課程簡(jiǎn)介
本課程旨在幫助學(xué)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(jìn)展與應(yīng)用、DeepSeek 大模型的基礎(chǔ)知識(shí)、本地部署實(shí)戰(zhàn)、提示詞工程、AI 輔助編程工具、Agent 智能體開發(fā)等多個(gè)方面。通過深入講解和實(shí)際案例分析，學(xué)員將能夠熟練運(yùn)用 DeepSeek 大模型進(jìn)行應(yīng)用開發(fā)，提升軟件研發(fā)質(zhì)效。
目標(biāo)收益
1、深入理解生成式 AI 和大語(yǔ)言模型：全面了解 AIGC 的基本概念、大語(yǔ)言模型的基本原理，以及 DeepSeek 與傳統(tǒng) LLM 的區(qū)別和優(yōu)勢(shì)。
2、掌握 DeepSeek 大模型的基礎(chǔ)知識(shí)：深入學(xué)習(xí) DeepSeek 的架構(gòu)、訓(xùn)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(shí)戰(zhàn)經(jīng)驗(yàn)：通過實(shí)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(shí)現(xiàn) RAG（檢索增強(qiáng)生成）的本地部署。
4、提示詞工程技巧：學(xué)習(xí)如何使用提示詞（Prompt）與 DeepSeek 大模型進(jìn)行有效交互，包括提示詞的使用技巧、模板、靜態(tài)鏈、橫向擴(kuò)展和縱向擴(kuò)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(chǎng)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(xué)習(xí) Agent 智能體的定義、特點(diǎn)、能力圖譜，以及如何使用 LangChain ReAct 框架開發(fā) Agent 智能體，實(shí)現(xiàn)多智能體協(xié)作。
7、實(shí)際案例分析：通過多個(gè)實(shí)際案例，如智能翻譯助手、企業(yè)級(jí) 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(shí)戰(zhàn)技巧。
8、提升軟件研發(fā)質(zhì)效：通過學(xué)習(xí) DeepSeek 大模型在軟件研發(fā)全生命周期中的應(yīng)用場(chǎng)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(xùn)對(duì)象
軟件研發(fā)負(fù)責(zé)人，研發(fā)管理負(fù)責(zé)人，運(yùn)維負(fù)責(zé)人，DevOps負(fù)責(zé)人，測(cè)試負(fù)責(zé)人，工程效能負(fù)責(zé)人
軟件架構(gòu)師，資深研發(fā)工程師
運(yùn)維架構(gòu)師，資深運(yùn)維工程師，DevOps工程師，SRE
測(cè)試架構(gòu)師，資深測(cè)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(jìn)展與應(yīng)用 |
1.AIGC的基本概念 2.大語(yǔ)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(xùn)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(duì)比總結(jié) 4.預(yù)訓(xùn)練范式 vs 推理計(jì)算范式 5.多頭潛在注意力機(jī)制MLA 6.混合專家架構(gòu)MoE 7.DeepSeekMoE的關(guān)鍵創(chuàng)新 8.對(duì)傳統(tǒng)大模型的挑戰(zhàn)和機(jī)遇 9.DeepSeek的常見誤解與詳細(xì)解讀 |
| 大語(yǔ)言模型本地部署實(shí)戰(zhàn)（以DeepSeek為例實(shí)現(xiàn)本地運(yùn)行和RAG） |
1.本地部署的基礎(chǔ)知識(shí) 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(shí)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(xùn)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(diǎn)剖析 9.DeepSeek R1 Zero引發(fā)的創(chuàng)新思考 10.DeepSeek R1的創(chuàng)新點(diǎn)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(jìn)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(kuò)展 9.提示詞的縱向擴(kuò)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(jìn)階（以DeepSeek和GPT為例） |
1.LLM應(yīng)用能力的進(jìn)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(jī)制與使用方式 7.Function Call機(jī)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(jì)思路與使用 11.Multi-Agent的雛形 12.業(yè)界主流Multi-Agent的設(shè)計(jì)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(chǎng)景 2.代碼大模型測(cè)評(píng)集HumanEval、MBPP介紹和評(píng)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(chǎng)景 11.LLM輔助編程工具的實(shí)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(chǎng)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(cè)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(jiǎn)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(jì)算 5.DeepSeek模型錯(cuò)誤碼 6.DeepSeek大模型多輪對(duì)話 7.DeepSeek大模型對(duì)話前綴續(xù)寫（Beta） 8.DeepSeek大模型FIM 補(bǔ)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(bǔ)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(shí)際應(yīng)用與外版圖書翻譯） |
| 基于DeepSeek實(shí)現(xiàn)企業(yè)級(jí)RAG應(yīng)用 |
1.RAG技術(shù)概述 2.知識(shí)工程與知識(shí)沉淀 3.加載器和分割器 4.分割策略的最佳實(shí)踐 5.文本嵌入 6.向量存儲(chǔ) 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(duì) 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(shí)現(xiàn)檢索增強(qiáng)生成 12.案例：完整企業(yè)級(jí)案例解讀 |
| 基于DeepSeek實(shí)現(xiàn)Agent智能體開發(fā) |
1.Agent智能體的定義與特點(diǎn) 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(jí)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(shí)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(yùn)行機(jī)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(chǎng)景與案例（以DeepSeek和GPT為例，企業(yè)級(jí)實(shí)戰(zhàn)干貨）（可選） |
