課程簡介
本課程旨在幫助學員全面了解和掌握基于 DeepSeek 大模型的應(yīng)用開發(fā)技術(shù)。內(nèi)容涵蓋生成式 AI 的最新進展與應(yīng)用、DeepSeek 大模型的基礎(chǔ)知識、本地部署實戰(zhàn)、提示詞工程、AI 輔助編程工具、Agent 智能體開發(fā)等多個方面。通過深入講解和實際案例分析，學員將能夠熟練運用 DeepSeek 大模型進行應(yīng)用開發(fā)，提升軟件研發(fā)質(zhì)效。
目標收益
1、深入理解生成式 AI 和大語言模型：全面了解 AIGC 的基本概念、大語言模型的基本原理，以及 DeepSeek 與傳統(tǒng) LLM 的區(qū)別和優(yōu)勢。
2、掌握 DeepSeek 大模型的基礎(chǔ)知識：深入學習 DeepSeek 的架構(gòu)、訓練數(shù)據(jù)、算法、生成過程和輸出結(jié)果，以及 DeepSeek 的局限性和安全性。
3、本地部署實戰(zhàn)經(jīng)驗：通過實際操作，掌握 DeepSeek 大模型的本地部署方法，包括安裝 ollama、DeepSeek R1、Llama 3.3 等工具，以及實現(xiàn) RAG（檢索增強生成）的本地部署。
4、提示詞工程技巧：學習如何使用提示詞（Prompt）與 DeepSeek 大模型進行有效交互，包括提示詞的使用技巧、模板、靜態(tài)鏈、橫向擴展和縱向擴展等。
5、AI 輔助編程工具的應(yīng)用：了解 LLM 輔助編程工具的基本原理和應(yīng)用場景，掌握如何使用各類編程輔助工具（如 Github Copilot、CodeWhisperer、Cursor 等）提升開發(fā)質(zhì)效。
6、Agent 智能體開發(fā)：學習 Agent 智能體的定義、特點、能力圖譜，以及如何使用 LangChain ReAct 框架開發(fā) Agent 智能體，實現(xiàn)多智能體協(xié)作。
7、實際案例分析：通過多個實際案例，如智能翻譯助手、企業(yè)級 RAG 應(yīng)用、Agent 智能體開發(fā)等，掌握基于 DeepSeek 大模型的應(yīng)用開發(fā)實戰(zhàn)技巧。
8、提升軟件研發(fā)質(zhì)效：通過學習 DeepSeek 大模型在軟件研發(fā)全生命周期中的應(yīng)用場景與案例，提升軟件研發(fā)的效率和質(zhì)量，優(yōu)化研發(fā)流程。
培訓對象
軟件研發(fā)負責人，研發(fā)管理負責人，運維負責人，DevOps負責人，測試負責人，工程效能負責人
軟件架構(gòu)師，資深研發(fā)工程師
運維架構(gòu)師，資深運維工程師，DevOps工程師，SRE
測試架構(gòu)師，資深測試工程師
研發(fā)管理人員，研發(fā)流程工程師
課程大綱
| 生成式AI的最新進展與應(yīng)用 |
1.AIGC的基本概念 2.大語言模型的基本概念 3.LLM和傳統(tǒng)AI的區(qū)別 4.AIGC目前的主要應(yīng)用領(lǐng)域 5.AIGC目前的可能的應(yīng)用領(lǐng)域 6.各類生成式AI的工具能力 |
| 以chatGPT和DeepSeek為例來深入理解傳統(tǒng)LLM的基本原理 |
1.什么是ChatGPT 2.GPT和chatGPT的關(guān)系 3.OpenAI GPT和DeepSeek的關(guān)系 4.ChatGPT的架構(gòu)和模型 5.DeepSeek架構(gòu)的特殊性 6.ChatGPT的訓練數(shù)據(jù)和算法 7.ChatGPT的生成過程和輸出結(jié)果 8.ChatGPT的局限性 9.ChatGPT的安全性 10.ChatGPT的涌現(xiàn)能力 11.ChatGPT的幻覺 12.DeepSeek的幻覺 13.ChatGPT的思維鏈 14.DeepSeek的思維鏈 |
| DeepSeek大模型基礎(chǔ) |
