Введение в большие языковые модели для разработчиков
Этот курс представляет собой адаптированную версию на китайском языке трехкурсовой серии по большим языковым моделям, совместно запущенной Эндрю Нг и OpenAI. В курсе рассматриваются техники создания подсказок (Prompt Engineering), создание систем с использованием API ChatGPT, разработка приложений с помощью LangChain и использование LangChain для доступа к приватным данным. Курс предлагает четкое и понятное введение в то, как использовать возможности больших языковых моделей для создания приложений с функциями резюмирования, вывода, преобразования, расширения и чата.
Обзор курса
📚 Краткое содержание
Этот курс является китайской адаптацией трехчастной серии по крупным моделям языка (LLM), разработанной совместно Эндрю Нг и OpenAI. Он охватывает технику создания подсказок (Prompt Engineering), создание систем на основе API ChatGPT, разработку приложений с использованием LangChain и применение LangChain для доступа к частным данным. Курс предоставляет глубокое, но доступное введение в использование возможностей крупных моделей языка для создания приложений с функциями резюмирования, вывода, преобразования, расширения и чат-функций.
Освойте технику создания подсказок и фреймворк LangChain, чтобы стать разработчиком приложений ИИ в эпоху крупных моделей.
🎯 Цели обучения
- Различать базовые модели языка (Base LLMs) и модели, дообученные под инструкции (Instruction Tuned LLMs).
- Применять четыре конкретные стратегии для написания четких и точных инструкций (ограничители, структурированный вывод, проверка условий и примеры с небольшим числом случаев — few-shot prompting).
- Реализовывать стратегии, позволяющие модели «подумать»: определять шаги задачи и требовать независимого решения проблемы.
- Осуществлять структурированную обработку текста: резюмировать и извлекать конкретную информацию из одного или нескольких документов при контроле длины и фокуса вывода.
- Выполнять автоматический анализ текста: классифицировать настроение, выявлять конкретные эмоции и проводить нулевую классификацию тем с помощью подсказок.
- Выполнять мультимодальные преобразования: переводить между языками, преобразовывать форматы данных (например, JSON в HTML) и программно исправлять грамматику и орфографию.
- Различать базовые модели языка (Base LLMs) и модели, дообученные под инструкции (Instruction-Tuned LLMs), а также понимать влияние токенизации на поведение модели.
- Реализовывать структурированные архитектуры систем с использованием ролей сообщений: система (System), пользователь (User) и ассистент (Assistant) для определения личности модели.
- Применять методы классификации и модерации для оценки входных данных пользователя с точки зрения безопасности и маршрутизации.
- Реализовывать цепочки подсказок (Prompt Chaining): разбивать сложные задачи на управляемые подзадачи для повышения надежности и снижения затрат.
Уроки 共 8 课时 · 预计 24.0h
Уроки
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.