【定金】AI大模型应用开发

开班典礼

模块一 AI大模型介绍与API使用

知识点1、AI基础知识:人工智能发展历程及现状

知识点2、AI基础知识:大模型发展历程及现状

知识点3、AI基础知识:多模态发展历程及现状

知识点4、AI基础知识:智能体发展历程及现状

知识点5、AI大模型初体验:大模型API使用，ollama部署

知识点5、AI大模型初体验:ChatBox、Cherry studio大模型对话集成应用

知识点5、实操1:各类大模型API调用与使用

知识点5、实操2:大模型邮件小助手

知识点5、实操3:AIGC艺术创作全新方式（多模态）

知识点5、实操4:财务票据智能录入（图片信息提取）

知识点5、实操5:AI营销数据分析（大模型数据理解）

模块二 Deepseek简介与使用

知识点1、Deepseek简介:Deepseek背景、发展目标

知识点1、Deepseek简介:与 GPT、Gemini、Claude 等主流模型的差异对比

知识点2、Deepseek大模型家族:Deepseek-R1（语言推理模型）

知识点2、Deepseek大模型家族:Deepseek-VL（多模态视觉语言模型）

知识点2、Deepseek大模型家族:Deepseek-Coder（代码生成与编程助手）

知识点2、Deepseek大模型家族:Deepseek-MoE（稀疏专家模型）

知识点3、私有化部署Deepseek:大模型规模分类与硬件设备要求

知识点3、私有化部署Deepseek:大模型部署知识详解

知识点3、私有化部署Deepseek:模型权重下载与部署

知识点3、私有化部署Deepseek:大模型前端框架设计与应用

知识点3、实操1:模型调用方式与 API 接入

知识点3、实操2:部署并运行一个7B量化模型（如 Deepseek-Coder）

知识点3、实操3:Gradio构建可视化对话界面

微项目、私有化部署 DeepSeek + FastAPI 本地问答系统

模块一 提示词工程

知识点1、大模型与Prompt的关系简析:为什么Prompt如此重要

知识点1、大模型与Prompt的关系简析:Prompt的定义与作用

知识点1、大模型与Prompt的关系简析:基础Prompt结构与组成要素

知识点1、大模型与Prompt的关系简析:常见Prompt设计模式

知识点1、实操1:Prompt对比实操——不同提示语在文本摘要任务上的输出对比

知识点1、实操2:Prompt Debugging 实践——修复一个输出异常的Prompt

知识点2、指令模型 vs 推理模型的Prompt设计差异:指令模型

知识点2、指令模型 vs 推理模型的Prompt设计差异:推理模型

知识点3、复杂任务的多步骤Prompt设计与案例实践：多步骤Prompt

知识点3、复杂任务的多步骤Prompt设计与案例实践：常见结构：步骤分解、角色扮演、示例引导、反思重试（chain-of-thought、self-refine）

知识点3、实操1:单步骤 vs 多步骤Prompt性能测试

知识点3、实操2:不同模型对同一Prompt的响应分析

知识点3、实操3:角色设定提示：模拟身份控制输出风格

知识点3、实操4:格式化输出：输出JSON/表格结构

知识点3、实操5:限制条件：控制输出长度、风格、语言

微项目1、多风格写作助手 Prompt 设计

微项目2、情境角色模拟 Prompt 设计

模块二 自动化代码生成-Cursor

知识点1、Cursor基础:Cursor模块简介与工作原理

知识点1、Cursor基础:Cursor 与 LLM 的对话协同方式

知识点2、python程序基础:python语法基础

知识点2、python程序基础:python中AI基础

知识点3、实操1:代码补全与函数生成

知识点3、实操2:语义编辑与重构能力

知识点3、实操3:代码审查与错误检查辅助功能

知识点4、国内AI代码工具 (Trae、CodeBuddy、通义灵码)

知识点4、国外AI代码工具 (Cursor、Claude code、GitHub Copilot)

