1. 初探大模型：起源與發(fā)展

預(yù)熱篇:解碼注意力機制(Attention)

變革里程碑:Transformer 的崛起

走向不同:GPT與 Bert 的選擇

2. GPT 模型家族:從始至今

從 GPT-1 到 GPT-3.5:一路的風(fēng)云變幻

ChatGPT:贏在哪里

GPT-4:一個新的開始

3. 提示學(xué)習(xí)(Prompt Learning)

思維鏈:(Chain-of-Thought, CoT):開山之作

自治性(Self-Consistency):多路徑推理

思維樹 (Tree-of-Thoughts,ToT):續(xù)寫佳話

1. 通用人工智能的前夜

“三個世界”與“圖靈測試”

計算機的數(shù)據(jù)表示

表示學(xué)習(xí)與嵌入(Embedding)

表示學(xué)習(xí)怎么學(xué)

如何評估 表示學(xué)習(xí)

聚焦 Word Embedding

2. Embeddings Dev 101

課程項目:GitHub openai-quickstart

快速上手 OpenAl Embeddings

1. OpenAl 大模型開發(fā)指南

OpenAl 語言模型總覽

OpenAI GPT-4,GPT-3.5,GPT-3 模型調(diào)用

OpenAl 模型基準(zhǔn)測試與微調(diào)

OpenAl Moderation

Token 計費與計算

2. OpenAI API 入門與實戰(zhàn)

OpenAl Models API

OpenAl Completions API

OpenAl Chat Completions API

Completions vs Chat Completions

3. OpenAl 大模型應(yīng)用實踐

文本內(nèi)容補全初探(Text Completion)

聊天機器人初探(Chat Completion)

使用 tiktoken 計算 token 數(shù)量

1. 如何提升 GPT 模型使用效率與質(zhì)量

2. AI 大模型提示工程最佳實踐

文本創(chuàng)作與生成

文章摘要和總結(jié)

小說生成與內(nèi)容監(jiān)管

分步驟執(zhí)行復(fù)雜任務(wù)

評估模型輸出質(zhì)量

構(gòu)造訓(xùn)練標(biāo)注數(shù)據(jù)

代碼調(diào)試助手

Playground Chat: 實踐 GPT 大模型提示工程

3. 新特性:Function Calling 介紹與實戰(zhàn)

如何使用 functions 參數(shù)

如何使用 function call 參數(shù)

使用 GPT 模型生成函數(shù)和參數(shù)

實際執(zhí)行 GPT 模型生成的函數(shù)(以 SQL 查詢?yōu)槔?

1.OpenAl-Translator 市場需求分析

2.OpenAl-Translator產(chǎn)品定義與功能規(guī)劃

3. OpenAl-Translator 模塊設(shè)計

PDF 文檔解析(PDFParser)模塊

文檔導(dǎo)出(Writter)模塊

大模型(LLMs)接入模塊

參數(shù)解析器(ArgParser)模塊

日志(Logger)模塊

提示詞(Prompt)模塊

Playground Chat: 實踐 GPT 大模型提示工程

4. OpenAl-Translator 實戰(zhàn)

1. Assistants APl開發(fā)指南

Assistants AP|能力總覽

Assistants 設(shè)計模式

Assistants Run 生命周期管理

2. Assistants 工具介紹與使用

代碼解釋器:Code Interpreter

檢索增強:Knowledge Retrieval

工具調(diào)用:Function Calling

3. Assistants 工具開發(fā)實戰(zhàn)

使用 GPT 模型生成 Python 函數(shù)

使用 GPT 模型生成 SQL 并執(zhí)行

4. Playground Assistants: 實踐和調(diào)試 Assistants APl

1. ChatGPT Plugin 開發(fā)指南

ChatGPT Plugin 介紹

樣例項目: 待辦(Todo)管理插件

實戰(zhàn)樣例部署與測試

ChatGPT 開發(fā)者模式

2. 實戰(zhàn): 天氣預(yù)報 (Weather Forecast)插件開發(fā)

Weather Forecast Plugin 設(shè)計與定義

天氣預(yù)報函數(shù)服務(wù)化

第三方天氣查詢平臺對接

實戰(zhàn) Weather Forecast Plugin

3. Function Calling vs ChatGPT plugin

1. OpenAl 多模態(tài) API開發(fā)實踐

OpenAl多模態(tài)能力總覽

多模態(tài):GPT-4 with Vision(GPT-4V)

文生圖:DALL·E 3

文字配音:Text-to-speech(TTS)

