我要報名

咨詢電話：
手　　機：	郵箱：

課程介紹：

為了企業(yè)加速生成式AI技術落地、打造知識增強型業(yè)務系統(tǒng)提供實戰(zhàn)路徑，助力破解內部文檔問答、客戶智能服務等場景的效率瓶頸；同時幫助相關人員系統(tǒng)掌握DeepSeek RAG技術棧，從基礎應用到模型微調實現(xiàn)能力進階，快速具備將RAG技術轉化為實際業(yè)務價值的核心技能。

據(jù)《2025企業(yè)AI落地調研報告》顯示，企業(yè)存在大模型幻覺導致業(yè)務失誤、知識時效性不足、違背規(guī)則要求的困境。而RAG（檢索增強生成）技術能夠實時檢索外部知識庫，實現(xiàn)模型定向生成，成為破解困境的核心方案，已在各領域實現(xiàn)規(guī)模化應用。在此背景下，DeepSeek模型成為企業(yè)落地RAG系統(tǒng)的優(yōu)選底座。

本課程能夠幫助技術人員系統(tǒng)掌握從知識增強到模型微調的全流程實戰(zhàn)能力，助力企業(yè)構建高可靠、高適配的智能應用，實現(xiàn)“RAG+DeepSeek”的高效、準確落地。

課程收益：

1.掌握RAG系統(tǒng)全鏈路設計與開發(fā)能力；

2.具備構建復雜知識增強系統(tǒng)的實戰(zhàn)經驗；

3.具備大模型微調與定制化部署能力;

4.掌握低代碼與可視化RAG系統(tǒng)構建方法;

5.獲得從開發(fā)到部署的完整項目經驗。

課程對象：

1.技術開發(fā)人員：如AI工程師、數(shù)據(jù)分析師、前后端開發(fā)工程師等人員；

2.企業(yè)業(yè)務相關人員：產品經理、售前人員等需要結合大模型相關技術為業(yè)務賦能的人員；

3.高校學生及研究人員：計算機相關專業(yè)且Python基礎較好，有機器學習等AI基礎的大學生，以及對大模型技術感興趣，希望在AI算法領域開展研究的人員；

4.技術愛好者：對智能問答系統(tǒng)、RAG技術等感興趣的技術愛好者。

課程大綱：

第一天上午

第一部分: LLM大模型核心原理

1.大模型基礎：理論與技術的演進

2.LLMs大語言模型的概念定義

3.LLMs大語言模型的發(fā)展演進

4.LLMs大語言模型的生態(tài)體系

5.大語言模型技術發(fā)展與演進

6.基于統(tǒng)計機器學習的語言模型

7.基于深度神經網絡的語言模型

8.基于Transformer的大語言模型

9.LLMs大語言模型的關鍵技術

10.LLMs大語言模型的核心框架：商業(yè)&開源LLMs大語言模型的行業(yè)應用

第二部分:DeepSeek大模型與Prompt提示工程

1.Prompt如何使用和進階

2.什么是提示與提示工程

3.提示工程的巨大威力：從Let’s

think step by step說起

4.拆解、標準化、流程化：如何用AI改造工作

5.使用BROKE框架設計ChatGPT提示

通過案例分析，展示如何使用大模型prompt技術輔助開發(fā)

第一天下午

第三部分: DeepSeek大模型API應用開發(fā)

1.DeepSeek-V3大模型API

2.DeepSeek-R1推理大模型API

3.DeepSeek模型&價格

4.DeepSeek模型參數(shù)Temperature設置

5.DeepSeek模型Token用量計算

6.DeepSeek模型錯誤碼

7.DeepSeek大模型多輪對話

8.DeepSeek大模型對話前綴續(xù)寫（Beta）

9.DeepSeek大模型FIM補全（Beta）

10.DeepSeek大模型JSON Output

11.DeepSeek大模型Function Calling

12.DeepSeek大模型上下文硬盤緩存

13.文本內容補全初探（Text Completion）

14.聊天機器人初探（Chat Completion）

15.基于DeepSeek開發(fā)智能翻譯助手

案例分析與實戰(zhàn)

第四部分: 大模型應用開發(fā)框架 LangChain

1.大模型應用開發(fā)框架LangChain

2.LangChain是什么

3.為什么需要LangChain

4.LangChain典型使用場景

5.LangChain基礎概念與模塊化設計

6.LangChain核心模塊入門與實戰(zhàn)

