课程大纲

大语言模型LLM的行业现状

什么是大型语言模型？

GPT系列模型概述

chatGPT和GPT的关系

AIGC和LLM的关系

AIGC的三大应用领域

应用案例和潜在能力

实战案例演示（文本生成+文生图）

大语言模型LLM的基本原理

大语言模型“大”在哪里

大语言模型的基本原理

大语言模型的训练过程

chatGPT的三阶段训练

大语言模型的不可解释性

大语言模型和搜索引擎的区别与联系

国内使用chatGPT的主要途径

大语言模型本地部署实战

本地部署的基础知识

本地安装ollama

本地部署Deepseek R1

本地部署Llama 3.3

本地安装open-webui

大语言模型LLM加持下的全新商业模式

文生文的各类应用场景

文生文行业产品分析

文生图的各类应用场景

文生图行业产品分析

文生视频的各类应用场景

文生视频行业产品分析

文生文模型现状简介

文生图模型现状简介

文生视频模型现状简介

模型的联合使用场景

AIGC全球商业案例与产品创新（国内案例）

AIGC全球商业案例与产品创新（海外案例）

大语言模型LLM在行政办公场景下的落地应用

自动生成和编辑文档

文档内容摘要和提取

语法和拼写检查

智能搜索和信息提取

知识库的构建与维护

自动化问答系统

自动回复电子邮件和消息

会议记录和要点总结

协作工具集成与优化

工作流程的自动化和优化

表格和报告的自动生成

数据输入和处理自动化

投诉和建议的自动分类与处理

客户反馈分析

数据分析与预测

风险评估与管理

战略规划辅助

文档和流程的合规性检查

敏感信息的识别与保护

安全事件的监测与响应

员工满意度调查与分析

多元文化和语言支持

企业文化传播与推广

大语言模型LLM对传统行业的赋能

提效级创新

开创性创新 VS 微创新

在办公行业的提效案例

在售后服务领域的提效案例

Chatbot的经典案例

Agent加持下的RPA能力提升

在数据分析行业的提效案例

在招聘行业的提效案例

在广告文案行业的提效案例

在翻译行业的提效实践

在短视频赛道的提效实践

在销售行业的提效案例

在游戏行业的提效案例

在运营领域的提效案例

在研发效能提升领域的案例

在软件测试领域的提效案例 

如何使用好LLM

什么是提示词工程？

如何构建有效的提示

常见的提示类型（信息检索、创意写作、编程等）

提示的格式和结构

使用示例和模板

用提示词控制返回结果

避免常见错误和陷阱

如何测试和优化提示词

使用反馈循环进行迭代

跟踪和分析结果

私域知识扩展

RAG vs 模型微调

RAG技术详解与应用场景

多模态RAG技术详解与应用场景

什么是模型的涌现能力

什么是思维链

上下文学习zero-shot和few-shot

提示词的agent模式

ReAct的使用方式

多智能体协同

多智能体协同经典案例详解

有效使用提示词模板

提示词攻击

提示词构成的链

万能提示词公式

各类场景下的提示词技巧与案例（上）

各类场景下的提示词技巧与案例（下）

LLM的未来发展和应用前景

LLM应用的未来发展方向

LLM技术的未来发展方向

暗知识的应对策略

模型数据反哺的灾难

LLM在各行业中的应用前景

LLM与其他人工智能技术的关系和比较

LLM的风险与不确定性应对

LLM的技术演化方向

LLM的法律风险

LLM的哲学思考

ChatGPT-Prompt-Engineering提示词工程

提示词的基本概念

运行与编程实验环境准备

提示词工程1：原则、分割符与输出格式

提示词工程2：判断与Few-Shot-Prompting

提示词工程3：思维链CoT

提示词工程4：推理提示与更多推理

提示词工程5：知识风格提示与角色扮演

提示词工程6：角色生成器

提示词工程7：迭代

提示词工程8：聊天机器人--一般示例

提示词工程9：聊天机器人--商店订单服务

提供词工程10：代码生成

提示词工程11：对抗攻击-注入、泄露与越狱

提示词工程12：对抗提示检测器

LangChain与LLM应用开发基础

LangChain引入与概述

几个相关概念与LangChain简单示例

Models:-LangChain对接OpenAI

Models:-LangChain对接ChatGLM

Prompts：文本语言模型LLMs的PromptTemplate

Prompts：文本语言模型LLMs的FewShotPromptTemplate

Prompts：聊天模型的提示词模板

Prompts：输出解析器Output-Parser

RAG和Agent应用开发模式

RAG：传统RAG

RAG：多模态RAG

