课程简介
课程深度讲解大语言模型（LLM）及ChatGPT应用开发，并深入探讨LLM在软件工程中的应用实践，包括需求分析、顶层设计、详细设计、编码、测试等全生命周期中的场景与案例。通过理论与实操结合，帮助学员掌握LLM的核心技术与最新进展，提升软件工程效能。
目标收益
1、掌握LLM技术：全面理解LLM及ChatGPT的基本原理与应用。
2、提升研发效能：优化软件工程流程，提高研发效率与质量。
3、实战经验丰富：通过案例学习，积累LLM在软件工程中的实战经验。
4、拓展应用领域：了解LLM在各行业的应用前景，拓展职业发展路径。
5、思维启发：启发新思维，探索LLM技术的更多可能性。
培训对象
软件研发负责人，研发管理负责人，运维负责人，DevOps负责人，测试负责人，工程效能负责人
软件架构师，资深研发工程师
运维架构师，资深运维工程师，DevOps工程师，SRE
测试架构师，资深测试工程师
研发管理人员，研发流程工程师
课程大纲
| 大语言模型及应用开发综述 |
1.-大语言模型与ChatGPT综述 2.-大语言模型LLM应用开发综述 |
| 生成式AI（AIGC）的最新进展与应用 |
1.-AIGC的基本概念 2.-对PGC和UGC的调整 3.-大语言模型的基本概念 4.-LLM和传统AI的区别 5.-AIGC目前的主要应用领域 6.-AIGC目前的可能的应用领域 7.-chatGPT应用展示 8.-midjourney应用展示 |
| ChatGPT及其应用领域 |
1.-什么是ChatGPT 2.-GPT和chatGPT的关系 3.-ChatGPT的历史和发展 4.-ChatGPT在自然语言处理、聊天机器人等领域的应用 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的架构和模型 2.-ChatGPT的训练数据和算法 3.-ChatGPT的生成过程和输出结果 4.-ChatGPT的局限性 5.-ChatGPT的安全性 6.-ChatGPT的涌现能力 7.-ChatGPT的思维链 8.-GPT3，GPT3.5，GPT4和文心一言的能力对比 |
| 使用ChatGPT进行文本生成（Prompt应用与案例） |
1.-使用预训练模型生成文本 2.-使用微调模型生成特定领域的文本 3.-使用ChatGPT生成对话和聊天内容 4.-Prompt如何使用 5.-Prompt使用进阶 6.-Prompt的最佳实践（FlowGPT） |
| ChatGPT-Prompt-Engineering提示词工程 |
1.-提示词的基本概念 2.-运行与编程实验环境准备 3.-提示词工程1：原则、分割符与输出格式 4.-提示词工程2：判断与Few-Shot-Prompting 5.-提示词工程3：思维链CoT 6.-提示词工程4：推理提示与更多推理 7.-提示词工程5：知识风格提示与角色扮演 8.-提示词工程6：角色生成器 9.-提示词工程7：迭代 10.-提示词工程8：聊天机器人--一般示例 11.-提示词工程9：聊天机器人--商店订单服务 12.-提供词工程10：代码生成 13.-提示词工程11：对抗攻击-注入、泄露与越狱 14.-提示词工程12：对抗提示检测器 |
| LangChain与LLM应用开发 |
1.-LangChain引入与概述 2.-几个相关概念与LangChain简单示例 3.-Models:-LangChain对接OpenAI 4.-Models:-LangChain对接ChatGLM 5.-Prompts：文本语言模型LLMs的PromptTemplate 6.-Prompts：文本语言模型LLMs的FewShotPromptTemplate 7.-Prompts：聊天模型的提示词模板 8.-Prompts：输出解析器Output-Parser 9.-Conversational-Memory：引入与简单示例 10.-Conversational-Memory：ConversationBufferMemory 11.-Conversational-Memory：ConversationSummaryMemory 12.-Conversational-Memory：BufferWindow与TokenBuffer 13.-Conversational-Memory：EntityMemory与KGMemory 14.-Chains：引入与LLMChain 15.-Chains：SimpleSequentialChain与SequentialChain 16.-Chains：LLMRouterChain1 17.-Chains：EmbeddingRouterChain与Memory 18.-Agent：引入与示例 19.-Agent：Zero-Shot-ReAct与会话（Conversational） 20.-Agent：更多的Build-In-Agent与Python-Agent 21.-Agent：自定义代理 |
