一、研修时间：2025年5月22-24日   （21日报到）

二、研修地点：上海（具体地址课前一周另发报到通知）

三、主办单位：

北京中际赛威文化发展有限公司

北京中际孚歌科技有限公司

四、研修内容：

第一篇   预备知识：自注意力Self-Attention和Transformer模型

1.编码器、解码器

2.自注意力机制详解

3.Transformer

4.Mask Multi-Head Attention

5.位置编码

6.特定于任务的输入转换

7.无监督预训练、有监督Fine-tuning

8.BERT思路的理解

9.GPT基本思想

代码和案例实践：

1.基本问答系统的代码实现

2.深入阅读理解的代码实现

3.段落相关性代码实现

4.高考作文神器

5.作文生成

第二篇：DeepSeek助力职场效率提升

第一节：AI大模型概述和赋能企业

1.AI人工智能发展简史   

2.大模型技术发展与应用   

3.大模型基本原理   

4.DeepSeek的独特优势   

5.大模型如何赋能企业

6.大模型驱动业务创新

7.制造业的数字化进展

8.制造业为什么需要大模型

9.制造业企业应用大模型的方法

10.企业应用大模型的8种情形

11.垂直制造领域大模型的构建方法   

12.企业应用大模型的实施策略   

13.成功案例与实战演练   

14.AI未来趋势与挑战

第二节：DeepSeek大模型入门

1.DeepSeek平台简介

2.DeepSeek为什么这么火？有什么核心技术

3.DeepSeek 核心功能与基础操作

4.DeepSeek推理大模型R1和普通大模型V3

5.DeepSeek大模型和国内外大模型对比

6.DeepSeek R1定位、适用场景与核心优势

7.什么场景适合使用DeepSeek R1推理大模型

8.DeepSeek推理大模型的提问技巧

9.编写指令的3个原则

10.挖掘指令的3个方法

11.编写指令的7种技巧

12.优化答案的6种模板

第三节：DeepSeek在Excel应用和AI辅助数据分析

1.DeepSeek在Excel中的应用

2.DeepSeek在数据分析实战演练

3.DeepSeek在Excel问题解决、思路构建等方面的应用方法

4.DeepSeek提升Excel函数学习和应用效率

5.DeepSeek生成Excel函数的用法

6.使用DeepSeek大模型辅助准备数据

7.使用DeepSeek大模型辅助数据分析

8.通过AI的启发和协助,培养数据处理与分析的创新思维能力

第四节：零基础开发AI Agent 智能体

1.零基础开发AI Agent 智能体

2.AI智能体的创建及工作流程

3.AI智能体个性化服务工作原理

4.为什么要学习AI Agent

5.初步认识Agent

6.Agent的概念与发展

7.Agent是高层级的AI技术应用

8.Agent的特点与能力

9.Agent开发平台的演进

10.在敏感信息的诱导下，智能体如何进行判断和过滤

11.智能体如何做规划

12.自有数据和互联网数据有差别时，智能体的选择策略

13.智能体对插件库中的插件选择判定

14.让智能体严格按照指令给出的回复规范进行回答

15.通过交互入口调用不同的智能体

16.基于字节扣子code平台开发Agent

17.基于百度，智谱等其他平台开发Agent

18.开发Agent的流程与策略

19.智能体调用自定义的工具函数

20.在多智能体系统中，搭建跨智能体的外部记忆库

21.智能体实现情感识别和反馈

22.Agent开发的功能模块详解—插件、工作流、图像流

23.Agent开发的功能模块详解—知识库、记忆与对话体验

24.实战篇：5大场景、11个Agent案例

第五节：构建基于DeepSeek专属RAG知识库

1.使用RAG框架， 什么是RAG

2.向量数据库和相似性检索

3.知识库投喂

4.RAG技术中有效的数据清洗

5.知识投喂技巧

6.知识库使用

7.知识库权限管理

8.构建个人知识库

9.构建企业知识库平台

10.RAG技术应用落地中的难点及其解决方案

第六节: 私有化部署DeepSeek多版本大模型