微项目1、excel一键生成可视化数据看板

微项目2、客户行为聚类分析

微项目3、销售预测与线性回归分析

模块一 视觉大模型基础

知识点1、VLM在行业中的应用:Qwen-VL使用

知识点1、VLM在行业中的应用:Qwen-VL微调

知识点1、VLM在行业中的应用:医疗行业等行业中的应用

知识点2、视频理解SOTA:视频理解基础模型

知识点2、实操：视频多模态注释示例

模块二 多模态文档转换大模型基础

知识点1、MinerU使用:MinerU的核心技术

知识点1、MinerU使用:MinerU的应用场景

知识点1、MinerU使用:MinerU的使用

知识点1、MinerU使用:MinerU私有化部署

模块三 具身智能基础

知识点1、具身智能:具身智能的发展历程与现状

知识点1、具身智能:具身智能的相关概念

知识点1、具身智能:具身智能的主要特点

知识点1、具身智能:具身智能的应用场景

模块一 文本向量化表示与向量数据库

知识点1、文本表示方法与词嵌入基础:文本表示的基本方式

知识点1、文本表示方法与词嵌入基础:分布式表示的动机

知识点1、文本表示方法与词嵌入基础:Word Embedding的发展路径

知识点1、文本表示方法与词嵌入基础:常见Word Embedding算法简介

知识点1、实操1:one-hot词嵌入表示方法

知识点1、实操2:词向量的可视化与语义分析

知识点2、文本相似度基础:文本相似度的定义与应用场景

知识点2、文本相似度基础:基于字符串匹配的相似度计算方法

知识点2、文本相似度基础:基于词嵌入（word embedding）的相似度计算

知识点2、文本相似度基础:句向量与语义级相似度方法

知识点2、实操1:余弦相似度文本计算

知识点2、实操2:BERT句级别文本相似度计算

知识点3、向量数据库:向量数据库简介

知识点3、向量数据库:FAISS, Milvus, Pinecone简介

知识点3、向量数据库:Faiss简介与核心功能

知识点3、向量数据库:向量索引与检索流程

知识点3、向量数据库:相似度计算与排序

知识点3、向量数据库:Faiss与大语言模型结合应用场景

微项目、Faiss与大语言模型结合

模块二 RAG（Retrieval-Augmented Generation）技术与应用

知识点1、RAG基础概念:检索增强生成的定义与特点

知识点1、RAG基础概念:与传统检索系统、生成系统的区别

知识点1、RAG基础概念:RAG的典型流程与架构组成

知识点2、RAG核心模块:文本嵌入（Embedding）与向量化

知识点2、RAG核心模块:向量检索引擎

知识点2、RAG核心模块:Prompt设计:如何将检索内容整合入提示

知识点2、RAG核心模块:LLM生成模块:结合检索结果进行答案生成

知识点3、RAG核心模块RAG原理详解:Retriever（检索器）与 Generator（生成器）协同流程

知识点3、RAG核心模块RAG原理详解:dense vs sparse 检索方式

知识点3、RAG核心模块RAG原理详解:典型流程：输入 → 检索（Top-K）→ 拼接 Prompt → 生成回答

知识点4、文档解析与分割策略优化:文本预处理与清洗策略

知识点4、文档解析与分割策略优化:文档分割方法-固定窗口、重叠窗口、语义切分

知识点4、文档解析与分割策略优化:分割粒度与下游效果之间的平衡

知识点4、实操1:构建文档分割与Embedding流程

知识点4、实操2:基于LangChain实现一个最小RAG系统

知识点5、RAG中的召回与重排序机制:多阶段检索系统-粗召回 + 精重排

知识点5、RAG中的召回与重排序机制:rerank器模型（Cross-Encoder）介绍

知识点5、RAG中的召回与重排序机制:多向量融合与加权策略（embedding + 关键词共现）

知识点6、RAG Flow 框架解析:LangChain中RAG的模块化结构

