開発者向け大規模言語モデル入門
このコースは、アンドリュー・ニンとOpenAIが共同で展開した3コースの大規模言語モデルシリーズの中国語対応版です。プロンプトエンジニアリング、ChatGPT APIを活用したシステム構築、LangChainアプリケーション開発、およびプライベートデータにアクセスするためにLangChainを使用する方法をカバーしています。本コースでは、要約、推論、変換、拡張、チャット機能を持つアプリケーションを構築するための大規模言語モデルの能力を活用する方法について、明確かつ分かりやすく解説します。
コース概要
📚 コンテンツ概要
このコースは、アンドリュー・インとOpenAIが共同開発した3部作の大型言語モデル（LLM）シリーズを中国語版に適応したものであり、プロンプトエンジニアリング、ChatGPT APIに基づくシステム構築、LangChainアプリケーション開発、およびプライベートデータへのアクセスにおけるLangChainの活用についてカバーしています。本コースでは、要約、推論、変換、拡張、チャット機能を備えたアプリケーションを開発するために、大型言語モデルの能力を活用するための深くも理解しやすい導入が提供されます。
プロンプトエンジニアリングとLangChainフレームワークを習得し、大規模モデル時代のAIアプリケーション開発者へと成長しましょう。
🎯 学習目標
- ベース型LLMと指示微調整型LLMの違いを識別する。
- 明確かつ具体的な指示を書くために4つの特定の戦略（デリミタ、構造化出力、条件チェック、少しだけ例提示）を適用する。
- タスクのステップを明示し、独立した問題解決を要求することで、モデルに「考える時間」を与える戦略を実装する。
- 構造化テキスト処理を実装：単一または複数のドキュメントから特定情報を要約・抽出し、出力長や焦点を制御する。
- 自動テキスト分析を実行：感情を分類し、特定の感情を識別し、プロンプトを使用してゼロショットトピック分類を実行する。
- マルチモーダル変換を実行：言語間の翻訳、データ形式の変換（例：JSONからHTML）、文法・スペルのプログラムによる修正を行う。
- ベース型LLMと指示微調整型LLMの違いを識別し、トークナイゼーションがモデルの挙動に与える影響を理解する。
- システム、ユーザー、アシスタントのメッセージロールを使って構造化されたシステムアーキテクチャを実装し、モデルのキャラクターを定義する。
- 分類およびモデレーション技術を適用し、ユーザー入力を安全性和ルーティングのために評価する。
- プロンプトチェーンを実装：複雑なタスクを管理可能なサブタスクに分解し、信頼性を向上させ、コストを削減する。
レッスン 共 8 课时 · 预计 24.0h
レッスン
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.