGPT)的法律風險 7.- LLM(ChatGPT)的哲學思考 |
| LLM（chatGPT）在軟件研發(fā)全生命周期中的應用場景與案例 |
1.-軟件研發(fā)全流程中LLM擅長的部分 2.-軟件研發(fā)全流程中LLM不擅長的部分 3.-需求分析階段LLM(ChatGPT)的應用場景與案例 4.-頂層設(shè)計階段LLM(ChatGPT)的應用場景與案例 5.-詳細設(shè)計階段LLM(ChatGPT)的應用場景與案例 6.-編碼階段LLM(ChatGPT)的應用場景與案例 7.-代碼評審階段LLM(ChatGPT)的應用場景與案例 8.-單元測試階段LLM(ChatGPT)的應用場景與案例 9.-接口測試階段LLM(ChatGPT)的應用場景與案例 10.-安全測試階段LLM(ChatGPT)的應用場景與案例 11.-持續(xù)集成流水中LLM(ChatGPT)的應用場景與案例 12.-持續(xù)發(fā)布中LLM(ChatGPT)的應用場景與案例 13.-性能測試階段LLM(ChatGPT)的應用場景與案例 14.-測試結(jié)果分析中cha LLM(ChatGPT)tGPT的應用場景與案例 15.-運維領(lǐng)域LLM(ChatGPT)的應用場景與案例 16.-SRE實踐中LLM(ChatGPT)的應用場景與案例 |
|
大語言模型及應用開發(fā)綜述 1.-大語言模型與ChatGPT綜述 2.-大語言模型LLM應用開發(fā)綜述 |
|
生成式AI（AIGC）的最新進展與應用 1.-AIGC的基本概念 2.-對PGC和UGC的調(diào)整 3.-大語言模型的基本概念 4.-LLM和傳統(tǒng)AI的區(qū)別 5.-AIGC目前的主要應用領(lǐng)域 6.-AIGC目前的可能的應用領(lǐng)域 7.-chatGPT應用展示 8.-midjourney應用展示 |
|
ChatGPT及其應用領(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在自然語言處理、聊天機器人等領(lǐng)域的應用 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的訓練數(shù)據(jù)和算法 3.-ChatGPT的生成過程和輸出結(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比 |
|
使用ChatGPT進行文本生成（Prompt應用與案例） 1.-使用預訓練模型生成文本 2.-使用微調(diào)模型生成特定領(lǐng)域的文本 3.-使用ChatGPT生成對話和聊天內(nèi)容 4.-Prompt如何使用 5.-Prompt使用進階 6.-Prompt的最佳實踐（FlowGPT） |
|
ChatGPT-Prompt-Engineering提示詞工程 1.-提示詞的基本概念 2.-運行與編程實驗環(huán)境準備 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：知識風格提示與角色扮演 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：聊天機器人--一般示例 11.-提示詞工程9：聊天機器人--商店訂單服務 12.-提供詞工程10：代碼生成 13.-提示詞工程11：對抗攻擊-注入、泄露與越獄 14.-提示詞工程12：對抗提示檢測器 |
|
LangChain與LLM應用開發(fā) 1.-LangChain引入與概述 2.-幾個相關(guān)概念與LangChain簡單示例 3.-Models:-LangChain對接OpenAI 4.-Models:-LangChain對接ChatGLM 5.-Prompts：文本語言模型LLMs的PromptTemplate 6.-Prompts：文本語言模型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)與測試 6.-Copilot-Labs：能力工具箱 |
|
AI Agent應用進階 1.-AI Agent的基本概念 2.-AI Agent的核心模式 3.Agent的四大種類 4.開發(fā)一個屬于自己的AI Agent 5.-Multi-Agent的基本邏輯和設(shè)計 6.-Multi-Agent應用示例：MetaGPT 7.-Multi-Agent應用示例：DevChat |
|
LLM （ChatGPT）的未來發(fā)展和應用前景 1.-LLM(ChatGPT)的未來發(fā)展方向 2.- LLM(ChatGPT)在各行業(yè)中的應用前景 3.- LLM(ChatGPT)與其他人工智能技術(shù)的關(guān)系和比較 4.- LLM(ChatGPT)的風險與不確定性應對 5.- LLM(ChatGPT)的技術(shù)演化方向 6.- LLM(ChatGPT)的法律風險 7.- LLM(ChatGPT)的哲學思考 |
|
LLM（chatGPT）在軟件研發(fā)全生命周期中的應用場景與案例 1.-軟件研發(fā)全流程中LLM擅長的部分 2.-軟件研發(fā)全流程中LLM不擅長的部分 3.-需求分析階段LLM(ChatGPT)的應用場景與案例 4.-頂層設(shè)計階段LLM(ChatGPT)的應用場景與案例 5.-詳細設(shè)計階段LLM(ChatGPT)的應用場景與案例 6.-編碼階段LLM(ChatGPT)的應用場景與案例 7.-代碼評審階段LLM(ChatGPT)的應用場景與案例 8.-單元測試階段LLM(ChatGPT)的應用場景與案例 9.-接口測試階段LLM(ChatGPT)的應用場景與案例 10.-安全測試階段LLM(ChatGPT)的應用場景與案例 11.-持續(xù)集成流水中LLM(ChatGPT)的應用場景與案例 12.-持續(xù)發(fā)布中LLM(ChatGPT)的應用場景與案例 13.-性能測試階段LLM(ChatGPT)的應用場景與案例 14.-測試結(jié)果分析中cha LLM(ChatGPT)tGPT的應用場景與案例 15.-運維領(lǐng)域LLM(ChatGPT)的應用場景與案例 16.-SRE實踐中LLM(ChatGPT)的應用場景與案例 |
近期公開課推薦