知识点6、RAG Flow 框架解析:Retriever、PromptTemplate、LLM、QA Chain源码分析

知识点6、实操1:使用向量数据库自定义向量库并实现模糊检索增强

知识点6、实操2:RAG系统重排序模块开发与 rerank 模型效果对比

微项目、基于DeepSeek(Qwen)+RAG FLow 实现个人知识库

模块一 FunctionCalling打造大模型+工具新范式

知识点1、大模型+自定义工具—Function Calling:什么是 Function Calling？

知识点1、大模型+自定义工具—Function Calling:Function Calling 基础原理

知识点1、大模型+自定义工具—Function Calling:Function Calling 的大模型调用自定义工具流程

知识点2、实操1:FunctionCalling+天气查询

知识点2、实操2:FunctionCalling+汇率换算

知识点3、多工具调用与意图控制:注册多个函数（tools）实现多功能

知识点3、多工具调用与意图控制:提示工程赋能大模型函数自主选择

知识点3、实操1:提示工程优化与函数自主选择

微项目1、日程提醒小助理

微项目2、AI计算器

模块二 MCP大模型进阶调用框架

知识点1、MCP基础:MCP的定义与发展背景

知识点1、MCP基础:MCP基础原理

知识点2、MCP技术概述:智能体（Agent）的基本构成

知识点2、MCP技术概述:MCP基础技术栈简介

知识点3、LangChain应用开发:LLM-大语言模型调用接口

知识点3、LangChain应用开发:PromptTemplate-参数化提示模板

知识点3、LangChain应用开发:Memory-对话上下文记忆模块

知识点3、LangChain应用开发:Chain-任务流程控制器

知识点3、实操1:情绪分析助手（LLM + PromptTemplate）

知识点3、实操2:英文新闻翻译与总结流水线（LLM + Chain + PromptTemplate）

知识点3、实操3:求职模拟面试官（LLM + PromptTemplate + Memory）

知识点4、多步骤推理设计与测试:多阶段提示链

知识点4、多步骤推理设计与测试:使用SequentialChain 管理信息流提示链调试方法

知识点4、实操1:情感分析多轮 Prompt 设计

知识点4、实操2:构建第一个MCP风格的LangChain应用

知识点5、LangGraph核心理念与结构建模方式:LangGraph-面向节点驱动的语言模型工作流框架

知识点5、LangGraph核心理念与结构建模方式:状态机

知识点5、LangGraph核心理念与结构建模方式:节点函数

知识点5、LangGraph核心理念与结构建模方式:LangChain组件与图节点

知识点6、LangGraph与LangChain集成机制:Chain与LangGraph

知识点6、LangGraph与LangChain集成机制:Memory与LangGraph

知识点6、LangGraph与LangChain集成机制:Tool与LangGraph

知识点7、图结构工作流与分支控制:图的定义

知识点7、图结构工作流与分支控制:状态传递设计动态路径

知识点7、图结构工作流与分支控制:分支模式（Router Node、Conditional Flow）

知识点7、实操1:LangGraph构建问答流程图

微项目1、多工具调用的智能问答代理

微项目2、基于LangChain的文本摘要生成

微项目3、旅游攻略小助手

模块一 智能体基础

知识点1、AI Agent基础:什么是 AI Agent？

知识点1、AI Agent基础:Agent 与传统编程/自动化工具的区别

知识点1、AI Agent基础:Agent 的主要类型

知识点1、实操1:LangGraph构建问答流程图

知识点2、Agent 的主要类型:对话型 Agent

