课程简介
在2025年春节期间，DeepSeek在全球范围内引发了热烈反响，在多方面都有卓越表现。首先，DeepSeek完全开源，支持本地部署，且无任何使用限制，为用户提供了极大的便利并有效保护了用户隐私。其次，其性能强大，效果不仅与国际顶尖模型相当，甚至在中文处理和复杂逻辑推理方面更胜一筹。再者，DeepSeek的训练成本相对较低，API价格仅为同类产品的三十分之一，展现出极高的性价比。此外，它还支持深度思考，能够清晰地展示思维链，并集成了联网搜索、拍照识字、文件上传等多种功能，极大地丰富了使用场景。最后，DeepSeek的响应速度极快，生成内容几乎无需等待，进一步提升了用户体验。
本课程深入介绍了DeepSeek及其API，并通过与OpenAI以及国内多个其他大模型的工作原理及优势进行对比，帮助学员全面了解DeepSeek的独特之处。在此基础上，课程还指导学员使用流行的编程语言构建大模型应用，从文本生成、问答和内容摘要等初阶应用入手，逐步深入到提示工程、模型微调、插件开发、LangChain、RAG、Agent等高阶实践技术。通过丰富的示例，帮助学员更快地理解这些技术，并能够在自己的项目中灵活应用。
课程收益
1. 帮助学员了解 Deepseek 的基本功能与特性，熟练运用其解决各类职场任务。
2. 帮助学员掌握 Deepseek 在API开发、LangChain开发、企业级RAG知识库构建、Agent智能体开发等方面的应用技巧，提高工作效率和质量。
3. 帮助学员学会根据不同岗位需求，定制化运用 Deepseek，挖掘更多潜在价值。
受众人群
各类软件企业和研发中心的程序员、软件设计师、架构师, 项目经理，架构师。
本课程面向零基础LLM应用开发者，不需要了解复杂数学算法，机器学习原理，不需要之前学习过大模型知识。有Java，C#，C++等编程基础，最好有Python基础知识，但即使你对 Python 不太熟悉，也完全没有关系。课程主要阅读和讲解案例代码。
课程周期
3天（18H）
课程大纲
标题 | 授课内容 |
一、 DeepSeek大模型原理和应用 | 1. 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 2. DeepSeek大模型应用-办公提效 (1) 官方大模型DeepSeek应用 (2) DeepSeek办公提效 (3) 使用DeepSeek官方模型做推理任务 (4) DeepSeek和OpenAI O1模型的对比总结 (5) DeepSeek和国内其他大模型对比（智谱，文心，通义，kimi等） (6) DeepSeek和国外其他大模型对比（Claude Gemini Mistral等） 3. DeepSeek大模型推理能力 (1) DeepSeek-R1 发布 (2) 对标 OpenAI o1 正式版 (3) DeepSeek-R1 上线 API (4) DeepSeek 官网推理与 App (5) DeepSeek-R1 训练论文 (6) 蒸馏小模型超越 OpenAI o1-min (7) DeepSeek-R1 API 开发应用 (8) 通用基础与专业应用能力 |
二、基于DeepSeek大模型API开发应用 | 1. DeepSeek大模型与Prompt提示工程 (1) Prompt如何使用和进阶 (2) 什么是提示与提示工程 (3) 提示工程的巨大威力：从Let’s think step by step说起 (4) 拆解、标准化、流程化：如何用AI改造工作 (5) 使用BROKE框架设计ChatGPT提示 (6) 通过案例分析，展示如何使用大模型prompt技术辅助开发 2. SeepSeek大模型 API 应用开发 (1) DeepSeek-V3 大模型API (2) DeepSeek-R1推理大模型API (3) DeepSeek模型 & 价格 (4) DeepSeek模型参数Temperature 设置 (5) DeepSeek模型Token 用量计算 (6) DeepSeek模型错误码 (7) DeepSeek大模型多轮对话 (8) DeepSeek大模型对话前缀续写（Beta） (9) DeepSeek大模型FIM 补全（Beta） (10) DeepSeek大模型JSON Output (11) DeepSeek大模型Function Calling (12) DeepSeek大模型上下文硬盘缓存 (13) 文本内容补全初探（Text Completion） (14) 聊天机器人初探（Chat Completion） (15) 基于DeepSeek开发智能翻译助手 (16) 案例分析 