1.DeepSeek云端部署

2.DeepSeek和国内云平台

3.DeepSeek和基于国产信创平台部署

4.DeepSeek多模型的选择和私有化部署方案

5.利用工具私有化部署DeepSeek 大模型

6.本地运行llm的方案，包括加速/减少内存使/提高响应速度

7.一键部署DeepSeek 个人本地大模型（对本地笔记本有硬件要求）

8.DeepSeek蒸馏技术概念

9.DeepSeek微调概念

10.LLM在小设备上的实施策略

11.DeepSeek 私有化部署总结和对比

第七节：DeepSeek 在 PPT 制作中的应用

1.DeepSeek引领PPT设计新思维

2.DeepSeek对目标受众进行人群分析和情感调查

3.DeepSeek提供新颖的PPT设计思路和主题

4.利用DeepSeek 生成 PPT 大纲，明确演示逻辑

5.DeepSeek让PPT更有条理

6.与DeepSeek对话，获取讲故事和写作技巧

7.使用DeepSeek撰写引人入胜的开头和结尾部分

8.根据大纲，使用DeepSeek 获取相关图片、案例等素材

9.运用DeepSeek 进行页面布局设计建议，提升视觉效果

10.利用DeepSeek 检查 PPT 内容的逻辑性与一致性

11.不同岗位PPT 应用场景

第八节：AI制作图片设计

1.文生图方法

2.图生图方法

3.提示词精要

4.多种风格案例实操

5.AI抠图、艺术字、证件照、logo

6.AI辅助设计

7.AI做海报、banner、详情图、做场景广告图

第九节：AI生成视频

1.AI生成视频大纲

2.AI生成剧本

3.AI生成字幕

4.AI生成配乐

5.AI一键成片

6.AI半无人直播

7.AI语音直播

8.AI数字人直播

第十节：知识库和Agent部署等实操案例分析

1.带学员一起配置知识库

2.带学员一起配置Agent

3.带学员一起部署本地DeepSeek

4.分析总结

第三篇：基于DeepSeek的Agent应用开发

第一节：大模型驱动的Agent智能体概述

1.智能体的定义与特点

2.智能体与传统软件的关系

3.智能体与LLM的关系

4.从ChatGPT到智能体

5.智能体的五种能力

6.记忆，规划，工具，自主决策，推理

7.多智能体协作

8.企业级智能体应用与任务规划

9.智能体开发

第二节：基于大模型的Agent技术框架

1.Agent的四大要素

2.Agent的规划和决策能力

3.Agent的各种记忆机制

4.Agent的核心技能：调用工具

5.Agent的推理引擎：ReAct框架

6.何谓ReAct

7.用ReAct框架实现简单Agent

8.基于ReAct框架的提示

9.构建ReAct Agent

第三节：基于LangChain构建智能体何谓LangChain

1.LangChain中的六大模块

2.LangChain和Agent开发

3.LangChain构建智能体的类型

4.LangChain构建工具

5.何谓LlamaIndex

6.说说LlamaIndex

7.LlamaIndex和基于RAG的AI开发

8.简单的LlamaIndex开发示例   

第四节：推理与行动的协同：通过LangChain的ReAct框架实现

1.复习ReAct框架

2.LangChain中ReAct Agent 的实现

3.LangChain中的工具和工具包

4.create_react_agent创建鲜花定价Agent

5.深挖AgentExecutor的运行机制

6.在AgentExecutor中设置断点

7.思考：模型决定搜索

8.行动：工具执行搜索

9.思考：模型决定计算

10.行动：工具执行计算

11.思考：模型完成任务   

第五节：计划和执行的解耦：通过LangChai的Plan-and-Execute实现

1.LangChain中的Plan-and-Execute Agent

2.通过Plan-and-Execute Agent实现物流管理

3.为Agent定义一系列进行自动库存调度的工具

4.创建Plan-and-Execute Agent并尝试一个“不可能完成的任务”