語音識別:Whisper

1.GPTS 應(yīng)用商店介紹

熱門 GPTS 應(yīng)用分享

GPT Action 設(shè)計模式

GPT Action 開發(fā)實踐

2. GPT Builder 快速入門

GPT Builder 能力速覽

基于 GPT Builder 設(shè)計定制化 ChatGPT 應(yīng)用

3. 實戰(zhàn) GPT Builder開發(fā)定制化 ChatGPT

1. LangChain 101

LangChain 是什么

為什么需要 LangChain

LangChain 典型使用場景

LangChain 基礎(chǔ)概念與模塊化設(shè)計

2. LangChain 核心模塊入門與實戰(zhàn)

標(biāo)準(zhǔn)化的大模型抽象:Mode l/O

模板化輸入:Prompts

語言模型:Models

規(guī)范化輸出:Output Parsers

1.大模型應(yīng)用的最佳實踐 Chains

上手你的第一個鏈:LLM Chain

串聯(lián)式編排調(diào)用鏈:Sequential Chain

處理超長文本的轉(zhuǎn)換鏈:Transform Chain

實現(xiàn)條件判斷的路由鏈:Router Chain

2.賦予應(yīng)用記憶的能力:Memory

Momory System 與 Chain 的關(guān)系

記憶基類 BaseMemory與BaseChatMessageMemory

服務(wù)聊天對話的記憶系統(tǒng)

ConversationBufferMemory

ConversationBufferWindowMemory

ConversationSummaryBufferMemory

1. 框架原生的數(shù)據(jù)處理流 Data Connection

文檔加載器:(Document Loaders)

文檔轉(zhuǎn)換器:(Document Transformers)

文本向量模型(Text Embedding Models)

向量數(shù)據(jù)庫(Vector Stores)

檢索器(Retrievers)

2.構(gòu)建復(fù)雜應(yīng)用的代理系統(tǒng) Agents

Agent 理論基礎(chǔ):ReAct

LLM 推理能力:COT, TOT

LLM 操作能力:WebGPT SayCan

LangChain Agents 模塊設(shè)計與原理剖析

Module: Agent, Tools, Toolkits

Runtime: AgentExecutor PlanAndExecute ,AutoGPT

上手第一個Agent:Google Search + LLM

實戰(zhàn) ReAct: SerpAPI + LLM-MATH

1.深入理解 Chat Model 和 Chat Prompt Template

溫故:LangChain Chat Model 使用方法和流程

使用Chat Prompt Template 設(shè)計翻譯提示模板

使用 Chat Model 實現(xiàn)雙語翻譯

使用 LLMChain 簡化構(gòu)造 Chat Prompt

2. 基于 LangChain 優(yōu)化 OpenAl-Translator 架構(gòu)設(shè)計

由 LangChain 框架接手大模型管理

聚焦應(yīng)用自身的 Prompt 設(shè)計

使用 TranslationChain 實現(xiàn)翻譯接囗

更簡潔統(tǒng)一的配置管理

3.OpenAl-Translator v2.0 功能特性研發(fā)

基于 Gradio 的圖形化界面設(shè)計與實現(xiàn)

基于 Flask 的 Web Server 設(shè)計與實現(xiàn)

1.Auto-GPT 項目定位與價值解讀

Auto-GPT 開源項目介紹

Auto-GPT 定位:一個自主的 GPT-4 實驗

Auto-GPT 價值:一種基于 Agent 的 AGI 嘗試

2. LangChain 版 Auto-GPT 技術(shù)方案與架構(gòu)設(shè)計

深入理解 LangChain Agents

LangChain Experimental 模塊

Auto-GPT 自主智能體設(shè)計

Auto-GPT Prompt 設(shè)計

Auto-GPT Memory 設(shè)計

深入理解 LangChain VectorStore

Auto-GPT OutputParser 設(shè)計

3. 實戰(zhàn) LangChain 版 Auto-GPT

1.Sales-Consultant 業(yè)務(wù)流程與價值分析

2.Sales-Consultant 技術(shù)方案與架構(gòu)設(shè)計

使用 GPT-4 生成銷售話術(shù)

使用 FAISS 向量數(shù)據(jù)庫存儲銷售問答話術(shù)

使用 RetrievalQA 檢索銷售話術(shù)數(shù)據(jù)

使用 Gradio 實現(xiàn)聊天機器人的圖形化界面

3.實戰(zhàn) LangChain 版 Sales-Consultant

1. LangChain Expression Language(LCEL)快速入門

LCEL 設(shè)計目標(biāo)