1.DeepSeek與傳統(tǒng)LLM的主要區(qū)別 2.從DeepSeek R1 Zero到DeepSeek R1 3.DeepSeek R1和OpenAI O1模型的對比總結(jié) 4.預(yù)訓練范式 vs 推理計算范式 5.多頭潛在注意力機制MLA 6.混合專家架構(gòu)MoE 7.DeepSeekMoE的關(guān)鍵創(chuàng)新 8.對傳統(tǒng)大模型的挑戰(zhàn)和機遇 9.DeepSeek的常見誤解與詳細解讀 |
| 大語言模型本地部署實戰(zhàn)（以DeepSeek為例實現(xiàn)本地運行和RAG） |
1.本地部署的基礎(chǔ)知識 2.本地安裝ollama 3.本地部署Deepseek R1 4.本地部署Llama 3.3 5.本地安裝open-webui 6.本地部署實現(xiàn)RAG |
| DeepSeek原理和優(yōu)化 |
1.DeepSeek原理剖析 2.DeepSeek系統(tǒng)軟件優(yōu)化 3.DeepSeek 訓練成本 4.DeepSeek V3模型參數(shù) 5.DeepSeek MoE架構(gòu) 6.DeepSeek 架構(gòu)4方面優(yōu)化 7.DeepSeek R1論文解讀 8.DeepSeek R1 Zero的創(chuàng)新點剖析 9.DeepSeek R1 Zero引發(fā)的創(chuàng)新思考 10.DeepSeek R1的創(chuàng)新點剖析 11.DeepSeek R1引發(fā)的創(chuàng)新思考 |
| 基于DeepSeek的提示詞工程 |
1.Prompt如何使用 2.Prompt使用進階 3.Prompt萬能公式與使用詳解 4.DeepSeek提示詞的特殊性 5.DeepSeek提示詞的使用技巧 6.提示詞模板的使用 7.提示詞靜態(tài)鏈的使用 8.提示詞的橫向擴展 9.提示詞的縱向擴展 10.使用OpenAI API 11.使用DeepSeek API 12.Prompt經(jīng)典案例分析 |
| 熟練使用LLM能力的全面進階（以DeepSeek和GPT為例） |
1.LLM應(yīng)用能力的進階模型（“倒三角”模型） 2.ReAct的概念和落地 3.思維鏈CoT和多思維鏈 4.RAG的基本原理與應(yīng)用 5.多模態(tài)RAG的使用 6.plugin機制與使用方式 7.Function Call機制與使用方式 8.Agent的雛形 9.Agent開發(fā)的基本框架 10.業(yè)界主流Agent的設(shè)計思路與使用 11.Multi-Agent的雛形 12.業(yè)界主流Multi-Agent的設(shè)計思路 13.Multi-Agent的基本邏輯和應(yīng)用范圍 14.Multi-Agent應(yīng)用示例：MetaGPT 15.Multi-Agent應(yīng)用示例：DevChat |
| AI輔助編程工具提升開發(fā)質(zhì)效 |
1.LLM輔助編程工具的基本原理和應(yīng)用場景 2.代碼大模型測評集HumanEval、MBPP介紹和評分原理 3.微軟：Github Copilot和Copilot X 4.亞馬遜：CodeWhisperer 5.智能代碼編輯器Cursor 6.智譜智能編程助手CodeGeeX等 7.百度Comate快碼 8.阿里通義靈碼 9.各類編程輔助工具與DeepSeek的集成 10.LLM輔助編程工具 主要使用場景 11.LLM輔助編程工具的實現(xiàn)原理 12.LLM輔助編程工具加持下的軟件生態(tài)改變 13.LLM輔助編程工具改變傳統(tǒng)開發(fā)的12大場景 14.LLM輔助編程工具的編程技巧 15.LLM輔助編程工具下的測試優(yōu)化 16.案例：某互聯(lián)網(wǎng)大廠的應(yīng)用案例分析 |
| 基于DeepSeek API的應(yīng)用開發(fā) |
1.DeepSeek-V3 API簡介 2.DeepSeek-R1推理大模型API 3.DeepSeek模型參數(shù)Temperature設(shè)置 4.DeepSeek模型Token用量計算 5.DeepSeek模型錯誤碼 6.DeepSeek大模型多輪對話 7.DeepSeek大模型對話前綴續(xù)寫（Beta） 8.DeepSeek大模型FIM 補全（Beta） 9.DeepSeek大模型JSON Output 10.DeepSeek大模型Function Calling 11.DeepSeek大模型上下文硬盤緩存 12.文本內(nèi)容補全初探（Text Completion） 13.chatBot初探（Chat Completion） 14.案例：基于DeepSeek開發(fā)智能翻譯助手（實際應(yīng)用與外版圖書翻譯） |
