一、 LLM大模型核心原理

1. 大模型基础：理论与技术的演进

2. LLMs大语言模型的概念定义

3. LLMs大语言模型的发展演进

4. LLMs大语言模型的生态体系

5. 大语言模型技术发展与演进

6. 基于统计机器学习的语言模型

7. 基于深度神经网络的语言模型

8. 基于 Transformer 的大语言模型

9. LLMs大语言模型的关键技术

10. LLMs大语言模型的核心框架：商业&开源

11. LLMs大语言模型的行业应用

12. 动⼿开发第⼀个 ChatGPT Plugin

二、大语言模型微调与Prompt提示工程

1. 大语言模型微调与Prompt

2. 大语言模型微调对象和层次

3. 语言模型微调的主流方法

4. Prompt如何使用和进阶

5. 什么是提示与提示工程

6. 提示工程的巨大威力：从Let’s think step by step说起

7. 拆解、标准化、流程化：如何用AI改造工作

8. 使用BROKE框架设计ChatGPT提示

9. 通过案例分析，展示如何使用大模型prompt技术辅助开发

三、大模型OpenAI chatGPT应用开发

1. OpenAI 大模型开发指南

2. OpenAI 语言模型总览

3. 语言模型：GPT-4 and GPT-3.5 Turbo

4. OpenAI GPT API 开发入门

5. OpenAI Models API

6. OpenAI Chat Completions API

7. OpenAI 大模型应用实践

8. 文本内容补全初探（Text Completion）

9. 聊天机器人初探（Chat Completion）

10. 基于 OpenAI开发智能翻译助手

11. 案例分析

四、基于国内大模型开发应用（智谱，百度，通义千问）

1. GLM 大模型家族介绍

2. 智谱第四代 API 介绍

3. AP| 基础教学和实战

4. 使用 GLM-4 AP| 构建模型和应用

5. 使用 GLM-4从0到1搭建并优化 RAG 程序

6. Diffusion 原理介绍

7. 模型训练的数据优化(DALLE3)

8. CogView3 及 API 调用演示

9. 基于百度大模型的应用与开发

10. 基于通义千问大模型的应用与开发

五、⼤模型应⽤开发框架 LangChain

1. ⼤模型应⽤开发框架 LangChain

2. LangChain 是什么

3. 为什么需要 LangChain

4. LangChain 典型使⽤场景

5. LangChain 基础概念与模块化设计

6. LangChain 核⼼模块⼊⻔与实战

7. LangChain 的3 个场景

8. LangChain 的6 大模块

9. LangChain 的开发流程

10. 创建基于LangChain聊天机器人

六、基于LangChain构建文档问答系统

1. 构建复杂LangChain应⽤

2. LangChain模型(Models)：从不同的 LLM 和嵌入模型中进行选择

3. LangChain提示(Prompts)：管理 LLM 输入

4. LangChain链(Chains)：将 LLM 与其他组件相结合

5. LangChain索引(Indexs)：访问外部数据

6. LangChain记忆(Memory)：记住以前的对话

7. LangChain代理(Agents)：访问其他工具

8. 使⽤Llama大模型构建文档问答系统

七、LangChain与RAG技术

1. RAG技术概述

2. LangChain中的RAG组件

3. 加载器和分割器

4. 文本嵌入和向量存储

5. 检索器和多文档联合检索

6. RAG技术的关键挑战

7. 检索增强生成实践

8. RAG技术文档预处理过程

9. RAG技术文档检索过程

10. 何谓LlamaIndex

11. 说说LlamaIndex

12. LlamaIndex和基于RAG的AI开发

13. LlamaIndex开发示例

八、RAG Agent：知识的提取与整合——通过Llamalndex实现检索增强生成

1. 何谓检索增强生成

2. 提示工程、RAG与微调

3. 从技术角度看检索部分的Pipeline

4. 从用户角度看RAG流程

5. RAG和Agent

6. 通过Llamalndex的ReAct RAG Agent实现花语秘境财报检索

7. 获取井加载电商的财报文件

8. 将财报文件的数据转换为向量数据

9. 构建查询引擎和工具

10. 配置文本生成引擎大模型

11. 创建Agent以查询财务信息