各有關單位：
為了企業在激烈市場競爭中脫穎而出，開拓新的業務領域，培育出精通大模型技術的專業人才。幫助學員系統學習AI大模型的設計、開發、優化與部署，成為推動未來智能科技發展的先行者和領導者，開啟個人職業生涯的全新篇章。中培偉業特邀相關領域權威專家精心打造了“AI大模型全棧工程師實戰訓練營”課程，于2025年在全國部分城市舉辦公開課。誠邀您的參與，有關事宜如下：
一、培訓背景
隨著科技的飛速發展，人工智能（AI）已成為引領新一輪科技革命和產業變革的重要驅動力。大模型（Large Language Models, LLMs）作為AI領域的一項革命性突破，正以前所未有的速度重塑著我們對智能交互、知識管理、內容創作乃至整個數字化世界的認知。近年來，諸如DeepSeek、GPT系列、Sora等大模型的不斷涌現，不僅展示了AI在自然語言處理領域的巨大潛力，也預示著AI技術即將邁入一個更加復雜、細膩且廣泛適用的新紀元。
人工智能成為全球焦點的背景下，2024年中國政府工作報告，就首次提出開展“人工智能+”行動，相信后續還有更多利好人工智能和“人工智能+”的政策即將釋放。而在國家層面推動“AI+”行動，無數的機會也將井噴。
二、培訓對象
·從事人工智能領域工作的人
如果你正在從事人工智能、機器學習、數據分析等相關領域的工作，或者想要進入這些
領域，那么學習AI大模型開發將會對你的職業發展有很大的幫助。
·軟件工程師和架構師
這類專業人士可以通過學習AI大模型開發課程來提升團隊的研發效率，了解大模型如何影響軟件架構，并掌握基于大模型的全新開發范式。
·對人工智能有濃厚興趣的人
對人工智能、機器學習等領域有濃厚的興趣，想要深入了解并掌握相關技能，并有一定的軟件開發基礎的從業者。
三、培訓收益
1.整體掌握大模型理論知識；
2.了解自注意力機制、Transformer模型、BERT模型；
3.掌握DeepSeek與ChatGPT原理與實戰；
4.了解LLM應用程序技術棧和提示詞工程Prompt Enginerring；
5.了解國產大模型ChatGLM；
6.了解視覺大模型技術優勢；
7.掌握語言理解與字幕生成及其應用；
8.掌握圖像生成和應用實操；
9.了解應用場景與潛力分析；
10.了解大模型企業商用項目實戰。
四、培訓信息
1）培訓方式：
培訓采用線下專家面授+同步直播的形式。所有課程均贈送學習教材、視頻回放、答疑交流群、促學服務等。并對考生提供專人報考、考試指導、證書郵寄等。多維度精細化教學，一站式報考服務，滿足不同企業及學員的學習需求。
2）培訓班次：2025年06月28-30日北京、10月27-29日成都、12月24-26日長沙
五、培訓內容
預備知識第一節：大模型理論知識
1. 初探大模型：起源與發展
2. GPT模型家族：從始至今
3. 大模型DeepSeek VS ChatGPT4的對比介紹
4. 大模型實戰-大模型2種學習路線的講解
5. 大模型最核心的三項技術:模型、微調和開發框架
6. DeepSeek的MoE 混合專家模型介紹
7. DeepSeek-R3后訓練階段與強化學習技術介紹
8. OpenAl文本模型A、B、C、D四大模型引擎簡介
9. 最強Embedding大模型text-embedding-ada模型介紹
10. 全球開源大模型性能評估榜單
11. 中文大模型生態介紹與GLM 130B模型介紹
12. DeepSeek模型介紹與部署門檻
13. DeepSeek開源生態:微調、多模態，WebUI等項目簡介
預備知識第二節：自注意力機制、Transformer模型、BERT模型
1. RNN-LSTM-GRU等基本概念
2. 編碼器、解碼器
3. 自注意力機制詳解
4. Transformer
5. Mask Multi-Head Attention
6. 位置編碼
7. 特定于任務的輸入轉換
8. 無監督預訓練、有監督 Fine-tuning
9. BERT思路的理解
10. BERT模型下游任務的網絡層設計
11. BERT的訓練
12. HuggingFace中BERT模型的推斷
13. 基于上下文的學習
14. 代碼和案例實踐：
基本問答系統的代碼實現
深入閱讀理解的代碼實現
段落相關性代碼實現
第三節：Embedding模型實戰
1. 大模型技術浪潮下的Embedding技術定位
2. Embedding技術入門介紹
3. 從Ono-hot到Embedding
