ai大模型全栈工程师实战训练营 | 博锐培训课程 wap.boraid.cn-j9九游

各有关单位：
为了企业在激烈市场竞争中脱颖而出，开拓新的业务领域，培育出精通大模型技术的专业人才。帮助学员系统学习ai大模型的设计、开发、优化与部署，成为推动未来智能科技发展的先行者和领导者，开启个人职业生涯的全新篇章。特邀相关领域权威专家精心打造了“ai大模型全栈工程师实战训练营”课程，于2025年在全国部分城市举办公开课。诚邀您的参与，有关事宜如下：


培训背景
随着科技的飞速发展，人工智能（ai）已成为引领新一轮科技革命和产业变革的重要驱动力。大模型（large language models, llms）作为ai领域的一项革命性突破，正以前所未有的速度重塑着我们对智能交互、知识管理、内容创作乃至整个数字化世界的认知。近年来，诸如deepseek、gpt系列、sora等大模型的不断涌现，不仅展示了ai在自然语言处理领域的巨大潜力，也预示着ai技术即将迈入一个更加复杂、细腻且广泛适用的新纪元。
人工智能成为全球焦点的背景下，2024年中国政府工作报告，就首次提出开展“人工智能 ”行动，相信后续还有更多利好人工智能和“人工智能 ”的政策即将释放。而在国家层面推动“ai ”行动，无数的机会也将井喷。


培训费用：6800元/人（含培训费、平台费、资料费、视频回放、证书、发票等费用）。


培训对象
从事人工智能领域工作的人
如果你正在从事人工智能、机器学习、数据分析等相关领域的工作，或者想要进入这些
领域，那么学习ai大模型开发将会对你的职业发展有很大的帮助。
软件工程师和架构师
这类专业人士可以通过学习ai大模型开发课程来提升团队的研发效率，了解大模型如何影响软件架构，并掌握基于大模型的全新开发范式。
对人工智能有浓厚兴趣的人
对人工智能、机器学习等领域有浓厚的兴趣，想要深入了解并掌握相关技能，并有一定的软件开发基础的从业者。


培训收益
1.整体掌握大模型理论知识；
2.了解自注意力机制、transformer模型、bert模型；
3.掌握deepseek与chatgpt原理与实战；
4.了解llm应用程序技术栈和提示词工程prompt enginerring；
5.了解国产大模型chatglm；
6.了解视觉大模型技术优势；
7.掌握语言理解与字幕生成及其应用；
8.掌握图像生成和应用实操；
9.了解应用场景与潜力分析；
10.了解大模型企业商用项目实战。


培训方式：
培训采用线下专家面授 同步直播的形式。所有课程均赠送学习教材、视频回放、
答疑交流群、促学服务等。并对考生提供专人报考、考试指导、证书邮寄等。多维度精
细化教学，一站式报考服务，满足不同企业及学员的学习需求。


培训内容
培训共计3天，每天6小时，具体日程安排如下：
第一天 预备知识第一节：大模型理论知识
1、初探大模型：起源与发展
2、gpt模型家族：从始至今
3、大模型deepseek vs chatgpt4的对比介绍
4、大模型实战-大模型2种学习路线的讲解
5、大模型最核心的三项技术:模型、微调和开发框架
6、deepseek的moe 混合专家模型介绍
7、deepseek-r3后训练阶段与强化学习技术介绍
8、0penal文本模型a、b、c、d四大模型引擎简介 
9、最强embedding大模型text-embedding-ada模型介绍
10、全球开源大模型性能评估榜单
11、中文大模型生态介绍与glm 130b模型介绍
12、deepseek模型介绍与部署门槛
13、deepseek开源生态:微调、多模态，webui等项目简介
预备知识第二节：自注意力机制、transformer模型、bert模型
rnn-lstm-gru等基本概念
编码器、解码器
自注意力机制详解
transformer
mask multi-head attention
位置编码
特定于任务的输入转换
无监督预训练、有监督 fine-tuning
bert思路的理解
bert模型下游任务的网络层设计
bert的训练
huggingface中bert模型的推断
基于上下文的学习
代码和案例实践：
基本问答系统的代码实现
深入阅读理解的代码实现
段落相关性代码实现
第三节：embedding模型实战
大模型技术浪潮下的embedding技术定位
embedding技术入门介绍
从ono-hot到embedding
embedding文本衡量与相似度计算
openal embedding模型与开源embedding框架
两代openal embedding模型介绍
text-embedding-ada-002模型调用方法详解
text-embedding-ada-002模型参数详解与优化策略
借助embedding进行特征编码
embedding结果的可视化展示与结果分析
【实战】借助embedding特征编码完成有监督预测
【实战】借助embedding进行推荐系统冷启动
【实战】借助embedding进行零样本分类与文本搜索
embedding模型结构微调优化
借助cnn进行embedding结果优化
【企业级实战】海量文本的embedding高效匹配
第四节：llm应用程序技术栈和提示词工程prompt enginerring
设计模式：上下文学习
数据预处理/嵌入
提示构建/检索
提示执行/推理
数据预处理/嵌入
weaviate、vespa 和 qdrant等开源系统
chroma 和 faiss 等本地向量管理库
pgvector 等oltp 扩展
提示构建/检索
提示执行/推理
新兴的大语言（llm）技术栈
数据预处理管道（data preprocessing pipeline）
嵌入终端（embeddings endpoint ） 向量存储（vector store）
llm 终端（llm endpoints）
llm 编程框架（llm programming framework） 
langchain的主要功能及模块
prompts: 这包括提示管理、提示优化和提示序列化。
llms: 这包括所有llms的通用接口，以及常用的llms工具。
document loaders: 这包括加载文档的标准接口，以及与各种文本数据源的集成。
utils: 语言模型在与其他知识或计算源的交互
python repls、嵌入、搜索引擎等
langchain提供的常用工具
indexes：语言模型结合自定义文本数据
agents：动作执行、观测结果，
langchain的代理标准接口、可供选择的代理、端到端代理示例
chat：chat模型处理消息
代码和案例实践：
llm大模型的使用
prompts的设计和使用