| OpenAI-API使用详解 |
1.-起步Getting-Started 2.-Completion接口 3.-Embeddings与Fine-Tuning(微调) 4.-Files与Images |
| 用Github-Copilot辅助编程 |
1.-引入：介绍、安装、配置与示例 2.-文件处理与脚本 3.-函数、SQL、Cronjob与正则 4.-解释代码、生成代码 5.-重构与测试 6.-Copilot-Labs：能力工具箱 |
| AI Agent应用进阶 |
1.-AI Agent的基本概念 2.-AI Agent的核心模式 3.Agent的四大种类 4.开发一个属于自己的AI Agent 5.-Multi-Agent的基本逻辑和设计 6.-Multi-Agent应用示例：MetaGPT 7.-Multi-Agent应用示例：DevChat |
| LLM （ChatGPT）的未来发展和应用前景 |
1.-LLM(ChatGPT)的未来发展方向 2.- LLM(ChatGPT)在各行业中的应用前景 3.- LLM(ChatGPT)与其他人工智能技术的关系和比较 4.- LLM(ChatGPT)的风险与不确定性应对 5.- LLM(ChatGPT)的技术演化方向 6.- LLM(ChatGPT)的法律风险 7.- LLM(ChatGPT)的哲学思考 |
| LLM（chatGPT）在软件研发全生命周期中的应用场景与案例 |
1.-软件研发全流程中LLM擅长的部分 2.-软件研发全流程中LLM不擅长的部分 3.-需求分析阶段LLM(ChatGPT)的应用场景与案例 4.-顶层设计阶段LLM(ChatGPT)的应用场景与案例 5.-详细设计阶段LLM(ChatGPT)的应用场景与案例 6.-编码阶段LLM(ChatGPT)的应用场景与案例 7.-代码评审阶段LLM(ChatGPT)的应用场景与案例 8.-单元测试阶段LLM(ChatGPT)的应用场景与案例 9.-接口测试阶段LLM(ChatGPT)的应用场景与案例 10.-安全测试阶段LLM(ChatGPT)的应用场景与案例 11.-持续集成流水中LLM(ChatGPT)的应用场景与案例 12.-持续发布中LLM(ChatGPT)的应用场景与案例 13.-性能测试阶段LLM(ChatGPT)的应用场景与案例 14.-测试结果分析中cha LLM(ChatGPT)tGPT的应用场景与案例 15.-运维领域LLM(ChatGPT)的应用场景与案例 16.-SRE实践中LLM(ChatGPT)的应用场景与案例 |
|
大语言模型及应用开发综述 1.-大语言模型与ChatGPT综述 2.-大语言模型LLM应用开发综述 |
|
生成式AI（AIGC）的最新进展与应用 1.-AIGC的基本概念 2.-对PGC和UGC的调整 3.-大语言模型的基本概念 4.-LLM和传统AI的区别 5.-AIGC目前的主要应用领域 6.-AIGC目前的可能的应用领域 7.-chatGPT应用展示 8.-midjourney应用展示 |
|
ChatGPT及其应用领域 1.-什么是ChatGPT 2.-GPT和chatGPT的关系 3.-ChatGPT的历史和发展 4.-ChatGPT在自然语言处理、聊天机器人等领域的应用 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的架构和模型 2.-ChatGPT的训练数据和算法 3.-ChatGPT的生成过程和输出结果 4.-ChatGPT的局限性 5.-ChatGPT的安全性 6.-ChatGPT的涌现能力 7.-ChatGPT的思维链 8.-GPT3，GPT3.5，GPT4和文心一言的能力对比 |
|
使用ChatGPT进行文本生成（Prompt应用与案例） 1.-使用预训练模型生成文本 2.-使用微调模型生成特定领域的文本 3.-使用ChatGPT生成对话和聊天内容 4.-Prompt如何使用 5.-Prompt使用进阶 6.-Prompt的最佳实践（FlowGPT） |
|