7.LangChain的3個場景

8.LangChain的6大模塊

9.LangChain的開發(fā)流程

10.創(chuàng)建基于LangChain聊天機器人

第二天上午

第五部分: 基于DeepSeek和LangChain構建文檔問答系統(tǒng)

1.構建復雜LangChain應用

2.LangChain模型（Models）：從不同的LLM和嵌入模型中進行選擇

3.LangChain提示（Prompts）：管理LLM輸入

4.LangChain鏈（Chains）：將LLM與其他組件相結合

5.LangChain索引（Indexs）：訪問外部數(shù)據(jù)

6.LangChain記憶（Memory）：記住以前的對話

7.LangChain代理（Agents）：訪問其他工具

8.使用大模型構建文檔問答系統(tǒng)

第六部分: DeepSeek大模型企業(yè)RAG應用

1.RAG技術概述

2.加載器和分割器

3.文本嵌入和向量存儲

4.檢索器和多文檔聯(lián)合檢索

5.RAG技術的關鍵挑戰(zhàn)

6.檢索增強生成實踐

7.RAG技術文檔預處理過程

8.RAG技術文檔檢索過程

第二天下午

第七部分: 構建基于DeepSeek構建知識圖譜增強

1.Neo4j基礎概念：Node、Property、Relationship

2.使用Cypher查詢語言進行數(shù)據(jù)建模、插入和查詢。

3.網絡配置文件（config）的基本結構和參數(shù)分析

4.基于config指定數(shù)據(jù)清洗與標準化格式

5.基于本地大模型的結構化分析實現(xiàn)

6.LangChain自動生成并優(yōu)化Cypher查詢

7.LangServe發(fā)布圖譜服務器

第八部分: 融合知識庫與多鏈路召回實現(xiàn)智能檢索

1.何謂多鏈路召回與單路召回的區(qū)別

2.多源數(shù)據(jù)整合：知識庫、知識圖譜與結構化數(shù)據(jù)庫

3.向量召回與語義檢索的融合策略

4.并行召回與串行召回機制分析

5.LangChain多路召回Pipeline設計

6.基于Embedding相似度的召回融合方法

7.構建多鏈路召回的索引與緩存機制

8.通過LangChain實現(xiàn)多數(shù)據(jù)源統(tǒng)一檢索

9.實戰(zhàn)案例：企業(yè)知識庫+業(yè)務數(shù)據(jù)庫的混合召回

10.多鏈路召回性能優(yōu)化與準確率提升策略

第三天上午

第九部分: 過濾與二次重排構建高精度智能檢索

1.何謂ReRank與傳統(tǒng)召回的關系

2.檢索前過濾與檢索后重排整體流程

3.LangChain中Retriever與Reranker組件機制

4.基于Embedding相似度與LLM語義打分的雙階段排序

5.Rerank模型（bge-reranker、cross-encoder）介紹

6.LangChain構建二次重排Pipeline的實現(xiàn)路徑

7.結合BM25 +向量檢索+ReRank的混合策略

8.檢索重排性能對比與評估指標設計

9.實戰(zhàn)案例：構建高精度企業(yè)知識庫問答系統(tǒng)

10.結合RAG與ReRank的智能知識檢索系統(tǒng)部署與優(yōu)化

第十部分: LangFlow：構建低代碼RAG知識檢索系統(tǒng)

1.LangFlow平臺簡介：可視化LangChain 的低代碼工具

2.RAG（檢索增強生成）整體架構與核心流程

3.LangFlow 節(jié)點介紹：LLM、Retriever、Memory、Tool

4.加載并解析企業(yè)文檔數(shù)據(jù)（PDF/CSV/Markdown）

5.構建向量索引與 Embedding 存儲（FAISS/Chroma）

6.可視化搭建 RAG 流程：從輸入到響應的鏈路設計

7.添加上下文記憶與多輪對話邏輯

8.調試與參數(shù)優(yōu)化：Prompt模板與上下文窗口配置

9.部署LangFlow應用并接入API調用

10.實戰(zhàn)案例：構建企業(yè)知識文檔智能問答系統(tǒng)

