Introduction aux Modèles de Langage à Grande Échelle pour Développeurs
Ce cours est une version adaptée au chinois de la série de trois cours sur les modèles de langage à grande échelle lancée conjointement par Andrew Ng et OpenAI. Il couvre l'ingénierie de prompts, la construction de systèmes avec l'API ChatGPT, le développement d'applications LangChain et l'utilisation de LangChain pour accéder aux données privées. Le cours offre une introduction claire et accessible sur la manière d'utiliser les capacités des grands modèles de langage pour développer des applications dotées de fonctions de synthèse, d'inférence, de transformation, d'expansion et de chat.
Aperçu du cours
📚 Résumé du contenu
Ce cours est une adaptation chinoise de la série en trois parties sur les grands modèles linguistiques (LLM), co-développée par Andrew Ng et OpenAI. Il couvre l'ingénierie des prompts, la construction de systèmes à partir de l'API ChatGPT, le développement d'applications avec LangChain, et l'utilisation de LangChain pour accéder aux données privées. Le cours offre une introduction approfondie mais accessible à l'exploitation des capacités des LLM pour développer des applications intégrant des fonctionnalités de résumé, d'inférence, de transformation, d'expansion et de conversation.
Maîtrisez l'ingénierie des prompts et le cadre LangChain pour devenir un développeur d'applications IA à l'ère des grands modèles.
🎯 Objectifs d'apprentissage
- Différencier les LLM de base des LLM ajustés aux instructions.
- Appliquer quatre tactiques spécifiques pour formuler des instructions claires et précises (délimiteurs, sortie structurée, vérifications conditionnelles et apprentissage par exemple).
- Mettre en œuvre des stratégies permettant aux modèles de « prendre le temps de réfléchir » en précisant les étapes de la tâche et en exigeant une résolution indépendante des problèmes.
- Implémenter le traitement textuel structuré : résumer et extraire des informations spécifiques à partir d’un ou plusieurs documents tout en contrôlant la longueur et le focus de la sortie.
- Effectuer une analyse automatisée du texte : catégoriser le sentiment, identifier des émotions spécifiques, et réaliser une classification de sujet sans exemple (zero-shot) à l’aide de prompts.
- Exécuter des transformations multimodales : traduire entre langues, convertir des formats de données (ex. JSON vers HTML), et corriger automatiquement la grammaire ou l’orthographe.
- Différencier les LLM de base des LLM ajustés aux instructions tout en comprenant l’impact de la tokenisation sur le comportement du modèle.
- Mettre en œuvre des architectures système structurées en utilisant les rôles System, User et Assistant pour définir des personnalités de modèle.
- Appliquer des techniques de classification et de modération pour évaluer les entrées utilisateur en matière de sécurité et de routage.
- Mettre en œuvre le chaînage de prompts : décomposer des tâches complexes en sous-tâches gérables afin d’améliorer la fiabilité et de réduire les coûts.
Leçons 共 8 课时 · 预计 24.0h
Leçons
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.