課程簡介
2025年春節期間中國的DeepSeek火爆全球,震驚美國硅谷,可以與花費百億巨資的GPT相媲美,戳穿美股科技泡沫,以英偉達為代表的AI龍頭出現了暴跌。DeepSeek讓特朗普也感到懼怕,隨即美國黑客攻擊DeepSeek的網站,使其癱瘓,中美爆發網絡黑客大戰。DeepSeek的爆火源于其多方面優勢。首先,它完全開源,可本地部署,無使用限制,保護用戶隱私。其次,其性能強大,效果可比肩甚至超越國際頂尖模型,尤其在中文處理和復雜邏輯推理方面表現出色。此外,DeepSeek訓練成本低,API價格僅為同類產品的三十分之一,性價比超高。它還支持深度思考,能展示清晰的思維鏈,并具備聯網搜索、拍照識字、文件上傳等功能,使用場景豐富。最后,其響應速度快,生成內容幾乎無需等待。
課程價值
提供清晰全面的可用知識,快速了解DeepSeek和API;
對比OpenAI和國內多個其他大模型(文心,智譜,千問等)的工作原理及優勢;
在案例基礎上使用流行的編程語言構建大模型應用;
掌握如何構建文本生成、問答和內容摘要等初階大模型應用;
了解提示工程、模型微調、插件、LangChain,RAG,Agent等高階實踐技術。
適合人群
程序員、開發工程師、軟件設計師、項目經理、架構師等。
本課程面向零基礎LLM應用開發者,不需要了解復雜數學算法,機器學習原理,不需要之前學習過大模型知識。有Java,C#,C++等編程基礎,最好有Python基礎知識,但即使你對 Python 不太熟悉,也完全沒有關系。課程主要閱讀和講解案例代碼。
中培優勢
老牌機構
19 年企業 IT 培訓經驗,30+國內外資質授權,助力 130 萬+IT 人成長
師資雄厚
認證講師資質,教學經驗豐富,真實項目實戰,突破瓶頸快提升
通關無憂
5W+精準題庫,官方教材、自研講義、模擬考試等多重通關保障
班型多樣
面授、直播、精品錄播、定制企業內訓,全國循環開班,隨報隨學
平臺專業
支持 PC、APP 端使用,滿足多樣化學習需求,更靈活更便捷
服務保障
社群共學、促學、專家答疑,報名、考試、取證、續證一站式服務
課程大綱
培訓共計3天,每天6小時,具體日程安排如下:
章節 | 內容 | 詳情 |
第一章 DeepSeek大模型原理和應用 | 第一部分: LLM大模型核心原理 | 1. 大模型基礎:理論與技術的演進 |
2. LLMs大語言模型的概念定義 | ||
3. LLMs大語言模型的發展演進 | ||
4. LLMs大語言模型的生態體系 | ||
5. 大語言模型技術發展與演進 | ||
6. 基于統計機器學習的語言模型 | ||
7. 基于深度神經網絡的語言模型 | ||
8. 基于 Transformer 的大語言模型 | ||
9. LLMs大語言模型的關鍵技術 | ||
10. LLMs大語言模型的核心框架:商業&開源 | ||
11. LLMs大語言模型的行業應用 | ||
第二部分: DeepSeek大模型應用-辦公提效 | 1. 官方大模型DeepSeek應用 | |
2. DeepSeek辦公提效 | ||
3. 使用DeepSeek官方模型做推理任務 | ||
4. DeepSeek和OpenAI O1模型的對比總結 | ||
5. DeepSeek和國內其他大模型對比(智譜,文心,通義,kimi等) | ||
6. DeepSeek和國外其他大模型對比(Claude Gemini Mistral等) | ||
第三部分: DeepSeek大模型推理能力 | 1. DeepSeek-R1 發布 | |
2. 對標 OpenAI o1 正式版 | ||
3. DeepSeek-R1 上線 API | ||
4. DeepSeek 官網推理與 App | ||
5. DeepSeek-R1 訓練論文 | ||
6. 蒸餾小模型超越 OpenAI o1-min | ||
7. DeepSeek-R1 API 開發應用 | ||
8. 通用基礎與專業應用能力 | ||
第二章 基于DeepSeek大模型API開發應用 |
第一部分:DeepSeek大模型與Prompt提示工程 | 1. Prompt如何使用和進階 |
2. 什么是提示與提示工程 | ||
3. 提示工程的巨大威力:從Let’s think step by step說起 | ||
