主题
|
课程安排 |
| DeepSeek 大模型原理和应用 |
| LLM 大模型核心原理
|
大模型基础：理论与技术的演进
LLMs大语言模型的概念定义
LLMs大语言模型的发展演进
LLMs大语言模型的生态体系
大语言模型技术发展与演进
基于统计机器学习的语言模型
基于深度神经网络的语言模型
基于 Transformer 的大语言模型
LLMs大语言模型的关键技术
LLMs大语言模型的核心框架：商业&开源
LLMs大语言模型的行业应用 |
| DeepSeek大模型应用-办公提效 |
官方大模型DeepSeek应用
DeepSeek办公提效
使用DeepSeek官方模型做推理任务
DeepSeek和OpenAI O1模型的对比总结
DeepSeek和国内其他大模型对比（智谱，文心，通义，kimi等）
DeepSeek和国外其他大模型对比（Claude Gemini Mistral等） |
| DeepSeek大模型推理能力 |
DeepSeek-R1 发布
对标 OpenAI o1 正式版
DeepSeek-R1 上线 API
DeepSeek 官网推理与 App
DeepSeek-R1 训练论文
蒸馏小模型超越 OpenAI o1-min
DeepSeek-R1 API 开发应用
通用基础与专业应用能力 |
| 基于DeepSeek大模型API开发应用 |
| DeepSeek大模型与Prompt提示工程 |
Prompt如何使用和进阶
什么是提示与提示工程
提示工程的巨大威力：从Let’s think step by step说起
拆解、标准化、流程化：如何用AI改造工作
使用BROKE框架设计ChatGPT提示
通过案例分析，展示如何使用大模型prompt技术辅助开发 |
| SeepSeek大模型 API 应用开发 |
DeepSeek-V3 大模型API
DeepSeek-R1推理大模型API
DeepSeek模型 & 价格
DeepSeek模型参数Temperature 设置
DeepSeek模型Token 用量计算
DeepSeek模型错误码
DeepSeek大模型多轮对话
DeepSeek大模型对话前缀续写（Beta）
DeepSeek大模型FIM 补全（Beta）
DeepSeek大模型JSON Output
DeepSeek大模型Function Calling
DeepSeek大模型上下文硬盘缓存
文本内容补全初探（Text Completion）
聊天机器人初探（Chat Completion）
基于DeepSeek开发智能翻译助手
案例分析 |
| DeepSeek大模型对比其他大模型API（国外和国内其他） |
OpenAI大模型API
claude大模型API
Gemini 大模型API
智谱大模型API 介绍
使用 GLM-4 API构建模型和应用
基于通义千问大模型API的应用与开发
基于百度大模型API应用开发
基于字节，腾讯，华为大模型应用开发 |
| DeepSeek大模型API构建应用程 |
应用程序开发概述
案例项目分析
项目1：构建新闻稿生成器
项目2：语音控制
项目3：企业管理系统MIS应用案例分析
项目4：某企业智能管理系统 |
| 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 是什么
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 |
| 基于DeepSeek和LangChain构建文档问答系统 |
构建复杂LangChain应⽤
LangChain模型(Models)：从不同的 LLM 和嵌入模型中进行选择
LangChain提示(Prompts)：管理 LLM 输入
LangChain链(Chains)：将 LLM 与其他组件相结合
LangChain索引(Indexs)：访问外部数据
LangChain记忆(Memory)：记住以前的对话
LangChain代理(Agents)：访问其他工具
使用大模型构建文档问答系统 |
| 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 Agent：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 |
| 基于DeepSeek大模型Agent智能体开发
|
| 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 |
| DeepSeek深入学习
|
| DeepSeek原理和优化 |
DeepSeek原理剖析
DeepSeek系统软件优化
DeepSeek 训练成本
DeepSeek V3模型参数
DeepSeek MoE架构
DeepSeek 架构4方面优化
DeepSeek R1 论文解读
DeepSeek R1的创新点剖析
DeepSeek R1 引发的创新思考 |
| 私有化部署DeepSeek推理大模型 |
DeepSeek云端部署
DeepSeek和国产信创平台
DeepSeek和国内云平台
利用Ollama私有化部署DeepSeek R1大模型
一键部署DeepSeek R1大模型
DeepSeek R1私有化部署总结 |
| DeepSeek大模型微调 |
DeepSeek 大模型微调
为何微调大模型
大模型先天缺陷
预训练成本高昂
垂直数据分布差异
提示推理成本限制
DeepSeek大模型微调的三个阶段剖析
DeepSeek大模型微调的两种方法剖析 |