| 基于DeepSeek實現(xiàn)企業(yè)級RAG應(yīng)用 |
1.RAG技術(shù)概述 2.知識工程與知識沉淀 3.加載器和分割器 4.分割策略的最佳實踐 5.文本嵌入 6.向量存儲 7.檢索器和多文檔聯(lián)合檢索 8.RAG技術(shù)的關(guān)鍵挑戰(zhàn)與應(yīng)對 9.RAG技術(shù)文檔預(yù)處理過程 10.RAG技術(shù)文檔檢索過程 11.構(gòu)建基于DeepSeek RAG Agent：實現(xiàn)檢索增強生成 12.案例：完整企業(yè)級案例解讀 |
| 基于DeepSeek實現(xiàn)Agent智能體開發(fā) |
1.Agent智能體的定義與特點 2.Agent與傳統(tǒng)軟件的關(guān)系 3.Agent與LLM的關(guān)系 4.從ChatGPT到Agent 5.Agent的能力圖譜 6.記憶，規(guī)劃，工具，自主決策，推理詳解 7.多智能體協(xié)作 8.企業(yè)級智能體應(yīng)用與任務(wù)規(guī)劃 9.Agent開發(fā)框架選型 10.LangChain ReAct框架 11.LangChain中ReAct Agent的實現(xiàn) 12.LangChain中的工具和工具包 13.通過create_react_agent創(chuàng)建Agent 14.AgentExecutor的運行機制 15.Plan-and-Solve策略的基本概念 16.LangChain中的Plan-and-Execute Agent |
| LLM在軟件研發(fā)全生命周期中的應(yīng)用場景與案例（以DeepSeek和GPT為例，企業(yè)級實戰(zhàn)干貨）（可選） |
1.軟件研發(fā)全流程中LLM擅長的部分 2.軟件研發(fā)全流程中LLM不擅長的部分 3.競品分析與市場調(diào)研階段LLM的應(yīng)用場景與案例 4.產(chǎn)品概念與產(chǎn)品定義階段LLM的應(yīng)用場景與案例 5.產(chǎn)品原型階段LLM的應(yīng)用場景與案例 6.產(chǎn)品體驗設(shè)計階段LLM的應(yīng)用場景與案例 7.需求分析階段LLM的應(yīng)用場景與案例 8.技術(shù)選型階段LLM的應(yīng)用場景與案例 9.頂層設(shè)計階段LLM的應(yīng)用場景與案例 10.詳細設(shè)計階段LLM的應(yīng)用場景與案例 11.從設(shè)計到UML，從UML到代碼的完整示例 12.編碼階段LLM的應(yīng)用場景與案例 13.代碼評審階段LLM的應(yīng)用場景與案例 14.單元測試階段LLM的應(yīng)用場景與案例 15.接口測試階段LLM的應(yīng)用場景與案例 16.持續(xù)集成流水中LLM的應(yīng)用場景與案例 17.各類軟件工程文檔中LLM的應(yīng)用場景與案例 18.持續(xù)發(fā)布中LLM的應(yīng)用場景與案例 19.性能測試階段LLM的應(yīng)用場景與案例 20.測試結(jié)果分析中LLM的應(yīng)用場景與案例 |
|
生成式AI的最新進展與應(yīng)用 1.AIGC的基本概念 2.大語言模型的基本概念 3.LLM和傳統(tǒng)AI的區(qū)別 4.AIGC目前的主要應(yīng)用領(lǐng)域 5.AIGC目前的可能的應(yīng)用領(lǐng)域 6.各類生成式AI的工具能力 |
|
