课程介绍
【培训背景】
随着科技的飞速发展，人工智能（AI）已成为引领新一轮科技革命和产业变革的重要驱动力。大模型（Large Language Models, LLMs）作为AI领域的一项革命性突破，正以前所未有的速度重塑着我们对智能交互、知识管理、内容创作乃至整个数字化世界的认知。近年来，诸如GPT系列、Sora等大模型的不断涌现，不仅展示了AI在自然语言处理领域的巨大潜力，也预示着AI技术即将迈入一个更加复杂、细腻且广泛适用的新纪元。
人工智能成为全球焦点的背景下，2024年中国政府工作报告，就首次提出开展“人工智能+”行动，相信后续还有更多利好人工智能和“人工智能+”的政策即将释放。而在国家层面推动“AI+”行动，无数的机会也将井喷。
【培训收益】
1.整体掌握大模型理论知识；
2.了解自注意力机制、Transformer模型、BERT模型；
3.掌握DeepSeek与chatGPT原理与实战；
4.了解LLM应用程序技术栈和提示词工程Prompt Enginerring；
5.了解国产大模型ChatGLM；
6.了解视觉大模型技术优势；
7.掌握语言理解与字幕生成及其应用；
8.掌握图像生成和应用实操；
9.了解应用场景与潜力分析；
10.了解大模型企业商用项目实战。
【适合人群】
Ø 从事人工智能领域工作的人
如果你正在从事人工智能、机器学习、数据分析等相关领域的工作，或者想要进入这些领域，那么学习AI大模型开发将会对你的职业发展有很大的帮助。
Ø 软件工程师和架构师
这类专业人士可以通过学习AI大模型开发课程来提升团队的研发效率，了解大模型如何影响软件架构，并掌握基于大模型的全新开发范式。
Ø 对人工智能有浓厚兴趣的人
对人工智能、机器学习等领域有浓厚的兴趣，想要深入了解并掌握相关技能，并有一定的软件开发基础的从业者。
【培训特色】
1.资深讲师授课，小班制教学；
2.理论与实践相结合、案例分析与行业应用穿插进行；
3.专家精彩内容解析、学员专题讨论、分组研究。
【授课专家】
邹老师 | 长春工业大学人工智能研究院院长
工程学术带头人、华东建筑设计研究总院研究员、山东交通学院客座教授、南昌航空大学硕士生导师、中国软件行业协会专家委员、上海市计划生育科学研究所特聘专家、天津大学创业导师、中华中医药学会会员、中国医药教育协会老年运动与健康分会学术委员；领导睿客邦与全国二十多所高校、国企建立了AI联合实验室，完成50多个深度学习实践项目，广泛应用于医疗、交通、农业、气象、银行、电信等多个领域。
带队完成了数十个AI项目，内容不仅包括深度学习、机器学习、数据挖掘等具体技术要点，也包括AI的整体发展、现状、应用、商业价值、未来方向等，涵盖内容非常丰富。
刘老师 国内顶尖AI专家 | 中培特聘专家
拥有十几年软件研发经验，十年企业培训经验，对Java、Python、区块链等技术领域有独特的研究，精通J2EE企业级开发技术。Java方向：设计模式、Spring MVC、MyBatis、Spring、StringBoot、WebService、CXF并且对Java源码有深入研究。Python方向：Python OOP、Mongodb、Django、Scrapy爬虫、基于Surprise库数据推荐，Tensorflow人工智能框架、人脸识别技术。区块链方向：BitCoin、Solidity、Truffle、Web3、IPFS、Hyperledger Fabirc、Go、EOS。
【结业证书】
参加培训并通过考试学员，由工业和信息化部教育与考试中心统一颁发《AI大模型全栈技术（高级）》工业和信息化职业能力证书。
证书样本
开班计划
| 开课时间 | 授课形式 | 培训类型 | 上课城市 | 在线报名 |
|---|---|---|---|---|
| 2025-03-26 | 面授+直播 | 精品班 | 广州 | 在线报名 |
| 2025-06-28 | 面授+直播 | 精品班 | 北京 | 在线报名 |
| 2025-10-27 | 面授+直播 | 精品班 | 成都 | 在线报名 |
| 2025-12-24 | 面授+直播 | 精品班 | 长沙 | 在线报名 |
| 随报随学 | 录播 | 特惠班 | IT云课 | 在线报名 |
课程大纲
AI大模型全栈工程师实战培训班，标准公开课为3天，每天6小时，录播课为15课时，企业内训可按需求定制。
课程安排如下：
培训时间 | 培训主题 | 培训大纲 |
第一天
| 大模型理论知识 | 1、初探大模型：起源与发展 2、GPT模型家族：从始至今 3、大模型DeepSeek VS ChatGPT4的对比介绍 4、大模型实战-大模型2种学习路线的讲解 5、大模型最核心的三项技术:模型、微调和开发框架 6、DeepSeek的MoE 混合专家模型介绍 7、DeepSeek-R3后训练阶段与强化学习技术介绍 8、0penAl文本模型A、B、C、D四大模型引擎简介 9、最强Embedding大模型text-embedding-ada模型介绍 10、全球开源大模型性能评估榜单 11、中文大模型生态介绍与GLM 130B模型介绍 12、DeepSeek模型介绍与部署门槛 13、DeepSeek开源生态:微调、多模态，WebUI等项目简介 |
预备知识第二节：自注意力机制、Transformer模型、BERT模型 | RNN-LSTM-GRU等基本概念 编码器、解码器 自注意力机制详解 Transformer Mask Multi-Head Attention 位置编码 特定于任务的输入转换 无监督预训练、有监督 Fine-tuning BERT思路的理解 BERT模型下游任务的网络层设计 BERT的训练 HuggingFace中BERT模型的推断 基于上下文的学习 代码和案例实践： 基本问答系统的代码实现 深入阅读理解的代码实现 段落相关性代码实现 | |
