Introducción a los LLMs para desarrolladores
Este curso es una versión adaptada al chino de la serie de tres cursos sobre modelos de lenguaje grande lanzada conjuntamente por Andrew Ng y OpenAI. Cubre la ingeniería de prompts, la creación de sistemas con la API de ChatGPT, el desarrollo de aplicaciones con LangChain y el uso de LangChain para acceder a datos privados. El curso ofrece una introducción clara y accesible sobre cómo aprovechar las capacidades de los modelos de lenguaje grandes para construir aplicaciones con funciones de resumen, inferencia, transformación, expansión y chat.
Descripción del curso
📚 Resumen del Contenido
Este curso es una adaptación china de la serie de tres partes sobre Modelos de Lenguaje Grandes (LLM), desarrollada conjuntamente por Andrew Ng y OpenAI. Cubre ingeniería de prompts, construcción de sistemas basados en la API de ChatGPT, desarrollo de aplicaciones con LangChain y uso de LangChain para acceder a datos privados. El curso ofrece una introducción profunda pero accesible al aprovechamiento de las capacidades de los LLM para desarrollar aplicaciones con funcionalidades de resumen, inferencia, transformación, expansión y chat.
Domina la ingeniería de prompts y el marco LangChain para convertirte en un desarrollador de aplicaciones de IA en la era de los modelos grandes.
🎯 Objetivos de Aprendizaje
- Distinguir entre LLMs base y LLMs ajustados mediante instrucciones.
- Aplicar cuatro tácticas específicas para redactar instrucciones claras y precisas (delimitadores, salida estructurada, comprobaciones condicionales y promp de ejemplo reducido).
- Implementar estrategias para dar a los modelos "tiempo para pensar", especificando pasos de la tarea y requiriendo resolución independiente del problema.
- Implementar procesamiento de texto estructurado: resumir e extraer información específica de documentos únicos o múltiples, controlando la longitud y el enfoque de la salida.
- Realizar análisis automatizado de texto: clasificar sentimientos, identificar emociones específicas y ejecutar clasificación de temas sin ejemplos (zero-shot) usando prompts.
- Ejecutar transformaciones multimodales: traducir entre idiomas, convertir formatos de datos (por ejemplo, JSON a HTML) y corregir gramática/ortografía de forma programática.
- Distinguir entre LLMs base y LLMs ajustados mediante instrucciones, comprendiendo el impacto de la tokenización en el comportamiento del modelo.
- Implementar arquitecturas de sistema estructuradas utilizando roles de mensajes System, User y Assistant para definir personalidades del modelo.
- Aplicar técnicas de clasificación y moderación para evaluar entradas de usuarios en términos de seguridad y enrutamiento.
- Implementar encadenamiento de prompts: descomponer tareas complejas en sub-tareas manejables para mejorar la confiabilidad y reducir costos.
Lecciones 共 8 课时 · 预计 24.0h
Lecciones
Lesson
This lesson introduces the shift from base LLMs to instruction-tuned models, emphasizing the importance of clear, specific prompting and iterative refinement to achieve reliable results. Developers will learn to treat models as literal assistants by using techniques like delimiters, chain-of-thought reasoning, and structured output to improve accuracy and minimize hallucinations.
This lesson introduces the five core prompting primitives—summarizing, inferring, transforming, expanding, and chatbots—that enable developers to build structured AI-driven workflows. You will learn how to manage LLM state, use delimiters for precision, and choose the right techniques to extract data or analyze sentiment effectively.
This lesson explores how LLMs process information through numerical tokens rather than individual characters, explaining why techniques like hyphenation are necessary for tasks requiring granular detail. It also distinguishes between base models, which focus on pattern prediction, and instruction-tuned models, which are optimized through human feedback to act as reliable assistants.
This lesson introduces prompt chaining and task decomposition as superior alternatives to complex, single-prompt workflows. You will learn how to build modular, cost-effective pipelines that improve reliability and debuggability by integrating dynamic data retrieval, safety moderation, and step-by-step logic.
This lesson introduces LangChain as a modular framework for managing LLM interactions, highlighting how abstractions like ChatOpenAI and ChatPromptTemplate help developers overcome the stateless nature of models. You will learn to manage conversation history, configure temperature for deterministic or creative outputs, and use templates to separate logic from content for scalable application development.
This lesson introduces LangChain orchestration, teaching you how to move beyond single prompts by linking components into sequential pipelines and logic-driven router chains. You will learn to build scalable AI applications by mastering modular workflows that connect models, prompts, and external data to handle complex, multi-step tasks.
This lesson explores the Retrieval-Augmented Generation (RAG) pipeline, focusing on how to ingest, split, and vectorize private data to provide LLMs with relevant, up-to-date context. You will learn to use document loaders to standardize various file formats into structured objects and apply effective chunking strategies to ensure semantic meaning is preserved for accurate retrieval.
This lesson explores advanced Retrieval-Augmented Generation (RAG) techniques designed to overcome the limitations of basic semantic search, such as redundancy and context window constraints. You will learn how to implement tools like Maximum Marginal Relevance (MMR), self-querying, and contextual compression to provide the LLM with a more diverse, filtered, and efficient knowledge base.