1. 初探大模型：起源与发展

预热篇:解码注意力机制(Attention)

变革里程碑:Transformer 的崛起

走向不同:GPT与 Bert 的选择

2. GPT 模型家族:从始至今

从 GPT-1 到 GPT-3.5:一路的风云变幻

ChatGPT:赢在哪里

GPT-4:一个新的开始

3. 提示学习(Prompt Learning)

思维链:(Chain-of-Thought, CoT):开山之作

自治性(Self-Consistency):多路径推理

思维树 (Tree-of-Thoughts,ToT):续写佳话

1. 通用人工智能的前夜

“三个世界”与“图灵测试”

计算机的数据表示

表示学习与嵌入(Embedding)

表示学习怎么学

如何评估 表示学习

聚焦 Word Embedding

2. Embeddings Dev 101

课程项目:GitHub openai-quickstart

快速上手 OpenAl Embeddings

1. OpenAl 大模型开发指南

OpenAl 语言模型总览

OpenAI GPT-4,GPT-3.5,GPT-3 模型调用

OpenAl 模型基准测试与微调

OpenAl Moderation

Token 计费与计算

2. OpenAI API 入门与实战

OpenAl Models API

OpenAl Completions API

OpenAl Chat Completions API

Completions vs Chat Completions

3. OpenAl 大模型应用实践

文本内容补全初探(Text Completion)

聊天机器人初探(Chat Completion)

使用 tiktoken 计算 token 数量

1. 如何提升 GPT 模型使用效率与质量

2. AI 大模型提示工程最佳实践

文本创作与生成

文章摘要和总结

小说生成与内容监管

分步骤执行复杂任务

评估模型输出质量

构造训练标注数据

代码调试助手

Playground Chat: 实践 GPT 大模型提示工程

3. 新特性:Function Calling 介绍与实战

如何使用 functions 参数

如何使用 function call 参数

使用 GPT 模型生成函数和参数

实际执行 GPT 模型生成的函数(以 SQL 查询为例)

1.OpenAl-Translator 市场需求分析

2.OpenAl-Translator产品定义与功能规划

3. OpenAl-Translator 模块设计

PDF 文档解析(PDFParser)模块

文档导出(Writter)模块

大模型(LLMs)接入模块

参数解析器(ArgParser)模块

日志(Logger)模块

提示词(Prompt)模块

Playground Chat: 实践 GPT 大模型提示工程

4. OpenAl-Translator 实战

1. Assistants APl开发指南

Assistants AP|能力总览

Assistants 设计模式

Assistants Run 生命周期管理

2. Assistants 工具介绍与使用

代码解释器:Code Interpreter

检索增强:Knowledge Retrieval

工具调用:Function Calling

3. Assistants 工具开发实战

使用 GPT 模型生成 Python 函数

使用 GPT 模型生成 SQL 并执行

4. Playground Assistants: 实践和调试 Assistants APl

1. ChatGPT Plugin 开发指南

ChatGPT Plugin 介绍

样例项目: 待办(Todo)管理插件

实战样例部署与测试

ChatGPT 开发者模式

2. 实战: 天气预报 (Weather Forecast)插件开发

Weather Forecast Plugin 设计与定义

天气预报函数服务化

第三方天气查询平台对接

实战 Weather Forecast Plugin

3. Function Calling vs ChatGPT plugin

1. OpenAl 多模态 API开发实践

OpenAl多模态能力总览

多模态:GPT-4 with Vision(GPT-4V)

文生图:DALL·E 3

文字配音:Text-to-speech(TTS)

语音识别:Whisper

1.GPTS 应用商店介绍

热门 GPTS 应用分享

GPT Action 设计模式

GPT Action 开发实践

2. GPT Builder 快速入门

GPT Builder 能力速览

基于 GPT Builder 设计定制化 ChatGPT 应用

3. 实战 GPT Builder开发定制化 ChatGPT

1. LangChain 101

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

2. LangChain 核心模块入门与实战

标准化的大模型抽象:Mode l/O

模板化输入:Prompts

语言模型:Models

规范化输出:Output Parsers

1.大模型应用的最佳实践 Chains

上手你的第一个链:LLM Chain

串联式编排调用链:Sequential Chain

处理超长文本的转换链:Transform Chain

实现条件判断的路由链:Router Chain

2.赋予应用记忆的能力:Memory

Momory System 与 Chain 的关系

记忆基类 BaseMemory与BaseChatMessageMemory

服务聊天对话的记忆系统

ConversationBufferMemory

ConversationBufferWindowMemory

ConversationSummaryBufferMemory

1. 框架原生的数据处理流 Data Connection

文档加载器:(Document Loaders)

文档转换器:(Document Transformers)

文本向量模型(Text Embedding Models)

向量数据库(Vector Stores)

检索器(Retrievers)