以chatGPT和DeepSeek為例來深入理解傳統(tǒng)LLM的基本原理 1.什么是ChatGPT 2.GPT和chatGPT的關(guān)系 3.OpenAI GPT和DeepSeek的關(guān)系 4.ChatGPT的架構(gòu)和模型 5.DeepSeek架構(gòu)的特殊性 6.ChatGPT的訓練數(shù)據(jù)和算法 7.ChatGPT的生成過程和輸出結(jié)果 8.ChatGPT的局限性 9.ChatGPT的安全性 10.ChatGPT的涌現(xiàn)能力 11.ChatGPT的幻覺 12.DeepSeek的幻覺 13.ChatGPT的思維鏈 14.DeepSeek的思維鏈 |
|
DeepSeek大模型基礎(chǔ) 1.DeepSeek與傳統(tǒng)LLM的主要區(qū)別 2.從DeepSeek R1 Zero到DeepSeek R1 3.DeepSeek R1和OpenAI O1模型的對比總結(jié) 4.預(yù)訓練范式 vs 推理計算范式 5.多頭潛在注意力機制MLA 6.混合專家架構(gòu)MoE 7.DeepSeekMoE的關(guān)鍵創(chuàng)新 8.對傳統(tǒng)大模型的挑戰(zhàn)和機遇 9.DeepSeek的常見誤解與詳細解讀 |
|
大語言模型本地部署實戰(zhàn)（以DeepSeek為例實現(xiàn)本地運行和RAG） 1.本地部署的基礎(chǔ)知識 2.本地安裝ollama 3.本地部署Deepseek R1 4.本地部署Llama 3.3 5.本地安裝open-webui 6.本地部署實現(xiàn)RAG |
|
DeepSeek原理和優(yōu)化 1.DeepSeek原理剖析 2.DeepSeek系統(tǒng)軟件優(yōu)化 3.DeepSeek 訓練成本 4.DeepSeek V3模型參數(shù) 5.DeepSeek MoE架構(gòu) 6.DeepSeek 架構(gòu)4方面優(yōu)化 7.DeepSeek R1論文解讀 8.DeepSeek R1 Zero的創(chuàng)新點剖析 9.DeepSeek R1 Zero引發(fā)的創(chuàng)新思考 10.DeepSeek R1的創(chuàng)新點剖析 11.DeepSeek R1引發(fā)的創(chuàng)新思考 |
|
基于DeepSeek的提示詞工程 1.Prompt如何使用 2.Prompt使用進階 3.Prompt萬能公式與使用詳解 4.DeepSeek提示詞的特殊性 5.DeepSeek提示詞的使用技巧 6.提示詞模板的使用 7.提示詞靜態(tài)鏈的使用 8.提示詞的橫向擴展 9.提示詞的縱向擴展 10.使用OpenAI API 11.使用DeepSeek API 12.Prompt經(jīng)典案例分析 |
|
熟練使用LLM能力的全面進階（以DeepSeek和GPT為例） 1.LLM應(yīng)用能力的進階模型（“倒三角”模型） 2.ReAct的概念和落地 3.思維鏈CoT和多思維鏈 4.RAG的基本原理與應(yīng)用 5.多模態(tài)RAG的使用 6.plugin機制與使用方式 7.Function Call機制與使用方式 8.Agent的雛形 9.Agent開發(fā)的基本框架 10.業(yè)界主流Agent的設(shè)計思路與使用 11.Multi-Agent的雛形 12.業(yè)界主流Multi-Agent的設(shè)計思路 13.Multi-Agent的基本邏輯和應(yīng)用范圍 14.Multi-Agent應(yīng)用示例：MetaGPT 15.Multi-Agent應(yīng)用示例：DevChat |
|
AI輔助編程工具提升開發(fā)質(zhì)效 1.LLM輔助編程工具的基本原理和應(yīng)用場景 2.代碼大模型測評集HumanEval、MBPP介紹和評分原理 3.微軟：Github Copilot和Copilot X 4.亞馬遜：CodeWhisperer 5.智能代碼編輯器Cursor 6.智譜智能編程助手CodeGeeX等 7.百度Comate快碼 8.阿里通義靈碼 9.各類編程輔助工具與DeepSeek的集成 10.LLM輔助編程工具 主要使用場景 11.LLM輔助編程工具的實現(xiàn)原理 12.LLM輔助編程工具加持下的軟件生態(tài)改變 13.LLM輔助編程工具改變傳統(tǒng)開發(fā)的12大場景 14.LLM輔助編程工具的編程技巧 15.LLM輔助編程工具下的測試優(yōu)化 16.案例：某互聯(lián)網(wǎng)大廠的應(yīng)用案例分析 |