4. 拆解、標準化、流程化:如何用AI改造工作 | ||
5. 使用BROKE框架設計ChatGPT提示 | ||
6. 通過案例分析,展示如何使用大模型prompt技術輔助開發 | ||
第二部分: DeepSeek大模型 API 應用開發 | 1. DeepSeek-V3 大模型API | |
2. DeepSeek-R1推理大模型API | ||
3. DeepSeek模型 & 價格 | ||
4. DeepSeek模型參數Temperature 設置 | ||
5. DeepSeek模型Token 用量計算 | ||
6. DeepSeek模型錯誤碼 | ||
7. DeepSeek大模型多輪對話 | ||
8. DeepSeek大模型對話前綴續寫(Beta) | ||
9. DeepSeek大模型FIM 補全(Beta) | ||
10. DeepSeek大模型JSON Output | ||
11. DeepSeek大模型Function Calling | ||
12. DeepSeek大模型上下文硬盤緩存 | ||
13. 文本內容補全初探(Text Completion) | ||
14. 聊天機器人初探(Chat Completion) | ||
15. 基于DeepSeek開發智能翻譯助手 | ||
16. 案例分析 | ||
第三部分: DeepSeek大模型對比其他大模型API(國外和國內其他) | 1. OpenAI大模型API | |
2. claude大模型API | ||
3. Gemini 大模型API | ||
4. 智譜大模型API 介紹 | ||
5. 使用 GLM-4 API構建模型和應用 | ||
6. 基于通義千問大模型API的應用與開發 | ||
7. 基于百度大模型API應用開發 | ||
8. 基于字節,騰訊,華為大模型應用開發 | ||
第四部分: DeepSeek大模型API構建應用程序(12案例,靈活選擇) | 1. 應用程序開發概述 | |
2. 案例項目分析 | ||
3. 項目1:構建新聞稿生成器 | ||
4. 項目2:語音控制 | ||
5. 項目3:企業管理系統MIS應用案例分析 | ||
6. 項目4:某企業智能管理系統 | ||
第三章 DeepSeek和LangChain開發應用 |
第一部分: 大模型應用開發框架 LangChain | 1. 大模型應用開發框架 LangChain |
2. LangChain 是什么 | ||
3. 為什么需要 LangChain | ||
4. LangChain 典型使用場景 | ||
5. LangChain 基礎概念與模塊化設計 | ||
6. LangChain 核?模塊入門與實戰 | ||
7. LangChain 的3 個場景 | ||
8. LangChain 的6 大模塊 | ||
9. LangChain 的開發流程 | ||
10. 創建基于LangChain聊天機器人 | ||
第二部分: 基于DeepSeek和LangChain構建文檔問答系統 | 1. 構建復雜LangChain應用 | |
2. LangChain模型(Models):從不同的 LLM 和嵌入模型中進行選擇 | ||
3. LangChain提示(Prompts):管理 LLM 輸入 | ||
4. LangChain鏈(Chains):將 LLM 與其他組件相結合 | ||
5. LangChain索引(Indexs):訪問外部數據 | ||
6. LangChain記憶(Memory):記住以前的對話 | ||
7. LangChain代理(Agents):訪問其他工具 | ||
8. 使用大模型構建文檔問答系統 | ||
第四章 DeepSeek構建企業級RAG知識庫 | 第一部分: DeepSeek大模型企業RAG應用 | 1. RAG技術概述 |
2. 加載器和分割器 | ||
3. 文本嵌入和 向量存儲 | ||
4. 檢索器和多文檔聯合檢索 | ||
5. RAG技術的關鍵挑戰 | ||
6. 檢索增強生成實踐 | ||
7. RAG技術文檔預處理過程 | ||
8. RAG技術文檔檢索過程 | ||
第二部分: 構建基于DeepSeek RAG Agent:實現檢索增強生成 | 1. 何謂檢索增強生成 | |