知识点2、Agent 的主要类型:工具增强型 Agent

知识点2、Agent 的主要类型:RAG增强 Agent

知识点2、Agent 的主要类型:多模态 Agent

模块二 智能体技术详解

知识点1、Agent 的核心构件:LLM-大模型的选择与能力

知识点1、Agent 的核心构件:Prompt构造-系统提示、用户提示

知识点1、Agent 的核心构件:Tool-调用机制

知识点1、Agent 的核心构件:Memory模块-上下文、长期记忆

知识点2、智能体的运行流程与循环机制:Observation（感知输入）

知识点2、智能体的运行流程与循环机制:Thought（推理与思考）

知识点2、智能体的运行流程与循环机制:Action（执行 Tool 或生成回应）

知识点2、智能体的运行流程与循环机制:Observation（反馈接收）

知识点2、智能体的运行流程与循环机制:Loop-Agent Reflection / Self-Criticism

模块三 多智能体协作机制

知识点1、A2A大模型协作基础:A2A简介

知识点1、A2A大模型协作基础:A2A通信协作的基本原理

知识点1、A2A大模型协作基础:多Agent任务规划与角色分工

知识点1、实操1:双Agent互问答机制构建

知识点1、实操2:任务拆分与执行（指令分发）

知识点2、A2A技术详解:消息格式与Agent协议设计

知识点2、A2A技术详解:链式对话与Agent轮询机制

知识点2、A2A技术详解:多Agent系统的记忆管理

知识点2、A2A技术详解:多Agent对话流调试与监控可视化

知识点2、实操1:简易Agent协议与基本解析器设计

知识点2、实操2:双Agent轮询对话逻辑框架设计

知识点2、实操3:共享Memory池供多个Agent共享框架设计

微项目1、情绪感知强化电商智能客服

微项目2、文案生成与审核协作智能集群

微项目3、多智能体协同生成调研报告

模块一 AI智能体构建平台—Coze

知识点1、Coze 平台概览:Coze 平台的定位与特点

知识点1、Coze 平台概览:与 LangChain等工具的异同

知识点2、Agent 构建流程:创建 Agent-角色定义、模型选择、Agent 入口配置

知识点2、Agent 构建流程:Agent 设定项-基础描述、能力标签、可见性设置

知识点2、Agent 构建流程:模型能力配置-系统 Prompt、Token 限制、回复风格调整

知识点3、流程控制（Flow）模块:节点类型详解（用户输入、调用工具、条件判断、消息返回等）

知识点3、流程控制（Flow）模块:节点间连接与变量传递机制

知识点3、流程控制（Flow）模块:控制结构设计-顺序执行、条件分支、循环回调（部分支持）

知识点4、Tool 插件接入与调用:插件与 Tool 的概念-API 扩展 vs 工具函数

知识点4、Tool 插件接入与调用:添加第三方 API 插件

知识点4、实操1:自定义接口调用实现增强 Agent 能力

知识点5、多 Agent 协作机制:多Agent消息传递的流程逻辑

知识点5、多 Agent 协作机制:Agent嵌套调用与协作任务链设计

微项目1、Coze搭建数据分析小助手

微项目2、Coze搭建新闻搜索小助手

微项目3、Coze搭建智能联网搜索小助手

微项目4、Coze搭建智能投资顾问助手

模块二 AI智能体构建平台—Dify

知识点1、Dify平台概览:Dify 是什么？

知识点1、Dify平台概览:Dify 的系统架构与技术栈

知识点1、Dify平台概览:支持的模型

知识点2、大模型调用与提示模板设计:Prompt模板设计（支持变量注入）

知识点2、大模型调用与提示模板设计:多轮上下文管理（是否保留上下文、对话策略）

知识点2、实操1:Role设定与初始Prompt策略配置

知识点3、知识库管理与向量检索（RAG）:知识库的结构与概念

知识点3、知识库管理与向量检索（RAG）:向量化工具链

