Introdução aos Modelos de Linguagem para Desenvolvedores
Este curso é uma versão adaptada ao chinês da série de três cursos sobre modelos de linguagem de grande porte lançada em parceria entre Andrew Ng e OpenAI. Ele abrange Engenharia de Prompt, construção de sistemas com a API do ChatGPT, desenvolvimento de aplicações com LangChain e uso do LangChain para acessar dados privados. O curso oferece uma introdução clara e acessível sobre como aproveitar as capacidades dos modelos de linguagem de grande porte para criar aplicações com funcionalidades de resumo, inferência, transformação, expansão e chat.
Visão Geral do Curso
📚 Resumo do Conteúdo
Este curso é uma adaptação chinesa da série de três partes sobre Modelos de Linguagem de Grande Escala (LLM), desenvolvida em parceria por Andrew Ng e OpenAI. Ele aborda Engenharia de Prompt, construção de sistemas com base na API ChatGPT, desenvolvimento de aplicativos com LangChain e uso do LangChain para acessar dados privados. O curso oferece uma introdução aprofundada, mas acessível, ao aproveitamento das capacidades dos LLMs para desenvolver aplicações com funcionalidades de resumo, inferência, transformação, expansão e chat.
Domine a Engenharia de Prompt e o framework LangChain para se tornar um desenvolvedor de aplicações de IA na era dos grandes modelos.
🎯 Objetivos de Aprendizagem
- Distinguir entre LLMs Base e LLMs Treinados com Instruções.
- Aplicar quatro estratégias específicas para escrever instruções claras e precisas (delimitadores, saída estruturada, verificação de condições e prompting com poucos exemplos).
- Implementar estratégias para dar aos modelos "tempo para pensar", especificando etapas de tarefas e exigindo resolução independente de problemas.
- Implementar Processamento de Texto Estruturado: resumir e extrair informações específicas de documentos únicos ou múltiplos, controlando o comprimento e o foco da saída.
- Realizar Análise Automatizada de Texto: classificar sentimentos, identificar emoções específicas e executar classificação de tópicos zero-shot usando prompts.
- Executar Transformações Multimodais: traduzir entre idiomas, converter formatos de dados (por exemplo, JSON para HTML) e corrigir gramática/ortografia programaticamente.
- Distinguir entre LLMs Base e LLMs Treinados com Instruções, compreendendo o impacto da tokenização no comportamento do modelo.
- Implementar arquiteturas de sistema estruturadas usando papéis de mensagens System, User e Assistant para definir personagens do modelo.
- Aplicar técnicas de classificação e moderação para avaliar entradas do usuário quanto à segurança e roteamento.
- Implementar Prompt Chaining: decompor tarefas complexas em sub-tarefas gerenciáveis para melhorar confiabilidade e reduzir custos.
Aulas 共 8 课时 · 预计 24.0h
Aulas
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.