第二天 第五节：国产大模型deepseek
新一代deepseek模型api调用
deepseek开放平台使用方法与apikey申请
deepseek-v3、deepseek-r1、deepep介绍
deepseek在线知识库使用及模型计费说明 
deepseek模型sdk调用与三种运行方法
deepseek调用函数全参数详解
deepseek message消息格式与身份设置方法
deepseek tools外部工具调用方法
deepseek function calling函数封装12glm4接入在线知识库retrieval流程
deepseek接入互联网web_search方法
【实战】基于deepseek打造自动数据分析agent
【实战】基于deepseek的自然语言编程实战
【实战】基于deepseek function call的用户意图识别
【实战】基于glm4的长文本读取与优化
第六节：langchain大模型框架构建
构建垂直领域大模型的通用思路和方法
(1) 大模型 知识库
(2) peft(参数高效的微调)
(3) 全量微调
(4) 从预训练开始定制
langchain介绍
langchain模块学习-llms 和 prompts
langchain之chains模块
langchain之agents模块
langchain之callback模块
embedding嵌入
自定义知识库
知识冲突的处理方式
向量化计算可采用的方式
文档加载器模块
向量数据库问答的设计
lanchain竞品调研和分析
dust.tt/semantic-kernel/fixie.ai/cognosis/gpt-index
llamaindex介绍
llamaindex索引
动手实现知识问答系统
代码和案例实践：
动手实现知识问答机器人
langchain文本摘要
pdf文本阅读问答
第七节、使用langgraph构建工作流
langgraph 构建自适应rag
1.langgraph 应用场景、核心功能、特点
2.基础概念：节点、边、图等
3.langgraph 的系统架构
4.数据模型和存储机制
5.基本数据查询与操作
6.高级查询：路径查询、模式匹配
7.使用本地llm自适应rag
8.代理rag与纠正（crag）


第三天 第八节、llm模型的私有化部署与调用
llm 推理与本地私有化部署
1.各种模型文件介绍
2.模型的推理、量化介绍与实现
3.modelscope、hugging face简单介绍与使用
4.大模型管理底座ollama介绍
5.ollama llama 部署开源大模型
6.open webui发布与调用大模型
7.api key获取与 llama微调实现
第九节、开源大模型微调实现
llama_factory 微调实战
1.提升模型性能方式介绍：prompt、知识库、微调
2.如何科学构建训练数据（基础与专业数据混合训练）
3.微调常见方式介绍：微调、偏好对齐、蒸馏、奖励模型
4.llama3 模型架构与调用申请
5.数据上传与任务创建（job）
6.训练集与测试集拆分与模型评估
7.unsloth微调平台介绍
8.llama3开源大模型的微调与使用
9.模型的评估策略
第十节、大模型企业商用项目实战
ai-agent 构建可发布的智能客服系统
1.智能体介绍与autogpt基本原理
2.autogpt安装与环境配置
3.实战体验：autogpt实现数据爬取、清洗、保存
4.创建各种场景的autogpt
1.内容创建
2.客服服务
3.数据分析
4.代码编写
5.创建应用程序

刘老师、邹老师

刘老师 | javaweb，资深架构师，langchain开发者
拥有十几年软件研发经验，十年企业培训经验，对java、python、区块链等技术领域有独特的研究，精通j2ee企业级开发技术。java方向：设计模式、spring mvc、mybatis、spring、stringboot、webservice、cxf并且对java源码有深入研究。python方向：python oop、mongodb、django、scrapy爬虫、基于surprise库数据推荐，tensorflow人工智能框架、人脸识别技术。区块链方向：bitcoin、solidity、truffle、web3、ipfs、hyperledger fabirc、go、eos。

邹老师 | 长春工业大学人工智能研究院院长
工程学术带头人、华东建筑设计研究总院研究员、山东交通学院客座教授、南昌航空大学硕士生导师、中国软件行业协会专家委员、上海市计划生育科学研究所特聘专家、天津大学创业导师、中华中医药学会会员、中国医药教育协会老年运动与健康分会学术委员；领导睿客邦与全国二十多所高校、国企建立了ai联合实验室，完成50多个深度学习实践项目，广泛应用于医疗、交通、农业、气象、银行、电信等多个领域。
带队完成了数十个ai项目，内容不仅包括深度学习、机器学习、数据挖掘等具体技术要点，也包括ai的整体发展、现状、应用、商业价值、未来方向等，涵盖内容非常丰富。