知识点3、知识库管理与向量检索（RAG）:Faiss向量数据库配置

知识点3、实操1:在应用中使用知识库

知识点4、应用开发与部署流程:创建应用的完整流程

知识点4、实操1:应用测试与在线调试

知识点4、应用开发与部署流程:应用API调用接口说明

知识点4、应用开发与部署流程:用户权限管理与团队协作

知识点5、工作流机制与高级编排:Dify中的工作流是什么？

知识点5、工作流机制与高级编排:节点-Prompt节点、工具节点、条件判断节点、API请求节点

知识点5、实操1:多步骤任务的实现

知识点5、工作流机制与高级编排:高级控制-变量传递、条件分支、嵌套调用

知识点5、实操2:报销审批机器人

知识点6、本地部署与自定义模型接入:Dify的本地部署流程

知识点6、实操1:Docker + 环境配置

知识点6、本地部署与自定义模型接入:模型服务的接入

知识点6、实操2:本地LLM服务

微项目1、Dify搭建知识库的产品FAQ助手

微项目2、Dify搭建智能文档分析总结助手

微项目3、Dify搭建古诗词创作助手

模块一 机器学习基础

知识点1、数学基础知识:微积分基本概念（导数、链式法则）

知识点1、数学基础知识:线性代数（向量、矩阵、特征值、特征向量）

知识点1、数学基础知识:概率论（条件概率、贝叶斯定理、期望）

知识点1、数学基础知识:最优化基础（梯度下降、凸优化）

知识点1、实操:手推感受梯度更新

知识点2、机器学习基本任务:监督学习 vs 非监督学习 vs 半监督学习（定义 + 区别）

知识点3、监督学习核心算法:线性回归、逻辑回归

知识点3、监督学习核心算法:支持向量机（SVM）

知识点3、监督学习核心算法:决策树、随机森林

知识点3、实操:基于鸢尾花数据集的SVM分类任务

知识点4、非监督学习核心算法:聚类（K-Means、层次聚类）

知识点4、非监督学习核心算法:降维（PCA）

知识点4、非监督学习核心算法:表示学习（自编码器）

知识点4、非监督学习核心算法:实操：基于K-means自聚类的企业用户群体特征分析

微项目1、基于机器学习的波士顿房屋租赁价格预测案例（回归任务）

微项目2、基于机器学习的宫颈癌预测案例（分类任务）

模块二 深度学习基础

知识点1、神经网络基本组成:神经元结构（输入、权重、偏置）

知识点1、神经网络基本组成:激活函数（ReLU、Sigmoid、Tanh）

知识点1、实操:用神经网络拟合线性函数

知识点2、前向传播与反向传播:前向计算流程

知识点2、前向传播与反向传播:梯度计算与更新（链式法则 + 反向传播）

知识点3、损失函数与优化器:常见损失函数-均方误差、交叉熵

知识点3、损失函数与优化器:常见优化器-SGD、Adam、RMSprop

知识点4、经典神经网络结构:全连接神经网络（FCN）

知识点4、经典神经网络结构:卷积神经网络（CNN）

知识点4、经典神经网络结构:循环神经网络（RNN）

知识点4、经典神经网络结构:LSTM 简介

知识点5、深度学习框架介绍:PyTorch（重点）、TensorFlow（简要介绍）

微项目、基于深度学习模型的猫狗图像识别案例

模块三 自然语言处理

知识点1、自然语言处理简介:NLP基础概念

知识点2、NLP基础与常用表示方法:词汇表示方法演进

知识点2、NLP基础与常用表示方法:预训练词向量方法

知识点2、NLP基础与常用表示方法:上下文相关表示方法

知识点3、NLP中的深度模型:神经网络基础回顾

知识点3、NLP中的深度模型:循环神经网络（RNN）

知识点3、NLP中的深度模型:长短期记忆网络（LSTM）

知识点3、NLP中的深度模型:双向LSTM（Bi-LSTM）

知识点3、NLP中的深度模型:GRU 结构简化版介绍

知识点3、NLP中的深度模型:注意力机制与Transformer的引入

微项目1、基于深度学习的情感分析案例

微项目2、基于深度学习的机器翻译案例

微项目3、基于序列模型的文本生成案例