2. 提示工程、RAG與微調 | ||
3. 從技術角度看檢索部分的Pipeline | ||
4. 從用戶角度看RAG流程 | ||
5. RAG和Agent | ||
6. 通過Llamalndex的ReAct RAG Agent實現檢索 | ||
7. 獲取井加載電商的財報文件 | ||
8. 將財報文件的數據轉換為向量數據 | ||
9. 構建查詢引擎和工具 | ||
10. 配置文本生成引擎大模型 | ||
11. 創建Agent以查詢信息 | ||
第五章 基于DeepSeek大模型Agent智能體開發 |
第一部分:DeepSeek大模型驅動的Agent智能體開發概述 | 1. 智能體的定義與特點 |
2. 智能體與傳統軟件的關系 | ||
3. 智能體與LLM的關系 | ||
4. 從ChatGPT到智能體 | ||
5. 智能體的五種能力 | ||
6. 記憶,規劃,工具,自主決策,推理 | ||
7. 多智能體協作 | ||
8. 企業級智能體應用與任務規劃 | ||
9. 智能體開發 | ||
第二部分: 基于Deepseek和LangChain構建Agent | 1. 通過LangChain中的ReAct框架實現自動定價 | |
2. LangChain ReAct框架 | ||
3. LangChain中ReAct Agent 的實現 | ||
4. LangChain中的工具和工具包 | ||
5. 通過create_react_agent創建Agent | ||
6. 深挖AgentExecutor的運行機制 | ||
7. Plan-and-Solve策略的提出 | ||
8. LangChain中的Plan-and-Execute Agent | ||
9. 通過Plan-and-Execute Agent實現物流管理 | ||
10. 為Agent定義一系列進行自動庫存調度的工具 | ||
第六章 DeepSeek深入學習 | 第一部分: DeepSeek原理和優化 | 1. DeepSeek原理剖析 |
2. DeepSeek系統軟件優化 | ||
3. DeepSeek 訓練成本 | ||
4. DeepSeek V3模型參數 | ||
5. DeepSeek MoE架構 | ||
6. DeepSeek 架構4方面優化 | ||
7. DeepSeek R1 論文解讀 | ||
8. DeepSeek R1的創新點剖析 | ||
9. DeepSeek R1 引發的創新思考 | ||
第二部分: 私有化部署DeepSeek推理大模型 | 1. DeepSeek云端部署 | |
2. DeepSeek和國產信創平臺 | ||
3. DeepSeek和國內云平臺 | ||
4. 利用Ollama私有化部署DeepSeek R1大模型 | ||
5. 一鍵部署DeepSeek R1大模型 | ||
6. DeepSeek R1私有化部署總結 | ||
第三部分: DeepSeek大模型微調 | 1. DeepSeek 大模型微調 | |
2. 為何微調大模型 | ||
3. 大模型先天缺陷 | ||
4. 預訓練成本高昂 | ||
5. 垂直數據分布差異 | ||
6. 提示推理成本限制 | ||
7. DeepSeek大模型微調的三個階段剖析 | ||
8. DeepSeek大模型微調的兩種方法剖析 |
專家講師
劉老師 | 國內頂尖AI專家
最近幾年帶隊完成了數十個AI項目,內容不僅包括深度學習、機器學習、數據挖掘等具體技術要點,也包括AI的整體發展、現狀、應用、商業價值、未來方向等,涵蓋內容非常豐富。完成多個深度學習實踐項目,廣泛應用于醫療、交通、銀行、電信等多個領域。從2020年推出的多門課程《AI大模型賦能行業應用與解決方案》《AI大模型輔助軟件研發管理與效能提升》和《AI大模型技術及開發應用實踐》更是廣受歡迎,已經為幾十家企業培訓,作為一名AI技術專家,對人工智能的理解深入透徹。他不僅精通AI的編程技術,還熟悉各種AI工具的使用,尤其在AI行業應用更是有著獨特的見解和實踐經驗;自從2023年以來幫助多家研發中心做AI輔助開發效能提升咨詢服務。同時也是微軟人工智能認證工程師,阿里云AI人工智能訓練師。在人工智能領域的深耕和創新,也得到了出版社的青睞,計劃出版自己的著作。也在多家技術大會做AI技術講座。