ChatGPT-Prompt-Engineering提示词工程 1.-提示词的基本概念 2.-运行与编程实验环境准备 3.-提示词工程1：原则、分割符与输出格式 4.-提示词工程2：判断与Few-Shot-Prompting 5.-提示词工程3：思维链CoT 6.-提示词工程4：推理提示与更多推理 7.-提示词工程5：知识风格提示与角色扮演 8.-提示词工程6：角色生成器 9.-提示词工程7：迭代 10.-提示词工程8：聊天机器人--一般示例 11.-提示词工程9：聊天机器人--商店订单服务 12.-提供词工程10：代码生成 13.-提示词工程11：对抗攻击-注入、泄露与越狱 14.-提示词工程12：对抗提示检测器 |
|
LangChain与LLM应用开发 1.-LangChain引入与概述 2.-几个相关概念与LangChain简单示例 3.-Models:-LangChain对接OpenAI 4.-Models:-LangChain对接ChatGLM 5.-Prompts：文本语言模型LLMs的PromptTemplate 6.-Prompts：文本语言模型LLMs的FewShotPromptTemplate 7.-Prompts：聊天模型的提示词模板 8.-Prompts：输出解析器Output-Parser 9.-Conversational-Memory：引入与简单示例 10.-Conversational-Memory：ConversationBufferMemory 11.-Conversational-Memory：ConversationSummaryMemory 12.-Conversational-Memory：BufferWindow与TokenBuffer 13.-Conversational-Memory：EntityMemory与KGMemory 14.-Chains：引入与LLMChain 15.-Chains：SimpleSequentialChain与SequentialChain 16.-Chains：LLMRouterChain1 17.-Chains：EmbeddingRouterChain与Memory 18.-Agent：引入与示例 19.-Agent：Zero-Shot-ReAct与会话（Conversational） 20.-Agent：更多的Build-In-Agent与Python-Agent 21.-Agent：自定义代理 |
|
OpenAI-API使用详解 1.-起步Getting-Started 2.-Completion接口 3.-Embeddings与Fine-Tuning(微调) 4.-Files与Images |
|
用Github-Copilot辅助编程 1.-引入：介绍、安装、配置与示例 2.-文件处理与脚本 3.-函数、SQL、Cronjob与正则 4.-解释代码、生成代码 5.-重构与测试 6.-Copilot-Labs：能力工具箱 |
|
AI Agent应用进阶 1.-AI Agent的基本概念 2.-AI Agent的核心模式 3.Agent的四大种类 4.开发一个属于自己的AI Agent 5.-Multi-Agent的基本逻辑和设计 6.-Multi-Agent应用示例：MetaGPT 7.-Multi-Agent应用示例：DevChat |
|
LLM （ChatGPT）的未来发展和应用前景 1.-LLM(ChatGPT)的未来发展方向 2.- LLM(ChatGPT)在各行业中的应用前景 3.- LLM(ChatGPT)与其他人工智能技术的关系和比较 4.- LLM(ChatGPT)的风险与不确定性应对 5.- LLM(ChatGPT)的技术演化方向 6.- LLM(ChatGPT)的法律风险 7.- LLM(ChatGPT)的哲学思考 |
|
LLM（chatGPT）在软件研发全生命周期中的应用场景与案例 1.-软件研发全流程中LLM擅长的部分 2.-软件研发全流程中LLM不擅长的部分 3.-需求分析阶段LLM(ChatGPT)的应用场景与案例 4.-顶层设计阶段LLM(ChatGPT)的应用场景与案例 5.-详细设计阶段LLM(ChatGPT)的应用场景与案例 6.-编码阶段LLM(ChatGPT)的应用场景与案例 7.-代码评审阶段LLM(ChatGPT)的应用场景与案例 8.-单元测试阶段LLM(ChatGPT)的应用场景与案例 9.-接口测试阶段LLM(ChatGPT)的应用场景与案例 10.-安全测试阶段LLM(ChatGPT)的应用场景与案例 11.-持续集成流水中LLM(ChatGPT)的应用场景与案例 12.-持续发布中LLM(ChatGPT)的应用场景与案例 13.-性能测试阶段LLM(ChatGPT)的应用场景与案例 14.-测试结果分析中cha LLM(ChatGPT)tGPT的应用场景与案例 15.-运维领域LLM(ChatGPT)的应用场景与案例 16.-SRE实践中LLM(ChatGPT)的应用场景与案例 |
近期公开课推荐
