【金钻就业计划】Part2-LLM大模型技术知识结构

time

概述

一门课程全面掌握LLM大模型技术应用开发的所有内容。本部分采用任务式和项目式的学习模式，学习资料+助教全程陪伴的学习方式。以任务制形式学习，根据每位学员的基础情况，定制不同的学习任务，完成任务并通关后进入下一个环节。

大模型开发基础：大模型的训练与应用、大模型实操与API调用、提示工程技术

RAG基础与架构：RAG基础与架构、文档切分常见算法、向量数据库常见算法

RAG与LangChain：LangChain基础应用、理解Function Calling、LangChain与Retrieval组件、LangChain与Chain组件、Advanced RAG、基于RAGAS的RAG的评估

模型微调与私有化大模型：开源模型介绍、模型微调基础、GPU与算力、高效微调技术-LoRA

Agent开发：Agent开发基础、自定义Agent工具、深入浅出ReAct框架、深度剖析Agent核心部件、Agent案例分享和前沿应用

智能设备与小参数模型：智能设备上的模型优化基础、模型在智能设备上的部署、边缘计算中的大模型应用

多模态大模型开发：多模态大模型基础、多模态模型项目剖析、多模态大模型应用分析

模块一：大模型基础与理论

1. 大模型技术概览

人工智能与大模型的发展历程

大模型在AGI时代的角色与个人定位

大模型的典型应用场景与案例分析

2. 大模型核心原理

Transformer网络架构与Self-Attention机制

Encoder-Decoder模型与Multi-head Attention

预训练语言模型（PLM）的学习范式

3. 大模型特性与应用

大模型的智能获取机制

生成式模型与语言模型的区别与联系

大模型的提示工程（Prompt Engineering）基础

模块二：大模型开发技术

4. 提示工程

提示（Prompt）的构成与优化

In Context Learning与Chain-of-thought prompting

提示工程在对话系统、问答、文档交互中的应用

5. Function Calling与API对接

Function Calling的原理与实现

用GPT模型生成函数参数的方法

与外部服务如高德地图的API对接

6. Embedding与向量数据库

Embedding的概念与在大模型中的应用

向量数据库的设计与应用

相似度计算与语义搜索技术

7. LangChain与Agents开发

LangChain框架介绍与应用场景

LLM Chain与Memory的工作原理

Agents的关键技术与开发实践

模块三：大模型训练与优化

8. 大模型训练关键技术

分布式并行计算与集合通信技术

混合并行技术与自动并行

训练加速技术：通信优化、混合精度计算

9. 大模型微调技术

参数高效微调技术：Adapter Tuning、Prefix Tuning

内存高效微调技术：Quantization、Mixed-precision

对齐技术：PPO、DPO、RAFT等

10. 大模型训练实战

预训练技术要点与finetune训练

高效微调技术：LoRA、AdaLoRA

开源框架选择与案例讲解

模块四：大模型推理与部署

11. 大模型推理优化技术

AI编译器与工具链：TVM/MLIR/XLA

跨平台模型移植与性能调优技术

计算、显存、通信优化技术

12. 大模型推理部署实战

推理引擎部署为服务的方法

效果评估与模型量化效果评测

开源方案解析：Fastertransformer、TensorRT-LLM

13. 大模型在特定领域的应用

医疗、金融、情感等领域大模型的评估与部署

领域特定数据集的构建与模型微调

相关阅读：企业培训