第三节： Embedding模型实战 | 大模型技术浪潮下的Embedding技术定位 Embedding技术入门介绍 从Ono-hot到Embedding Embedding文本衡量与相似度计算 OpenAl Embedding模型与开源Embedding框架 两代OpenAl Embedding模型介绍 text-embedding-ada-002模型调用方法详解 text-embedding-ada-002模型参数详解与优化策略 借助Embedding进行特征编码 Embedding结果的可视化展示与结果分析 【实战】借助Embedding特征编码完成有监督预测 【实战】借助Embedding进行推荐系统冷启动 【实战】借助Embedding进行零样本分类与文本搜索 Embedding模型结构微调优化 借助CNN进行Embedding结果优化 【企业级实战】海量文本的Embedding高效匹配 | |
第四节： LLM应用程序技术栈和提示词工程Prompt Enginerring | 设计模式：上下文学习 数据预处理/嵌入 提示构建/检索 提示执行/推理 数据预处理/嵌入 Weaviate、Vespa 和 Qdrant等开源系统 Chroma 和 Faiss 等本地向量管理库 pgvector 等OLTP 扩展 提示构建/检索 提示执行/推理 新兴的大语言（LLM）技术栈 数据预处理管道（data preprocessing pipeline） 嵌入终端（embeddings endpoint ）+向量存储（vector store） LLM 终端（LLM endpoints） LLM 编程框架（LLM programming framework） LangChain的主要功能及模块 Prompts: 这包括提示管理、提示优化和提示序列化。 LLMs: 这包括所有LLMs的通用接口，以及常用的LLMs工具。 Document Loaders: 这包括加载文档的标准接口，以及与各种文本数据源的集成。 Utils: 语言模型在与其他知识或计算源的交互 Python REPLs、嵌入、搜索引擎等 LangChain提供的常用工具 Indexes：语言模型结合自定义文本数据 Agents：动作执行、观测结果， LangChain的代理标准接口、可供选择的代理、端到端代理示例 Chat：Chat模型处理消息 代码和案例实践： LLM大模型的使用 Prompts的设计和使用 | |
第二天 | 第五节： 国产大模型DeepSeek | 新一代DeepSeek模型API调用 DeepSeek开放平台使用方法与APIKey申请 DeepSeek-V3、DeepSeek-R1、DeepEP介绍 DeepSeek在线知识库使用及模型计费说明 DeepSeek模型SDK调用与三种运行方法 DeepSeek调用函数全参数详解 DeepSeek Message消息格式与身份设置方法 DeepSeek tools外部工具调用方法 DeepSeek Function calling函数封装12GLM4接入在线知识库retrieval流程 DeepSeek接入互联网web_search方法 【实战】基于DeepSeek打造自动数据分析Agent 【实战】基于DeepSeek的自然语言编程实战 【实战】基于DeepSeek Function call的用户意图识别 【实战】基于GLM4的长文本读取与优化 |
第六节：LangChain大模型框架构建 | 构建垂直领域大模型的通用思路和方法 (1) 大模型+知识库 (2) PEFT(参数高效的微调) (3) 全量微调 (4) 从预训练开始定制 LangChain介绍 LangChain模块学习-LLMs 和 Prompts LangChain之Chains模块 LangChain之Agents模块 LangChain之Callback模块 Embedding嵌入 自定义知识库 知识冲突的处理方式 向量化计算可采用的方式 文档加载器模块 向量数据库问答的设计 Lanchain竞品调研和分析 Dust.tt/Semantic-kernel/Fixie.ai/Cognosis/GPT-Index LlamaIndex介绍 LlamaIndex索引 动手实现知识问答系统 代码和案例实践： 动手实现知识问答机器人 LangChain文本摘要 PDF文本阅读问答 | |
第七节 使用LangGraph构建工作流 | LangGraph 构建自适应RAG 1. LangGraph 应用场景、核心功能、特点 2. 基础概念：节点、边、图等 3. LangGraph 的系统架构 4. 数据模型和存储机制 5. 基本数据查询与操作 6. 高级查询：路径查询、模式匹配 7. 使用本地LLM自适应RAG 8. 代理RAG与纠正（CRAG） | |
第三天 |
第八节 LLM模型的私有化部署与调用 | LLM 推理与本地私有化部署 1. 各种模型文件介绍 2. 模型的推理、量化介绍与实现 3. Modelscope、Hugging Face简单介绍与使用 4. 大模型管理底座Ollama介绍 5. Ollama + lLama 部署开源大模型 6. Open WebUI发布与调用大模型 7. API Key获取与 Llama微调实现 |
第九节 开源大模型微调实现 | Llama_Factory 微调实战 1. 提升模型性能方式介绍：Prompt、知识库、微调 2. 如何科学构建训练数据（基础与专业数据混合训练） 3. 微调常见方式介绍：微调、偏好对齐、蒸馏、奖励模型 4. Llama3 模型架构与调用申请 5. 数据上传与任务创建（job） 6. 训练集与测试集拆分与模型评估 7. Unsloth微调平台介绍 8. Llama3开源大模型的微调与使用 9. 模型的评估策略 | |
第十节 大模型企业商用项目实战 | AI-Agent 构建可发布的智能客服系统 1. 智能体介绍与AutoGPT基本原理 2. AutoGPT安装与环境配置 3. 实战体验：AutoGPT实现数据爬取、清洗、保存 4. 创建各种场景的AutoGPT 1. 内容创建 2. 客服服务 3. 数据分析 4. 代码编写 5. 创建应用程序 |