4. Embedding文本衡量與相似度計算
5. OpenAl Embedding模型與開源Embedding框架
6. 兩代OpenAl Embedding模型介紹
7. text-embedding-ada-002模型調用方法詳解
8. text-embedding-ada-002模型參數詳解與優化策略
9. 借助Embedding進行特征編碼
10. Embedding結果的可視化展示與結果分析
【實戰】借助Embedding特征編碼完成有監督預測
【實戰】借助Embedding進行推薦系統冷啟動
【實戰】借助Embedding進行零樣本分類與文本搜索
11. Embedding模型結構微調優化
12. 借助CNN進行Embedding結果優化
【企業級實戰】海量文本的Embedding高效匹配
第四節：LLM應用程序技術棧和提示詞工程Prompt Enginerring
1. 設計模式：上下文學習
2. 數據預處理/嵌入
3. 提示構建/檢索
4. 提示執行/推理
5. 數據預處理/嵌入
6. Weaviate、Vespa 和 Qdrant等開源系統
7. Chroma 和 Faiss 等本地向量管理庫
8. pgvector 等OLTP 擴展
9. 提示構建/檢索
10. 提示執行/推理
11. 新興的大語言（LLM）技術棧
12. 數據預處理管道（data preprocessing pipeline）
13. 嵌入終端（embeddings endpoint ）+向量存儲（vector store）
14. LLM 終端（LLM endpoints）
15. LLM 編程框架（LLM programming framework）
16. LangChain的主要功能及模塊
17. Prompts: 這包括提示管理、提示優化和提示序列化。
18. LLMs: 這包括所有LLMs的通用接口，以及常用的LLMs工具。
19. Document Loaders: 這包括加載文檔的標準接口，以及與各種文本數據源的集成。
20. Utils: 語言模型在與其他知識或計算源的交互
21. Python REPLs、嵌入、搜索引擎等
22. LangChain提供的常用工具
23. Indexes：語言模型結合自定義文本數據
24. Agents：動作執行、觀測結果，
25. LangChain的代理標準接口、可供選擇的代理、端到端代理示例
26. Chat：Chat模型處理消息
27. 代碼和案例實踐：
LLM大模型的使用
Prompts的設計和使用
第五節：國產大模型DeepSeek
1. 新一代DeepSeek模型API調用
2. DeepSeek開放平臺使用方法與APIKey申請
3. DeepSeek-V3、DeepSeek-R1、DeepEP介紹
4. DeepSeek在線知識庫使用及模型計費說明
5. DeepSeek模型SDK調用與三種運行方法
6. DeepSeek調用函數全參數詳解
7. DeepSeek Message消息格式與身份設置方法
8. DeepSeek tools外部工具調用方法
9. DeepSeek Function calling函數封裝12GLM4接入在線知識庫retrieval流程
10. DeepSeek接入互聯網web_search方法
【實戰】基于DeepSeek打造自動數據分析Agent
【實戰】基于DeepSeek的自然語言編程實戰
【實戰】基于DeepSeek Function call的用戶意圖識別
【實戰】基于GLM4的長文本讀取與優化
第六節：LangChain大模型框架構建
1. 構建垂直領域大模型的通用思路和方法
(1) 大模型+知識庫
(2) PEFT(參數高效的微調)
(3) 全量微調
(4) 從預訓練開始定制
2. LangChain介紹
3. LangChain模塊學習-LLMs 和 Prompts
4. LangChain之Chains模塊
5. LangChain之Agents模塊
6. LangChain之Callback模塊
7. Embedding嵌入
8. 自定義知識庫
9. 知識沖突的處理方式
10. 向量化計算可采用的方式
11. 文檔加載器模塊
12. 向量數據庫問答的設計
13. Lanchain競品調研和分析
14. Dust.tt/Semantic-kernel/Fixie.ai/Cognosis/GPT-Index