LCEL Runnable 協(xié)議設(shè)計與使用

LCEL接口總覽:同步、異步、批處理

LCEL 流式處理與流事件機制

2.實戰(zhàn) LCEL 開發(fā)與應(yīng)用

最簡易示例:Prompt +LLM

檢系增強生成示例:RAG

代碼生成:Code Writing

實戰(zhàn) Weather Forecast Plugin

SQL生成與執(zhí)行:SQL Query

實現(xiàn)內(nèi)容審核:Adding Moderation

多鏈執(zhí)行:Multiple Chains

1.LangSmith 快速入門

LangSmith 平臺功能介紹:Tracing

LangSmith 平臺功能介紹:Evaluation

LangSmith 平臺功能介紹:Monitoring

LangSmith 賬號申請與 API使用

LangSmith 服務(wù)計劃與價格

LangSmith 私有化部署方式介紹

2. LangSmith 上手實戰(zhàn)

LangSmith與 LangChain(python)集成使用

LangSmith Tracing 實戰(zhàn)

LangSmith Evaluation 實戰(zhàn)

1.大模型時代的開源與數(shù)據(jù)協(xié)議

什么是開源?

廣泛使用的開源協(xié)議和數(shù)據(jù)協(xié)議

Llama 是不是偽開源?

ChatGLM2-6B 的開源協(xié)議

2.大語言模型的可解釋性

提高模型決策過程的透明度

Stanford Alpaca 的相關(guān)研究

3.大語言模型應(yīng)用的法規(guī)合規(guī)性

中國大陸:生成式人工智能服務(wù)備案

國際化:數(shù)據(jù)隱私與保護(hù)(以 GDPR 為例)

企業(yè)合規(guī)性應(yīng)對要點

1.大模型時代的 Github: Hugging Face

Hugging Face 是什么?

Hugging Face Transformers 庫

Hugging Face 開源社區(qū):Models, Datasets, Spaces, Docs

?模型橫向?qū)?

Open LLM Leaderboard(大模型天梯榜)

1. 顯卡選型推薦指南

GPU vs 顯卡

GPU Core Vs AMD CU

CUDA Core vs Tensor Core

N 卡的架構(gòu)變遷

顯卡性能天梯榜

1. 清華 GLM 大模型家族

最強基座模型 GLM-130B

增強對話能力 ChatGLM

開源聊天模型 ChatGLM3-6B

聯(lián)網(wǎng)檢索能力 WebGLM

初探多模態(tài) VisualGLM-6B

代碼生成模型 CodeGeex2

2. ChatGLM3-6B 大模型應(yīng)用開發(fā)

ChatGLM3-68 私有化部署

HF Transformers Tokenizer

HF Transformers Model

將模型同步至 Hugging Face

使用 Gradio 賦能 ChatGLM3-6B 圖形化界面

ChatGLM3-6B 模型微調(diào)

3. 實戰(zhàn)作業(yè)：基于 ChatGLM3-6B 實現(xiàn)圖形化界面的 openai-translator

1. GLM-4 AP| 實戰(zhàn):通過實際案例，演示如何通過 AP| 調(diào)用 GLM-4 模型，并通過 prompt 實現(xiàn)具體功能.

智譜清言上演示 GLM-4 的各項能力

代碼準(zhǔn)備

示例 1:對話功能

示例 2:代碼解釋

示例 3:工具調(diào)用

2. API 調(diào)用與開發(fā):通過實例，展示如何利用 GLM-4V API進(jìn)行多模態(tài)應(yīng)用的開發(fā)和創(chuàng)新。

智譜清言上演示 GLM-4V 能力

API 上手調(diào)用 GLM-4V

3.glm-cookbook 倉庫介紹及上手實踐

1. SD 模型理論簡介及 CogView-3 的技術(shù)改進(jìn)

SD 模型理論簡介

CogView-3 的技術(shù)改進(jìn)

2.CogView API的使用:通過實際操作，展示如何調(diào)用 CogView API 進(jìn)行圖像生成和編輯.

智譜清言上演示 CogView-3 能力

調(diào)用 CogView-3 API

3. CharGLM 技術(shù)解析

簡單介紹 CharGLM 的技術(shù)

4. CharGLM 的 API 調(diào)用:介紹 CharGLM 的 API 調(diào)用實現(xiàn)具體功能和場景應(yīng)用,

演示 CharGLM 的對話效果

調(diào)用 CharGLM API并實現(xiàn)相應(yīng)推理