| 主题 |
课程安排 |
| 第一部分
AI产品思维和企业AI应用落地指南 |
| AI企业落地案例与AI产品思维 |
深入理解AI和应用
深入理解AI产品思维
AI产品产业化和标准化
AI产品落地的价值与难题
所有应用都值得被大模型重构一遍！-百度李彦宏
AI 2.0彻底改变社会:所有应用都可以被重写一次--李开复
微软发布全新AI PC,有哪些启发
苹果 pad math notes的AI应用
AI企业落地场景分析 |
| 破解AI落地难题的实战指南 |
AI大模型的工程化原理
AI大模型工程化的背景
AI大模型工程化的核心
AI大模型工程化的建设思路
AI大模型工程化业务流程
AI大模型工程化系统架构
工程化的技术筹备
AI大模型工程化调研评估
大模型应用框架
AI大模型工程化提示词工程
AI大模型工程化开发环境的准备
AI大模型工程化工程化的建设要点
AI大模型工程化的安全策略 |
| AI大模型的工程化落地项目规划 |
项目需求分析
大模型落地全流程
数据准备及基础大模型构建
向量数据库构建
大模型与企业应用无缝衔接
AI大模型的工程-RAG落地
AI大模型的工程化-大模型集成
AI大模型的工程化-智能体设计与开发
AI大模型的工程化-微调大模型
AI大模型的工程化-标记数据集
AI大模型的工程化-加载预训练模型
AI大模型的工程化-模型评估
AI大模型的工程化-工程化部署
AI大模型的工程化-部署测试与上线
AI大模型的工程化效果评估与数据反馈闭环 |
| AI大模型的工程化落地案例 |
某电子制造企业基座大模型的开发与部署
某银行基于大模型的“智慧大脑”
某工厂大语言模型驱动的知识中台建设背景与规划
某工厂基于专有大模型与AIGC技术的智能质量知识创新平台
某电厂基于大语言模型的充电桩管理知识助手
某新能源电池企业基于大模型的售后供应链管理与优化系统
某国产汽车制造企业基于大模型的办公超自动化平台
某保险公司基于多模态大模型的办公助手 |
| 第二部分
大模型落地实战 |
| 大模型落地准备规划 |
企业大模型应用落地的常见形式
员工个人办公提效
大模型与企业数字化系统相集成
用AI原生方式重构企业数字化系统
大模型嵌入物联网设备
大模型催生新的超级个体形态
大模型现有的能力边界
大模型现有的能力边界与瓶颈
大模型未来提升方向
大模型落地的推荐要素
数据，算力，模型，人才
全面梳理公司已有的业务链条，寻找AI落地场景
选取产品与AI的创新结合点
用AI替代低效重复的业务环节
对标同行业或跨行业友商的AI方案
案例分析 |
| 企业如何部署和应用大模型 |
大模型的三种建设路径
建设路径一：基于商用大模型的应用开发
建设路径二：基于开源通用大模型的微调优化
建设路径三：从零开始构建完整大模型
企业选择建设路径的影响因素
大模型的选型标准
大模型基础信息评估
大模型性能评估
大模型备案信息评估
大模型的六类应用模式 |
| Prompt
Engineering 高阶技巧 |
思维链（Chain
of Thought, CoT）：
引导模型逐步推理反思机制（Self-Reflection）：
让模型自己评估输出质量
提示模板设计（Prompt Templates）：Jinja2、LangChain
Template
支持外部工具调用提示设计（Tool Calling Prompt）
动态 Prompt 生成：根据用户输入动态构造 Prompt |
| 基于多模态大模型的企业应用案例 |
多模态大模型基本概念
多模态GPT多模态应用场景分析
OpenAI多模态API解析
多模态大模型核心技术
多模态提示模板工程
多模态思维链
多模态基础模型
多模态大模型的应用案例
视觉问答应用案例
图像问答应用案例
某企业多模态案例 |
| 第三部分
DeepSeek和LangChain开发应用 |
| ⼤模型应⽤开发框架
LangChain |
⼤模型应⽤开发框架
LangChain
LangChain基本原理与开发流程
LangChain的核心组件：理解任务链与内存模块
LangChain开发流程概述
为什么需要 LangChain
LangChain 典型使⽤场景
LangChain 基础概念与模块化设计
LangChain 核⼼模块⼊⻔与实战
LangChain 的3 个场景
LangChain 的6 大模块
LangChain 的开发流程
创建基于LangChain聊天机器人 |
| LangChain核心组件-模型、模型类与缓存 |
构建复杂LangChain应⽤
模型的定义与应用
语言模型的工作原理
Chat类、LLM类模型简介
完成基本文本生成任务
自定义LangChain Model类
模型参数的自定义与调优
LangChain与缓存
使⽤大模型构建文档问答系统 |
| LangChain核心组件-：链
和记忆 |
LLM链
LLM链的基本工作流程和参数设置
如何在LLM链中嵌入提示词模板和预处理逻辑
序列链
路由链
文档链
聊天消息记忆
会话缓冲区与会话缓冲窗口
会话摘要与支持向量存储
LangChain与表达式语言
LCEL初探与流式支持
LCEL并行执行优化