模块一 Transformer 架构原理与关键模块

知识点1、Transformer基本结构概览:Encoder-Decoder架构

知识点1、Transformer基本结构概览:核心计算流程（概括）

知识点1、Transformer基本结构概览:位置编码（Positional Encoding）

知识点2、注意力模型:注意力模型机制（Attention）

知识点2、注意力模型:自注意力机制（Self-Attention）

知识点2、注意力模型:多头注意力（Multi-Head Attention）

模块二 Transformer 架构变体与演进

知识点1、Transformer 变体一：BERT 架构与预训练方法

知识点2、Transformer 变体二：GPT 系列与因果语言建模

知识点3、稀疏注意力（Sparse Attention）机制

知识点4、混合专家模型（MoE）与动态路由机制

模块三 大模型优化与评估技术

知识点1、模型压缩与量化技术:剪枝（Pruning）

知识点1、模型压缩与量化技术:权重量化（Quantization）

知识点1、模型压缩与量化技术:知识蒸馏（Knowledge Distillation）

知识点2、大模型评估体系与基准:基准测试（如 MMLU、BBH、AGIEval）

知识点2、大模型评估体系与基准:人类偏好评估（如 GPTJudge）

知识点3、推理优化与部署加速技术:ONNX、TensorRT、vLLM、Triton Inference Server

知识点3、实操:尝试评价市面大模型（ChatGPT、豆包、Kimi、Claude、Deepseek大模型评价）

模块一 大模型微调

知识点1、大模型微调基础:大模型微调的意义

知识点1、大模型微调基础:参数微调分类

知识点2、大模型微调技术详解:Bitfit-tuning基础

知识点2、实操1:Bitfit-tuning实操

知识点2、大模型微调技术详解:Prompt-tuning微调基础

知识点2、实操2:Prompt-tuning实操

知识点2、大模型微调技术详解:P-tuning微调基础

知识点2、实操3:P-tuning实操

知识点2、大模型微调技术详解:Prefix-tuning微调基础

知识点2、实操4:Prefix-tuning实操

知识点2、大模型微调技术详解:LORA微调基础

知识点2、实操5:LORA实操

微项目1、基于LoRA的中文情感分类模型微调

微项目2、医疗问答意图识别微调项目

模块二 大模型部署原理与实践

知识点1、大模型部署的整体架构概述:模型加载

知识点1、大模型部署的整体架构概述:推理服务

知识点1、大模型部署的整体架构概述:API封装

知识点2、大模型部署技术详解:大模型部署环境硬件需求

知识点2、大模型部署技术详解:大模型部署环境软件依赖

知识点2、大模型部署技术详解:主流部署框架

知识点2、大模型部署技术详解:模型加速技巧

知识点2、大模型部署技术详解:服务化与 API 接口设计

微项目、私有化部署 Qwen3 + FastAPI 本地问答系统

模块一 人工智能安全基础

知识点1、AI安全:AI 安全基础

知识点1、AI安全:AI 安全的核心范畴与风险

模块二 人工智能伦理基础

知识点1、AI伦理:AI 伦理的核心原则与理论基础

知识点1、AI伦理:AI 安全与伦理的治理与规范

项目实战1: 基于大模型的智能问答助手

项目实战2: 基于大模型的智能写作助手

项目实战3: 基于大模型的智能审核助手

项目实战4: 基于大模型的智能搜索助手

项目实战5: 基于大模型的智能预测助手

项目实战6: 基于大模型的智能数据分析决策助手

模块一 就业面试题讲解

知识点1、串讲所学的所有技术点

知识点2、串讲所有学过的项目

知识点2、实操:对所有串讲的过的面试题和项目进行考试

模块二 就业简历指导

知识点1、简历指导、职业规划

知识点2、简历书写（Word、网上）

知识点2、实操:模拟面试