|
基于DeepSeek API的應(yīng)用開發(fā) 1.DeepSeek-V3 API簡介 2.DeepSeek-R1推理大模型API 3.DeepSeek模型參數(shù)Temperature設(shè)置 4.DeepSeek模型Token用量計算 5.DeepSeek模型錯誤碼 6.DeepSeek大模型多輪對話 7.DeepSeek大模型對話前綴續(xù)寫（Beta） 8.DeepSeek大模型FIM 補全（Beta） 9.DeepSeek大模型JSON Output 10.DeepSeek大模型Function Calling 11.DeepSeek大模型上下文硬盤緩存 12.文本內(nèi)容補全初探（Text Completion） 13.chatBot初探（Chat Completion） 14.案例：基于DeepSeek開發(fā)智能翻譯助手（實際應(yīng)用與外版圖書翻譯） |
|
基于DeepSeek實現(xiàn)企業(yè)級RAG應(yīng)用 1.RAG技術(shù)概述 2.知識工程與知識沉淀 3.加載器和分割器 4.分割策略的最佳實踐 5.文本嵌入 6.向量存儲 7.檢索器和多文檔聯(lián)合檢索 8.RAG技術(shù)的關(guān)鍵挑戰(zhàn)與應(yīng)對 9.RAG技術(shù)文檔預(yù)處理過程 10.RAG技術(shù)文檔檢索過程 11.構(gòu)建基于DeepSeek RAG Agent：實現(xiàn)檢索增強生成 12.案例：完整企業(yè)級案例解讀 |
|
基于DeepSeek實現(xiàn)Agent智能體開發(fā) 1.Agent智能體的定義與特點 2.Agent與傳統(tǒng)軟件的關(guān)系 3.Agent與LLM的關(guān)系 4.從ChatGPT到Agent 5.Agent的能力圖譜 6.記憶，規(guī)劃，工具，自主決策，推理詳解 7.多智能體協(xié)作 8.企業(yè)級智能體應(yīng)用與任務(wù)規(guī)劃 9.Agent開發(fā)框架選型 10.LangChain ReAct框架 11.LangChain中ReAct Agent的實現(xiàn) 12.LangChain中的工具和工具包 13.通過create_react_agent創(chuàng)建Agent 14.AgentExecutor的運行機制 15.Plan-and-Solve策略的基本概念 16.LangChain中的Plan-and-Execute Agent |
|
LLM在軟件研發(fā)全生命周期中的應(yīng)用場景與案例（以DeepSeek和GPT為例，企業(yè)級實戰(zhàn)干貨）（可選） 1.軟件研發(fā)全流程中LLM擅長的部分 2.軟件研發(fā)全流程中LLM不擅長的部分 3.競品分析與市場調(diào)研階段LLM的應(yīng)用場景與案例 4.產(chǎn)品概念與產(chǎn)品定義階段LLM的應(yīng)用場景與案例 5.產(chǎn)品原型階段LLM的應(yīng)用場景與案例 6.產(chǎn)品體驗設(shè)計階段LLM的應(yīng)用場景與案例 7.需求分析階段LLM的應(yīng)用場景與案例 8.技術(shù)選型階段LLM的應(yīng)用場景與案例 9.頂層設(shè)計階段LLM的應(yīng)用場景與案例 10.詳細設(shè)計階段LLM的應(yīng)用場景與案例 11.從設(shè)計到UML，從UML到代碼的完整示例 12.編碼階段LLM的應(yīng)用場景與案例 13.代碼評審階段LLM的應(yīng)用場景與案例 14.單元測試階段LLM的應(yīng)用場景與案例 15.接口測試階段LLM的應(yīng)用場景與案例 16.持續(xù)集成流水中LLM的應(yīng)用場景與案例 17.各類軟件工程文檔中LLM的應(yīng)用場景與案例 18.持續(xù)發(fā)布中LLM的應(yīng)用場景與案例 19.性能測試階段LLM的應(yīng)用場景與案例 20.測試結(jié)果分析中LLM的應(yīng)用場景與案例 |
近期公開課推薦