15. LlamaIndex介紹
16. LlamaIndex索引
17. 動手實現知識問答系統
18. 代碼和案例實踐：
動手實現知識問答機器人
LangChain文本摘要
PDF文本閱讀問答
第七節：使用LangGraph構建工作流
1. LangGraph 構建自適應RAG
2. LangGraph 應用場景、核心功能、特點
3. 基礎概念：節點、邊、圖等
4. LangGraph 的系統架構
5. 數據模型和存儲機制
6. 基本數據查詢與操作
7. 高級查詢：路徑查詢、模式匹配
8. 使用本地LLM自適應RAG
9. 代理RAG與糾正（CRAG）
第八節：LLM模型的私有化部署與調用
1. LLM 推理與本地私有化部署
2. 各種模型文件介紹
3. 模型的推理、量化介紹與實現
4. Modelscope、Hugging Face簡單介紹與使用
5. 大模型管理底座Ollama介紹
6. Ollama + lLama 部署開源大模型
7. Open WebUI發布與調用大模型
8. API Key獲取與 Llama微調實現
第九節：開源大模型微調實現
1. Llama_Factory 微調實戰
2. 提升模型性能方式介紹：Prompt、知識庫、微調
3. 如何科學構建訓練數據（基礎與專業數據混合訓練）
4. 微調常見方式介紹：微調、偏好對齊、蒸餾、獎勵模型
5. Llama3 模型架構與調用申請
6. 數據上傳與任務創建（job）
7. 訓練集與測試集拆分與模型評估
8. Unsloth微調平臺介紹
9. Llama3開源大模型的微調與使用
10. 模型的評估策略
第十節：大模型企業商用項目實戰
1. AI-Agent 構建可發布的智能客服系統
2. 智能體介紹與AutoGPT基本原理
3. AutoGPT安裝與環境配置
4. 實戰體驗：AutoGPT實現數據爬取、清洗、保存
5. 創建各種場景的AutoGPT
6. 內容創建
7. 客服服務
8. 數據分析
9. 代碼編寫
10. 創建應用程序
六、講師團隊
·劉老師，國內頂尖AI專家
擁有十幾年軟件研發經驗，十年企業培訓經驗，對Java、Python、區塊鏈等技術領域有獨特的研究，精通J2EE企業級開發技術。Java方向：設計模式、Spring MVC、MyBatis、Spring、StringBoot、WebService、CXF并且對Java源碼有深入研究。Python方向：Python OOP、Mongodb、Django、Scrapy爬蟲、基于Surprise庫數據推薦，Tensorflow人工智能框架、人臉識別技術。區塊鏈方向：BitCoin、Solidity、Truffle、Web3、IPFS、Hyperledger Fabirc、Go、EOS。
·鄒老師，長春工業大學人工智能研究院院長
工程學術帶頭人、華東建筑設計研究總院研究員、山東交通學院客座教授、南昌航空大學碩士生導師、中國軟件行業協會專家委員、上海市計劃生育科學研究所特聘專家、天津大學創業導師、中華中醫藥學會會員、中國醫藥教育協會老年運動與健康分會學術委員；領導睿客邦與全國二十多所高校、國企建立了AI聯合實驗室，完成50多個深度學習實踐項目，廣泛應用于醫療、交通、農業、氣象、銀行、電信等多個領域。
帶隊完成了數十個AI項目，內容不僅包括深度學習、機器學習、數據挖掘等具體技術要點，也包括AI的整體發展、現狀、應用、商業價值、未來方向等，涵蓋內容非常豐富。
七、相關證書
參加培訓并通過考試的學員，由工業和信息化部教育與考試中心統一頒發《AI大模型全棧技術（高級）》工業和信息化職業能力證書，證書可作為專業技術人員職業能力考核的證明，以及專業技術人員崗位聘用、任職、定級和晉升職務的重要依據。
八、收費標準
6800元/人（含培訓費、平臺費、資料費、視頻回放、證書、發票等費用）。
備注：參加面授的學員提供培訓期間的午餐。
九、報名方式
1）請參加人員將加蓋單位印章的《報名回執表》傳真或郵件至課程顧問。
2）相關費用請于開課前一周匯至我司銀行賬號，并提供付款憑證。
3）我們將于開課前兩周為學員發送《報到通知書》，詳細告知參培地點、乘車路線、食宿安排，會務聯系方式等事宜。
【報名咨詢】
聯系電話：010-62258232 62278113 13718601312 13120125786
聯 系 人：李先生 陳小姐
您的位置：