3. DeepSeek大模型对比其他大模型API（国外和国内其他） (1) OpenAI大模型API (2) claude大模型API (3) Gemini 大模型API (4) 智谱大模型API 介绍 (5) 使用 GLM-4 API构建模型和应用 (6) 基于通义千问大模型API的应用与开发 (7) 基于百度大模型API应用开发 (8) 基于字节，腾讯，华为大模型应用开发 4. DeepSeek大模型API构建应用程序（12案例，灵活选择） (1) 应用程序开发概述 (2) 案例项目分析 (3) 项目1：构建新闻稿生成器 (4) 项目2：语音控制 (5) 项目3：企业管理系统MIS应用案例分析 (6) 项目4：某企业智能管理系统 |
三、DeepSeek和LangChain开发应用 | 1. 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 2. 基于DeepSeek和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) 使⽤大模型构建文档问答系统 |
四、DeepSeek构建企业级RAG知识库 | 1. DeepSeek大模型企业RAG应用 (1) RAG技术概述 (2) 加载器和分割器 (3) 文本嵌入和 向量存储 (4) 检索器和多文档联合检索 (5) RAG技术的关键挑战 (6) 检索增强生成实践 (7) RAG技术文档预处理过程 (8) RAG技术文档检索过程 2. 构建基于DeepSeek RAG Agent：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以查询信息 |
五、基于DeepSeek大模型Agent智能体开发 | 1. DeepSeek大模型驱动的Agent智能体开发概述 (1) 智能体的定义与特点 (2) 智能体与传统软件的关系 (3) 智能体与LLM的关系 (4) 从ChatGPT到智能体 (5) 智能体的五种能力 (6) 记忆，规划，工具，自主决策，推理 (7) 多智能体协作 (8) 企业级智能体应用与任务规划 (9) 智能体开发 2. 基于Deepseek和LangChain构建Agent (1) 通过LangChain中的ReAct框架实现自动定价 (2) LangChain ReAct框架 (3) LangChain中ReAct Agent 的实现 (4) LangChain中的工具和工具包 (5) 通过create_react_agent创建Agent (6) 深挖AgentExecutor的运行机制 (7) Plan-and-Solve策略的提出 (8) LangChain中的Plan-and-Execute Agent (9) 通过Plan-and-Execute Agent实现物流管理 (10) 为Agent定义一系列进行自动库存调度的工具 |
六、DeepSeek深入学习 | 1. DeepSeek原理和优化 (1) DeepSeek原理剖析 (2) DeepSeek系统软件优化 (3) DeepSeek 训练成本 (4) DeepSeek V3模型参数 (5) DeepSeek MoE架构 (6) DeepSeek 架构4方面优化 (7) DeepSeek R1 论文解读 (8) DeepSeek R1的创新点剖析 (9) DeepSeek R1 引发的创新思考 2. 私有化部署DeepSeek推理大模型 (1) DeepSeek云端部署 (2) DeepSeek和国产信创平台 (3) DeepSeek和国内云平台 (4) 利用Ollama私有化部署DeepSeek R1大模型 (5) 一键部署DeepSeek R1大模型 (6) DeepSeek R1私有化部署总结 3. DeepSeek大模型微调 (1) DeepSeek 大模型微调 (2) 为何微调大模型 (3) 大模型先天缺陷 (4) 预训练成本高昂 (5) 垂直数据分布差异 (6) 提示推理成本限制 (7) DeepSeek大模型微调的三个阶段剖析 (8) DeepSeek大模型微调的两种方法剖析 |
Mace Liu
百林哲咨询（北京）有限公司专家团队成员
Mace Liu
百林哲咨询（北京）有限公司专家团队成员
Mace Liu
百林哲咨询（北京）有限公司专家团队成员
Mace Liu
百林哲咨询（北京）有限公司专家团队成员
Mace Liu
百林哲咨询（北京）有限公司专家团队成员
Mace Liu
百林哲咨询（北京）有限公司专家团队成员
Mace Liu
百林哲咨询（北京）有限公司专家团队成员
京ICP备2022035414号-1