5.完善请求，让Agent完成任务

6.从单Agent到多Agent

第六节：RAG技术概述

1.RAG技术概述

2.加载器和分割器

3.文本嵌入和向量存储

4.如何生成和存储Embedding

5.检索器和多文档联合检索

6.RAG技术的关键挑战

7.检索增强生成实践

8.RAG技术文档预处理过程

9.RAG技术文档检索过程

第七节：RAG的工作流程RAG的工作流程

1.数据准备

2.数据召回

3.答案生成

4.RAG的优缺点

5.RAG的优点

6.RAG的缺点

7.RAG的使用场景

8.RAG面临的挑战

第八节：基于LangChain构建RAG文档问答系统构建复杂应⽤

1.LangChain模型(Models)：从不同的 LLM 和嵌入模型中进行选择

2.LangChain提示(Prompts)：管理 LLM 输入

3.LangChain链(Chains)：将 LLM 与其他组件相结合

4.LangChain索引(Indexs)：访问外部数据

5.LangChain记忆(Memory)：记住以前的对话

6.LangChain代理(Agents)：访问其他工具

7.使⽤大模型构建RAG文档问答系统

第九节：评估RAG应用

1.为什么RAG应用需要评估

2.RAG应用的评估依据与指标

3.RAG应用的评估流程与方法

4.评估检索质量

5.生成检索评估数据集

6.运行评估检索过程的程序

7.评估响应质量

8.生成响应评估数据集

9.单次响应评估

10.批量响应评估

11.基于自定义标准的评估

12.RAG评估案例

第十节：多Agent最佳实践

1.智能体和多智能体multi-agent systems

2.监督者：每个Agent与一个监督者Agent通信

3.自定义多Agent工作流：每个Agent只与其他Agent通信

4.Multi-Agent多角色协作

5.SOP拆解

6.角色扮演

7.反馈迭代

8.监督控制

9.workflow automation

10.企业工程化最佳实践

第十一节：基于多模态构建Agent

1.多模态技术原理讲解

2.常用的多模态模型介绍、原理解析

3.多模态典型应用场景举例，以及技术实现

4.多模态技术实战

5.多模态需求输入：图像、语音、文本

6.语音输入集成模块

7.图像输入集成模块

8.核心需求理解与多轮输入整合模块

9.语音输入处理

10.利用多模态技术实现多模态智能聊天对话

11.基于多模态大模型的Agent开发

第十二节：基于字节Coze构建Agent：零基础开发对话机器人

1.功能概述

2.基础能力

3.插件

4.工作流

5.记忆库

6.查询天气机器人的最终效果

7.创建你的第一个机器人

8.用自然语言优化输出结果

9.用工作流优化输出结果

10.基于字节Coze构建开发软件开发智能体

11.构建研发工程师agent案例

第十三节：基于百度AgentBuilder构建智能体

1.百度文心一言大模型

2.百度千帆大模型

3.百度开发Agent智能体

4.AgentBuilder

5.AppBuilder

6.ModelBuilder

7.开发AI原生应用

8.基于百度软件开发智能体

9.构建研发工程师agent案例

第十四节：企业专属领域的智能客服Agent

1.打造专属领域的客服聊天机器人

2.客服聊天机器人概述

3.客服聊天机器人价值简介

4.客服聊天机器人研发工具

5.AI课程客服聊天机器人总体架构

6.前端功能设计

7.后端功能设计

8.AI课程客服聊天机器人应用实例

第十五节：智能体的最新发展

1.OpenAI 最新 Agent 开发框架-Swarm

2.Swarm 框架核心设计

3.基于Swarm构建智能客服系统

4.Agent 企业需求背景分析

5.Agent 架构落地资源评估

6.多模态智能体

第四篇：大模型本地部署训练和应用实践

第一节：主流大模型应用介绍和模型间的商业集成

1.典型大模型比较

◆GPT-4（OpenAI）

◆Claude（Anthropic）

◆Gemini（Google）

◆Llama（Meta）

◆QWen（阿里）

◆Coze（字节跳动）

◆DeepSeek（深度求索-幻方量化）

2.大模型整体技术阐述：主流技术、小众技术有哪些

3.基于Transformer架构和支持复杂上下文理解

4.大模型的量化压缩

5.GPT4的多模态能力（文本、图像输入）、逻辑推理、长文本生成。

6.GPT4应用场景建议：对话系统、内容创作、数据分析、教育

7.DeepSeek的数学、中文问答、CoT、代码生成等方向的sota做法，长上下文优化

8.DeepSeek的MoE架构，在R1、V3两个不同模型上的对比技术亮点

9.DeepSeek应用场景建议：一般性问答、金融数据分析、科研计算、教育解题

10.DeepSeek与火山Coze的商用集成方案

第二节：技术对比和主流开源大模型选型

1、模型选择

1.1 Deepseek-R1 (7B/67B)：中文领域表现SOTA，支持长上下文推理

1.2 Llama-3 (8B/70B)：Meta最新开源模型，多语言通用底座

1.3 Mistral-8x7B：MoE架构标杆，推理效率提升3倍

1.4 Qwen-72B：阿里千问开源版，金融法律领域微调能力强

2、基础环境搭建实操

2.1 硬件要求：至少24GB显存（如RTX 3090/A10） + 64GB内存

2.2 软件依赖：

◆CUDA 12.1 + cuDNN 8.9

◆PyTorch 2.2 + Transformers 4.38

◆FlashAttention-2加速库

