文章目录[x]
- 1:# 大模型学习路线
- 1.1:## L1级别:Al大模型时代的华丽登场
- 1.2:## L2级别: Al大模型API应用开发工程
- 1.3:## L3级别: Al大模型框架进阶实践
- 1.4:## L4级别: 大模型微调与私有化部署
# 大模型学习路线
## L1级别:Al大模型时代的华丽登场
### 目标：所有行业的人都需要真正的了解的大模型，它不是ChatGPT的使用培训，而是更高级别的全面了解各种大模型，并能够更好的使用这些大模型。
### 内容
- 1.第一阶段.理解大模型
- 1.1 初识大模型
- 1.1.1 人工智能演进与大模型兴起：从AI 1.0到AI 2.0的变迁
- 1.1.2 大模型与通用人工智能
- 1.1.3 GPT模型的发展历程：GPT-1到GPT-4
- 1.1.4 最新发展：GPT4-Turbo和GPTs
- 1.1.5 为了展望：大模型的趋势与挑战
- 1.2 国产大模型介绍
- 1.2.1 文心一言
- 1.2.2 星火大模型
- 1.2.3 智谱清言大模型
- 1.2.4 盘古大模型
- 1.2.5 通义千问
- 1.3 大模型核心原理
- 1.3.1 理解大模型成功的背后
- 1.3.2 理解生成式模型与语言模型
- 1.3.3 Transformer架构的深度理解
- 1.3.4 关键技术解析：预训练、SFT、RLHF
- 1.3.5 GPT4应用实例与Prompt使用技巧
- 1.3.6 交互式讨论：当前大模型应用场景
- 1.4 实践中的大模型
- 1.4.1 GPT模型实际应用与成本分析
- 1.4.2 OpenAI基础API实操
- 1.4.3 OpenAI Playground与参数调整
- 2.第二阶段.大模型提示工程
- 2.1 AI 开发环境
- 2.1.1 Python入门
- 2.1.2 pip工具
- 2.1.3 IDE搭建与使用
- 2.2 提示工程基础
- 2.2.1 什么是提示工程
- 2.2.2 Prompt的构成与调优
- 2.2.3 基于OpenAI的Prompt案例
- 2.3 提示工程进阶
- 2.3.1 思维链Chain-of-thought
- 2.3.2 思维树Tree-of-thought
- 2.3.3 Prompt攻击与防范
- 2.3.4 敏感信息及账号密码安全
- 2.4 实践：基于提示工程的代码生成
## L2级别: Al大模型API应用开发工程
### 目标：理解大模型并且能够进行基于大模型的应用开发
### 内容
- 1. 理解Function Calling（tool calling）
- 1.1. OpenAI tools参数与function
- 1.2. 调用本地Function Calling
- 3. 远程Function Calling调用
- 4. Function Calling数据库查询
- 5. 支持Function Calling的国产模型
- 2. RAG与Embedding
- 1. 检索增强型RAG
- 2. RAG系统基本搭建
- 3. 什么是Embedding
- 4. Embedding在LLM中的应用
- 5. 向量相似度欧式距离与余弦距离
- 6. OpenAI Embedding
- 3. 向量数据库
- 1. 向量数据据运用
- 2. 向量数据库服务
- 3. 主流向量数据库
- 4. Embedding与向量数据库结合
- 4. OpenAI GPTs与Assistant API
- 1. GPTs的使用与限制
- 2. Assistant API应用场景
- 3. Assistant thread与message
- 4. 基于Assistant做一个自己的GPT
- 5. GPT-4应用
- 实践：基于大模型的文档智能助手
- 实践：基于大模型的医学命名实体识别
## L3级别: Al大模型框架进阶实践
### 目标：对打模型进行初步精调，让大模型在某一个领域的任务表现可以商业化
### 内容
- LangChain开发
- 1. LangChain vs Semantic Kernel
- 2. LangChain的核心组件
- 3. 模型I/O封装
- 4. Prompt模板封装
- 5. 数据库连接封装
- 6. Memory记忆封装
- 7. Chat models与LLMs
- 8. LangChain中的RAG的实现
- 9. 实践：智能论文审稿机器人
- Agents智能体架构
- 1. Agents概述与应用场景
- 2. LangChain-Agents设计理念与原理
- 3. Agents关键技术分析
- 4. ReAct Framework
- 5. Agents的未来潜力
- 6. AutoGPT快速打造智能体
- 7. MetaGPT
- 1.MetaGPT项目定位与解决的问题
- 2. MetaGPT的技术方案分析
- 3. MetaGPT的各模块代码解读
- 8. 实践：多智能体协同代码生成应用
- 实践
- 1. 基于图片的智能信息检索问答
- 2. 无人数字直播机器人客服
- 3. 基于Agents打造AI模拟面试机器人
## L4级别: 大模型微调与私有化部署
### 目标：让大模型根据我们自己的专业/行业的私有知识库，经过微调可以回答有质量的专业问题。
### 内容
- 开源模型与私有化部署
- 1. 私有化部署的必要性
- 2. HugigingFace开源社区的使用
- 3. ChatGLM、Baichuan、LLaMa介绍
- 4. 私有化部署模型实战
- 模型微调Fine-Tuning
- 1. 模型微调的意义
- 2. 大模型的训练阶段介绍
- 3. Pre-train基座的训练
- 4. SFT 模型的调整
- 5. 对应GPT模型的微调
- 6. LoRA介绍
- 实践：医疗领域智能医生私有模型
- 开源大模型微调
- 1. ChatGLM3-6b模型简介
- 2. ChatGLM3-6b模型微调
- 3. LLama-7b模型介绍
- 4. LLama-7b模型微调
- 多模态
- 1. 什么是多模型模型
- 2. 多模态模型的应用场景
- 3. 图像生成技术概述
- 4. DallE-3与Midjourney
- 5. 语音生成技术概述
- 6. 主流TTS技术剖析
- 7. 案例
- 1. MiniGPT-4与多模态问答
- 2. LBIP与文本描述生成
- 3. Video-LLava与多模态图像视频识别
- 实践：代码生成