RAG：向量数据库

Conversational-Memory：引入与简单示例

Conversational-Memory：ConversationBufferMemory

Conversational-Memory：ConversationSummaryMemory

Conversational-Memory：BufferWindow与TokenBuffer

Conversational-Memory：EntityMemory与KGMemory

Chains：引入与LLMChain

Chains：SimpleSequentialChain与SequentialChain

Chains：LLMRouterChain1

Chains：EmbeddingRouterChain与Memory

Agent：引入与示例

Agent：Zero-Shot-ReAct与会话（Conversational）

Agent：更多的Build-In-Agent与Python-Agent

Agent：自定义代理

OpenAI-API使用详解

起步Getting-Started

Completion接口

Embeddings与Fine-Tuning(微调)

Files与Images

LLM（chatGPT）在软件研发全生命周期中的应用场景与案例

软件研发全流程中LLM擅长的部分

软件研发全流程中LLM不擅长的部分

需求分析阶段chatGPT的应用场景与案例

顶层设计阶段chatGPT的应用场景与案例

详细设计阶段chatGPT的应用场景与案例

编码阶段chatGPT的应用场景与案例

代码评审阶段chatGPT的应用场景与案例

单元测试阶段chatGPT的应用场景与案例

接口测试阶段chatGPT的应用场景与案例

安全测试阶段chatGPT的应用场景与案例

持续集成流水中chatGPT的应用场景与案例

持续发布中chatGPT的应用场景与案例

性能测试阶段chatGPT的应用场景与案例

测试结果分析中chatGPT的应用场景与案例

运维领域chatGPT的应用场景与案例

SRE实践中chatGPT的应用场景与案例

LLM在软件质量和软件测试领域中的应用与案例

使用Test pilot自动生成测试用例

Test pilot的基本原理

使用OpenAI API实现单元测试用例的生成

LLM用于单元测试用例生成的技术难点与解决思路

使用OpenAI API实现API接口测试用例的生成

LLM用于API接口测试用例生成的技术难点与解决思路

测试脚本开发中的GitHub Copilot应用

Copilot X的能力与测试领域应用

基于AI Agent的测试用例设计生成技术

基于AI Agent的测试用例脚本生成技术

基于Multi-Agent的测试用例设计生成技术

基于Multi-Agent的测试用例脚本生成技术

使用LLM实现Monkey Test的能力扩展

使用LLM实现无脚本的Mobile App探索测试

使用LLM识别错误敏感的测试数据

使用LLM实现失败测试用例的自动修复

使用LLM提升被测对象的可测试性

大语言模型的局限性

安全性和隐私

伦理使用指南

暗知识的局限性

知识平权场景下的LLM

实战演练与案例分享

千行百业中的真实案例实战（各类实现干货案例）

金融领域案例详解

从需求到解决方案的完整过程

行业大语言模型使用现状与限制

私有化部署大模型全流程详解

公域大模型的使用全流程详解

软件开发中的实战案例

软件测试中的实战案例

Huggingface的实战案例

huggingGPT的完整案例

面向管理者的LLM赋能与提升

如何使用好LLM

LLM的基本原理

LLM的历史与发展

LLM的业界现状详解

主要模型与技术概览

DeepSeek的核心创新与业绩趋势

面向管理者的chatGPT原理详解

面向管理者的DeepSeek原理详解

开源 VS 闭源

预训练范式 VS 推理范式

私有化部署的优势与劣势

私有化部署 VS 公域模型

管理视角下RAG能解决的问题与成本

管理视角下SFT能解决的问题与成本

SFT VS RAG

企业级LLM应用的全景视图

AIGC的三层应用

LLM在办公型事务工作中的机遇与挑战

LLM在软件研发工作中的机遇与挑战

LLM在数据分析工作中的机遇与挑战

LLM在商业场景扩展中的机遇与挑战

企业级知识工程的必要性

知识工程建设的完整思路与落地实践

知识工程业界成功案例的启示

LLM时代的数据隐私与安全

LLM时代的人才管理与组织架构设计

以应用为主的LLM投入策略

LLM的技术发展与趋势详解

LLM应用场景发展与趋势详解

LLM产品化的具体思路与案例解读