◆关键配置：LD_LIBRARY_PATH添加cuda路径，设置PYTORCH_CUDA_ALLOC_CONF防止显存碎片

第三节：本地大模型私有化部署

1、Deepseek-R1部署流程

1.1 模型获取：

◆通过HuggingFace官方仓库申请权限

◆下载deepseek-r1-7b-base的safetensors格式权重

1.2 推理服务启动

◆关键参数trust_remote_code、max_model_len等的讲解

◆解释器多种启动服务方式对比

1.3 服务验证

◆代码调用

◆服务API的参数设置

2、Llama-3-8B快速部署

2.1 量化加速

◆FP8的特点

◆对比Deepseek原论文中量化章节的解读

2.2 REST API调用：

◆深度学习系统部署的常用方式

◆针对AI算法的部署框架

第四节：大模型行业数据的微调和模型训练

1、Deepseek-R1金融领域微调

1.1 数据准备：

◆格式：JSONL文件，每条含instruction/input/output

◆数据源：财报、券商研报、金融问答对、运营商问答对、意图识别数据

◆关键处理：使用SentencePiece重组专业术语tokenization

1.2 QLoRA训练配置

◆微调在大模型中的常用方法

◆多种LoRA方式的对别

1.3 启动训练

◆显存优化

◆GPU并行

2.探讨适合微调的场景

◆阐述项目中RAG模式和LoRA模式的选择

◆智能体自行更新数据库

◆LangChain, LangSmith, LangGraph的区别与使用

◆如何使智能体使用本地Huggingface模型并自行微调

第五节：大模型的蒸馏

1.大模型蒸馏需掌握的核心内容

2.模型蒸馏的知识迁移

3.参数量压缩、计算效率提升

4.教师-学生架构‌

5.BERT/GPT到MobileNet的蒸馏

6.软标签与硬标签‌的选择

7.损失函数设计‌、温度参数

8.知识蒸馏和特征蒸馏的区别

9.硬蒸馏与软蒸馏‌的区别

10.超参数学习率、温度参数、损失权重等调优‌

11.思考移动端部署或边缘计算的环境场景

12.DistilBERT、TinyBERT等预蒸馏模型

13.Deepseek中教师模型的产生机制

14.Deepseek使用的蒸馏技术总结

第六节：基于DeepSeek私有化代码编程

1.本地化模型部署

2.模型获取与安装

3.DeepSeek获取私有化模型安装包，模型文件（权重+配置文件）

4.硬件选型：GPU算力、内存、存储，并安装依赖环境CUDA、Docker、Python库

5.服务器内网环境管理和必要的设置

6.开发工具本地化集成、IDE插件适配

7.Cursor、CodeGPT等工具配置，模型调用指向DeepSeek API，禁用云端服务

8.搭建本地模型服务（RESTful API或gRPC）

9.离线依赖管理：搭建私有仓库

10.禁用外部数据传输，关闭开发工具自动更新、云同步功能

11.对模型文件、代码库进行加密存储，记录所有模型调用日志

12.记录用户操作（如模型调用、代码提交）

13.确定DeepSeek的离线更新流程，及时模型补丁

第七节：自定义知识问答

1、研报文档自动生成系统

架构设计：

1.1 数据层：Wind API实时获取宏观指标 + PDF解析模块

1.2 推理层：

◆Deepseek-R1作为生成核心

◆Mistral-8x7B进行事实核查

1.3 评估层：

◆Rouge-L评估内容一致性

◆FinBERT检测财务数据矛盾

以部署拓扑理清整体脉络

常规分析、复杂计算、数据采集、向量数据库、路由决策、Deepseek-R1/Mistral-8x7B、合规审查、PDF输出

2、业务领域的对话系统（根据具体需要选择智能投顾、套餐产品等）

关键技术点：

2.1 RAG增强：

◆使用LlamaIndex构建行业知识图谱

◆FAISS向量库实现百万级文档秒级检索

2.2 记忆管理：

◆缓存最近轮次的对话摘要

◆采用CoT（Chain-of-Thought）提示工程技术

2.3 风控拦截：

◆关键词过滤（如“保证收益”、“100%”等违规表述）

◆置信度阈值设定（softmax概率<0.7时触发人工接管）

第八节：上线前的大模型系统优化

1、性能加速方案

1.1 量化压缩：

◆GPTQ 4bit量化使模型体积减少70%

◆采用DeepseekV3提出的MTP技术实现tokens

1.2 缓存策略：

◆KV Cache分块存储，降低重复计算

◆高频问题回答预生成

2、监控体系建设

2.1 业务指标：

◆平均响应时间<2.5s

◆意图识别准确率>92%

2.2 模型指标：

◆PPL（困惑度）波动监控

◆Attention熵值异常检测

2.3 硬件监控：

◆GPU利用率>85%时自动扩容

◆显存泄漏预警机制

五、培训费用及注意事宜：

1.培训费：4600元/人(含培训费、22、23、24日三天午餐及资料费、证书费等)。

2.培训会务工作由北京中际赛威文化发展有限公司组织，并为学员出具正式发票。

3.住宿安排：培训期间住宿可由会务代为预定，费用自理。

六、主讲专家：

邹博士，某大学人工智能研究院院长，工程学术带头人、山东交通学院客座教授、南昌航空大学硕士生导师、中国软件行业协会专家委员、上海市计划生育科学研究所特聘专家、天津大学创业导师、中华中医药学会会员、中国医药教育协会老年运动与健康分会学术委员；领导睿客邦与全国二十多所高校、国企建立了AI联合实验室，完成50多个深度学习实践项目，广泛应用于医疗、交通、农业、气象、银行、电信等多个领域。

七、证书颁发：培训结束后由主办单位向参会学员颁发结业证书。

八、课程咨询：010-64113137