回退机制的设计与实现
LCEL与LangSmith集成 |
| 第四部分
DeepSeek构建企业级RAG知识库 |
| DeepSeek大模型企业RAG应用 |
RAG技术概述
加载器和分割器
文本嵌入和 向量存储
检索器和多文档联合检索
RAG技术的关键挑战
检索增强生成实践
RAG技术文档预处理过程
RAG技术文档检索过程 |
| 构建基于DeepSeek
RAG：实现检索增强生成 |
何谓检索增强生成
提示工程、RAG与微调
从技术角度看检索部分的Pipeline
从用户角度看RAG流程
RAG和Agent
通过Llamalndex的ReAct RAG Agent实现检索
获取井加载电商的财报文件
将财报文件的数据转换为向量数据
构建查询引擎和工具
配置文本生成引擎大模型
创建Agent以查询信息 |
| RAG实战案例-企业文档问答系统 |
企业文档问答需求分析与系统设计
确定问答系统的需求：识别用户的主要查询类型与目标
系统结构与模块划分：明确检索与生成模块的协作方式
搭建向量数据库与检索模块
数据预处理与向量化：生成高效的嵌入向量
构建与优化索引：提升检索模块的查询速度
生成模块的集成与模型调优
加载与配置生成模型：选择适合问答系统的生成模型
模型优化与提示词调优：提高生成内容的准确性与相关性
RAG系统测试、部署与优化
测试流程与性能监控：确保系统的稳定性与响应速度
企业环境的部署与上线：实现系统在实际业务中的应用
|
| 第五部分
基于DeepSeek开发Agent智能体 |
| DeepSeek大模型驱动的Agent智能体开发概述 |
智能体的定义与特点
智能体与传统软件的关系
智能体与LLM的关系
从ChatGPT到智能体
智能体的五种能力
记忆，规划，工具，自主决策，推理
多智能体协作
企业级智能体应用与任务规划
智能体开发 |
| 基于Deepseek和LangChain构建Agent |
通过LangChain中的ReAct框架实现自动定价
LangChain ReAct框架
LangChain中ReAct Agent 的实现
LangChain中的工具和工具包
通过create_react_agent创建Agent
深挖AgentExecutor的运行机制
Plan-and-Solve策略的提出
LangChain中的Plan-and-Execute Agent
通过Plan-and-Execute Agent实现物流管理
为Agent定义一系列进行自动库存调度的工具
|
| 多Agent
最佳实践—langGraph框架 |
为什么选择多智能体架构？
常见的多智能体架构
LangGraph架构和应用
LangGraph 核心组件：节点与可控制性
节点与可控制性-第一个LangGraph
节点与可控制性-基本控制：串行控制&分支控制&条件分支与循环
节点与可控制性-精细控制：图的运行时配置&map-reduce
LangGraph 核心组件：持久化与记忆
记忆：短期记忆的实现&长期以及实现&使用总结技术优化记忆
LangGraph 核心组件：人机交互
LangGraph 核心组件：时光旅行
LangGraph 核心组件：流式输出
LangGraph 核心组件：工具调用
基于LangGraph 构建代码助手
基于LangGraph 的提示词生成小助手 |
| CrewAI:
一款主流的多Agents开发框架 |
CrewAI架构和原理
CrewAI安装与第一个示例
CrewAI 核心组件讲解
CrewAI 核心组件：Agents
CrewAI 核心组件：Task
CrewAI 核心组件：Crew & flow
CrewAI 核心组件：知识库 & 记忆
基于CrewAI 的游戏开发助手最近学习
基于CrewAI 的营销策略大师
|
| 智能客服系统架构设计 |
掌握智能客服系统的整体架构与核心组件
理解意图识别与槽位填充（Intent + Slot）的工作原理
能够设计基于规则或机器学习的意图识别
流水线实现多轮对话管理器，支持上下文理解与状态追踪（Dialogue State Tracking）
构建可插拔的工具调用引擎（Tool Calling Pipeline）
设计自定义 Agent，支持记忆管理与动态决策流程
支持多模态输入处理（语音、图像等）
|
| 第六部分
DeepSeek大模型原理和部署，微调 |
| 微调大模型 |
标记数据集
加载预训练模型
定义微调目标
设置微调策略
微调模型
模型评估 |
| 私有化部署DeepSeek大模型 |
DeepSeek云端部署
DeepSeek和国产信创平台适配
DeepSeek和国内云平台
利用Ollama私有化部署DeepSeek大模型
使用其他工具私有化部署DeepSeek大模型
DeepSeek私有化部署总结 |
| DeepSeek大模型微调和蒸馏 |
DeepSeek
大模型微调
大模型指令微调技术
通用模型的缺点和指令微调的必要性
指令微调跟BERT时代Fine-tune之间区别
指令集的收集与格式化
指令数据集文件制作
大模型微调的三个阶段剖析
大模型微调的两种方法剖析
|