2.构建复杂应用的代理系统 Agents

Agent 理论基础:ReAct

LLM 推理能力:COT, TOT

LLM 操作能力:WebGPT SayCan

LangChain Agents 模块设计与原理剖析

Module: Agent, Tools, Toolkits

Runtime: AgentExecutor PlanAndExecute ,AutoGPT

上手第一个Agent:Google Search + LLM

实战 ReAct: SerpAPI + LLM-MATH

1.深入理解 Chat Model 和 Chat Prompt Template

温故:LangChain Chat Model 使用方法和流程

使用Chat Prompt Template 设计翻译提示模板

使用 Chat Model 实现双语翻译

使用 LLMChain 简化构造 Chat Prompt

2. 基于 LangChain 优化 OpenAl-Translator 架构设计

由 LangChain 框架接手大模型管理

聚焦应用自身的 Prompt 设计

使用 TranslationChain 实现翻译接囗

更简洁统一的配置管理

3.OpenAl-Translator v2.0 功能特性研发

基于 Gradio 的图形化界面设计与实现

基于 Flask 的 Web Server 设计与实现

1.Auto-GPT 项目定位与价值解读

Auto-GPT 开源项目介绍

Auto-GPT 定位:一个自主的 GPT-4 实验

Auto-GPT 价值:一种基于 Agent 的 AGI 尝试

2. LangChain 版 Auto-GPT 技术方案与架构设计

深入理解 LangChain Agents

LangChain Experimental 模块

Auto-GPT 自主智能体设计

Auto-GPT Prompt 设计

Auto-GPT Memory 设计

深入理解 LangChain VectorStore

Auto-GPT OutputParser 设计

3. 实战 LangChain 版 Auto-GPT

1.Sales-Consultant 业务流程与价值分析

2.Sales-Consultant 技术方案与架构设计

使用 GPT-4 生成销售话术

使用 FAISS 向量数据库存储销售问答话术

使用 RetrievalQA 检索销售话术数据

使用 Gradio 实现聊天机器人的图形化界面

3.实战 LangChain 版 Sales-Consultant

1. LangChain Expression Language(LCEL)快速入门

LCEL 设计目标

LCEL Runnable 协议设计与使用

LCEL接口总览:同步、异步、批处理

LCEL 流式处理与流事件机制

2.实战 LCEL 开发与应用

最简易示例:Prompt +LLM

检系增强生成示例:RAG

代码生成:Code Writing

实战 Weather Forecast Plugin

SQL生成与执行:SQL Query

实现内容审核:Adding Moderation

多链执行:Multiple Chains

1.LangSmith 快速入门

LangSmith 平台功能介绍:Tracing

LangSmith 平台功能介绍:Evaluation

LangSmith 平台功能介绍:Monitoring

LangSmith 账号申请与 API使用

LangSmith 服务计划与价格

LangSmith 私有化部署方式介绍

2. LangSmith 上手实战

LangSmith与 LangChain(python)集成使用

LangSmith Tracing 实战

LangSmith Evaluation 实战

1.大模型时代的开源与数据协议

什么是开源?

广泛使用的开源协议和数据协议

Llama 是不是伪开源?

ChatGLM2-6B 的开源协议

2.大语言模型的可解释性

提高模型决策过程的透明度

Stanford Alpaca 的相关研究

3.大语言模型应用的法规合规性

中国大陆:生成式人工智能服务备案

国际化:数据隐私与保护(以 GDPR 为例)

企业合规性应对要点

1.大模型时代的 Github: Hugging Face

Hugging Face 是什么?

Hugging Face Transformers 库

Hugging Face 开源社区:Models, Datasets, Spaces, Docs

⼤模型横向对⽐

Open LLM Leaderboard(大模型天梯榜)

1. 显卡选型推荐指南

GPU vs 显卡

GPU Core Vs AMD CU

CUDA Core vs Tensor Core

N 卡的架构变迁

显卡性能天梯榜

1. 清华 GLM 大模型家族

最强基座模型 GLM-130B

增强对话能力 ChatGLM

开源聊天模型 ChatGLM3-6B

联网检索能力 WebGLM

初探多模态 VisualGLM-6B

代码生成模型 CodeGeex2

2. ChatGLM3-6B 大模型应用开发

ChatGLM3-68 私有化部署

HF Transformers Tokenizer

HF Transformers Model

将模型同步至 Hugging Face

使用 Gradio 赋能 ChatGLM3-6B 图形化界面

ChatGLM3-6B 模型微调

3. 实战作业：基于 ChatGLM3-6B 实现图形化界面的 openai-translator

1. GLM-4 AP| 实战:通过实际案例，演示如何通过 AP| 调用 GLM-4 模型，并通过 prompt 实现具体功能.

智谱清言上演示 GLM-4 的各项能力

代码准备

示例 1:对话功能

示例 2:代码解释

示例 3:工具调用

2. API 调用与开发:通过实例，展示如何利用 GLM-4V API进行多模态应用的开发和创新。

智谱清言上演示 GLM-4V 能力

API 上手调用 GLM-4V

3.glm-cookbook 仓库介绍及上手实践

1. SD 模型理论简介及 CogView-3 的技术改进

SD 模型理论简介

CogView-3 的技术改进

2.CogView API的使用:通过实际操作，展示如何调用 CogView API 进行图像生成和编辑.

智谱清言上演示 CogView-3 能力

调用 CogView-3 API

3. CharGLM 技术解析

简单介绍 CharGLM 的技术

4. CharGLM 的 API 调用:介绍 CharGLM 的 API 调用实现具体功能和场景应用,

演示 CharGLM 的对话效果

调用 CharGLM API并实现相应推理