第三天下午

第十一部分: 數(shù)據(jù)工程與大模型微調

1.大模型微調基礎原理與常見應用場景

2.微調數(shù)據(jù)格式解析：ShareGPT與Alpaca格式規(guī)范

3.使用EasyData從文檔自動生成 ShareGPT 格式數(shù)據(jù)集

4.摩搭社區(qū)（ModelScope）平臺介紹與模型下載流程

5.LlamaFactory微調框架概覽與環(huán)境配置

6.LoRA/QLoRA微調參數(shù)設置與模型訓練實戰(zhàn)

7.模型驗證與性能評估：Loss、F1、Perplexity

8.微調模型導出與轉換：從 HuggingFace到Safetensors

9.將微調模型上傳至摩搭平臺并發(fā)布推理服務

10.實戰(zhàn)案例：針對企業(yè)內部知識問答場景的微調實現(xiàn)

第十二部分: 微調后模型評測、效果對比與可視化評測報告

1.OpenCompass框架原理與安裝配置

2.Benchmark 測試體系介紹：通用任務與垂直任務集

3.微調模型的加載與評測準備（SFT/LoRA模型）

4.通過OpenCompass執(zhí)行模型評測流程（命令行+配置文件）

5.常用評測指標講解：BERTScore、BLEU、ROUGE、困惑度（Perplexity）

6.不同類型任務的評價策略：生成類vs分類類

7.微調前后模型性能對比與結果分析

8.結果可視化與報告生成（Precision/ Recall/F1對比）

9.實戰(zhàn)演示：評測DeepSeek微調版與原版輸出效果

10.基于評測結果優(yōu)化微調與業(yè)務落地建議

劉老師

劉老師 | 國內頂尖AI專家、大數(shù)據(jù)技術專家

西安郵電大學計算機科學與技術專業(yè)。擁有著20多年軟件研發(fā)與企業(yè)培訓經驗，對Java、Python、區(qū)塊鏈等技術領域有獨特的研究，精通機器學習、深度學習、大模型技術。他的專業(yè)素養(yǎng)和教學能力備受學員贊譽，是眾多技術愛好者心中的楷模。

AI深度學習方法：Scikit-Learn，Tensorflow、Keras、DNN、CNN、RNN、Yolo、OpenCV熟悉主流機器學習算法、各種神經網絡結構和圖形圖像識別技術。

LLM大模型方向：DeekSeek、ChatGLM、ChatGPT4、Llama3、Agent、React、Ollama、Dify、Llamafactory微調、DeepSpeek分布式訓練、MindFormers生態(tài)、MoE混合專家模型。能根據(jù)客戶的需求實現(xiàn)定制化的模型私有化部署、微調、對齊、量化。并對LangChain、LlamaIndex、Dify等大模型框架有源碼級的理解。

鄒老師 | 某工業(yè)大學人工智能研究院院長

博士學歷，畢業(yè)于中國地質科學院，兼任天津大學創(chuàng)業(yè)導師、山東交通學院客座教授、碩士生導師。主持研發(fā)50多個人工智能領域工業(yè)級項目，廣泛應用于能源、醫(yī)療、交通、氣象、銀行等多個領域。

碩博期間主持研發(fā)大型行業(yè)建模軟件，代碼量100萬行（從底層開發(fā)是考慮后期維護和產權）。創(chuàng)立的睿客邦與國內十多所高校建立了AI聯(lián)合實驗室或實訓基地廣泛應用于醫(yī)療、交通、農業(yè)、氣象、銀行、電信等多個領域。成立中國科學院鄒博人工智能研究中心，在翔創(chuàng)、天識等公司擔任技術顧問，曾在多個在線平臺授課，廣受網友好評，累計學習人數(shù)超過百萬。

公開出版《強化學習》《Python深度學習實踐》《自然語言處理》等11部專著和譯著。在國內外期刊會議發(fā)表論文10余篇，獲得國家發(fā)明專利1項，著書1本，譯書6本。2017年主持科研項目榮獲國土資源科學技術一等獎。

為眾多知名企業(yè)進行過上百場講座和內部培訓，其中包括中國移動、CSDN、中國建設銀行、花旗銀行、中信集團、中航信、烽火科技、京東方、中科曙光、京東、大唐、完美世界等。

我要報名

在線報名：“DeepSeek RAG應用實戰(zhàn)-從知識增強到微調”培訓班(昆明)