1.軟件研發(fā)全流程中LLM擅長(zhǎng)的部分 2.軟件研發(fā)全流程中LLM不擅長(zhǎng)的部分 3.競(jìng)品分析與市場(chǎng)調(diào)研階段LLM的應(yīng)用場(chǎng)景與案例 4.產(chǎn)品概念與產(chǎn)品定義階段LLM的應(yīng)用場(chǎng)景與案例 5.產(chǎn)品原型階段LLM的應(yīng)用場(chǎng)景與案例 6.產(chǎn)品體驗(yàn)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 7.需求分析階段LLM的應(yīng)用場(chǎng)景與案例 8.技術(shù)選型階段LLM的應(yīng)用場(chǎng)景與案例 9.頂層設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 10.詳細(xì)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 11.從設(shè)計(jì)到UML，從UML到代碼的完整示例 12.編碼階段LLM的應(yīng)用場(chǎng)景與案例 13.代碼評(píng)審階段LLM的應(yīng)用場(chǎng)景與案例 14.單元測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 15.接口測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 16.持續(xù)集成流水中LLM的應(yīng)用場(chǎng)景與案例 17.各類軟件工程文檔中LLM的應(yīng)用場(chǎng)景與案例 18.持續(xù)發(fā)布中LLM的應(yīng)用場(chǎng)景與案例 19.性能測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 20.測(cè)試結(jié)果分析中LLM的應(yīng)用場(chǎng)景與案例 |
|
生成式AI的最新進(jìn)展與應(yīng)用 1.AIGC的基本概念 2.大語(yǔ)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(xùn)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(duì)比總結(jié) 4.預(yù)訓(xùn)練范式 vs 推理計(jì)算范式 5.多頭潛在注意力機(jī)制MLA 6.混合專家架構(gòu)MoE 7.DeepSeekMoE的關(guān)鍵創(chuàng)新 8.對(duì)傳統(tǒng)大模型的挑戰(zhàn)和機(jī)遇 9.DeepSeek的常見誤解與詳細(xì)解讀 |
|
大語(yǔ)言模型本地部署實(shí)戰(zhàn)（以DeepSeek為例實(shí)現(xiàn)本地運(yùn)行和RAG） 1.本地部署的基礎(chǔ)知識(shí) 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(shí)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(xùn)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(diǎn)剖析 9.DeepSeek R1 Zero引發(fā)的創(chuàng)新思考 10.DeepSeek R1的創(chuàng)新點(diǎn)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(jìn)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(kuò)展 9.提示詞的縱向擴(kuò)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(jìn)階（以DeepSeek和GPT為例） 1.LLM應(yīng)用能力的進(jìn)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(jī)制與使用方式 7.Function Call機(jī)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(jì)思路與使用 11.Multi-Agent的雛形 12.業(yè)界主流Multi-Agent的設(shè)計(jì)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(chǎng)景 2.代碼大模型測(cè)評(píng)集HumanEval、MBPP介紹和評(píng)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(chǎng)景 11.LLM輔助編程工具的實(shí)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(chǎng)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(cè)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(jiǎn)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(jì)算 5.DeepSeek模型錯(cuò)誤碼 6.DeepSeek大模型多輪對(duì)話 7.DeepSeek大模型對(duì)話前綴續(xù)寫（Beta） 8.DeepSeek大模型FIM 補(bǔ)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(bǔ)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(shí)際應(yīng)用與外版圖書翻譯） |
|
基于DeepSeek實(shí)現(xiàn)企業(yè)級(jí)RAG應(yīng)用 1.RAG技術(shù)概述 2.知識(shí)工程與知識(shí)沉淀 3.加載器和分割器 4.分割策略的最佳實(shí)踐 5.文本嵌入 6.向量存儲(chǔ) 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(duì) 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(shí)現(xiàn)檢索增強(qiáng)生成 12.案例：完整企業(yè)級(jí)案例解讀 |
|
基于DeepSeek實(shí)現(xiàn)Agent智能體開發(fā) 1.Agent智能體的定義與特點(diǎn) 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(jí)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(shí)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(yùn)行機(jī)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(chǎng)景與案例（以DeepSeek和GPT為例，企業(yè)級(jí)實(shí)戰(zhàn)干貨）（可選） 1.軟件研發(fā)全流程中LLM擅長(zhǎng)的部分 2.軟件研發(fā)全流程中LLM不擅長(zhǎng)的部分 3.競(jìng)品分析與市場(chǎng)調(diào)研階段LLM的應(yīng)用場(chǎng)景與案例 4.產(chǎn)品概念與產(chǎn)品定義階段LLM的應(yīng)用場(chǎng)景與案例 5.產(chǎn)品原型階段LLM的應(yīng)用場(chǎng)景與案例 6.產(chǎn)品體驗(yàn)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 7.需求分析階段LLM的應(yīng)用場(chǎng)景與案例 8.技術(shù)選型階段LLM的應(yīng)用場(chǎng)景與案例 9.頂層設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 10.詳細(xì)設(shè)計(jì)階段LLM的應(yīng)用場(chǎng)景與案例 11.從設(shè)計(jì)到UML，從UML到代碼的完整示例 12.編碼階段LLM的應(yīng)用場(chǎng)景與案例 13.代碼評(píng)審階段LLM的應(yīng)用場(chǎng)景與案例 14.單元測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 15.接口測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 16.持續(xù)集成流水中LLM的應(yīng)用場(chǎng)景與案例 17.各類軟件工程文檔中LLM的應(yīng)用場(chǎng)景與案例 18.持續(xù)發(fā)布中LLM的應(yīng)用場(chǎng)景與案例 19.性能測(cè)試階段LLM的應(yīng)用場(chǎng)景與案例 20.測(cè)試結(jié)果分析中LLM的應(yīng)用場(chǎng)景與案例 |
近期公開課推薦
