我要報名

咨詢電話：
手　　機：	郵箱：

課程介紹：

為了企業加速生成式AI技術落地、打造知識增強型業務系統提供實戰路徑，助力破解內部文檔問答、客戶智能服務等場景的效率瓶頸；同時幫助相關人員系統掌握DeepSeek RAG技術棧，從基礎應用到模型微調實現能力進階，快速具備將RAG技術轉化為實際業務價值的核心技能。

據《2025企業AI落地調研報告》顯示，企業存在大模型幻覺導致業務失誤、知識時效性不足、違背規則要求的困境。而RAG（檢索增強生成）技術能夠實時檢索外部知識庫，實現模型定向生成，成為破解困境的核心方案，已在各領域實現規模化應用。在此背景下，DeepSeek模型成為企業落地RAG系統的優選底座。

本課程能夠幫助技術人員系統掌握從知識增強到模型微調的全流程實戰能力，助力企業構建高可靠、高適配的智能應用，實現“RAG+DeepSeek”的高效、準確落地。

課程收益：

1.掌握RAG系統全鏈路設計與開發能力；

2.具備構建復雜知識增強系統的實戰經驗；

3.具備大模型微調與定制化部署能力;

4.掌握低代碼與可視化RAG系統構建方法;

5.獲得從開發到部署的完整項目經驗。

課程對象：

1.技術開發人員：如AI工程師、數據分析師、前后端開發工程師等人員；

2.企業業務相關人員：產品經理、售前人員等需要結合大模型相關技術為業務賦能的人員；

3.高校學生及研究人員：計算機相關專業且Python基礎較好，有機器學習等AI基礎的大學生，以及對大模型技術感興趣，希望在AI算法領域開展研究的人員；

4.技術愛好者：對智能問答系統、RAG技術等感興趣的技術愛好者。

課程大綱：

第一天上午

第一部分: LLM大模型核心原理

1.大模型基礎：理論與技術的演進

2.LLMs大語言模型的概念定義

3.LLMs大語言模型的發展演進

4.LLMs大語言模型的生態體系

5.大語言模型技術發展與演進

6.基于統計機器學習的語言模型

7.基于深度神經網絡的語言模型

8.基于Transformer的大語言模型

9.LLMs大語言模型的關鍵技術

10.LLMs大語言模型的核心框架：商業&開源LLMs大語言模型的行業應用

第二部分:DeepSeek大模型與Prompt提示工程

1.Prompt如何使用和進階

2.什么是提示與提示工程

3.提示工程的巨大威力：從Let’s

think step by step說起

4.拆解、標準化、流程化：如何用AI改造工作

5.使用BROKE框架設計ChatGPT提示

通過案例分析，展示如何使用大模型prompt技術輔助開發

第一天下午

第三部分: DeepSeek大模型API應用開發

1.DeepSeek-V3大模型API

2.DeepSeek-R1推理大模型API

3.DeepSeek模型&價格

4.DeepSeek模型參數Temperature設置

5.DeepSeek模型Token用量計算

6.DeepSeek模型錯誤碼

7.DeepSeek大模型多輪對話

8.DeepSeek大模型對話前綴續寫（Beta）

9.DeepSeek大模型FIM補全（Beta）

10.DeepSeek大模型JSON Output

11.DeepSeek大模型Function Calling

12.DeepSeek大模型上下文硬盤緩存

13.文本內容補全初探（Text Completion）

14.聊天機器人初探（Chat Completion）

15.基于DeepSeek開發智能翻譯助手

案例分析與實戰

第四部分: 大模型應用開發框架 LangChain

1.大模型應用開發框架LangChain

2.LangChain是什么

3.為什么需要LangChain

4.LangChain典型使用場景

5.LangChain基礎概念與模塊化設計

6.LangChain核心模塊入門與實戰

7.LangChain的3個場景

8.LangChain的6大模塊

9.LangChain的開發流程

10.創建基于LangChain聊天機器人

第二天上午

第五部分: 基于DeepSeek和LangChain構建文檔問答系統

1.構建復雜LangChain應用

2.LangChain模型（Models）：從不同的LLM和嵌入模型中進行選擇

3.LangChain提示（Prompts）：管理LLM輸入

4.LangChain鏈（Chains）：將LLM與其他組件相結合

5.LangChain索引（Indexs）：訪問外部數據

6.LangChain記憶（Memory）：記住以前的對話

7.LangChain代理（Agents）：訪問其他工具

8.使用大模型構建文檔問答系統

第六部分: DeepSeek大模型企業RAG應用

1.RAG技術概述

2.加載器和分割器

3.文本嵌入和向量存儲

4.檢索器和多文檔聯合檢索

5.RAG技術的關鍵挑戰

6.檢索增強生成實踐

7.RAG技術文檔預處理過程

8.RAG技術文檔檢索過程

第二天下午

第七部分: 構建基于DeepSeek構建知識圖譜增強

1.Neo4j基礎概念：Node、Property、Relationship

2.使用Cypher查詢語言進行數據建模、插入和查詢。

3.網絡配置文件（config）的基本結構和參數分析

4.基于config指定數據清洗與標準化格式

5.基于本地大模型的結構化分析實現

6.LangChain自動生成并優化Cypher查詢

7.LangServe發布圖譜服務器

第八部分: 融合知識庫與多鏈路召回實現智能檢索

1.何謂多鏈路召回與單路召回的區別

2.多源數據整合：知識庫、知識圖譜與結構化數據庫

3.向量召回與語義檢索的融合策略

4.并行召回與串行召回機制分析

5.LangChain多路召回Pipeline設計

6.基于Embedding相似度的召回融合方法

7.構建多鏈路召回的索引與緩存機制

8.通過LangChain實現多數據源統一檢索

9.實戰案例：企業知識庫+業務數據庫的混合召回

10.多鏈路召回性能優化與準確率提升策略

第三天上午

第九部分: 過濾與二次重排構建高精度智能檢索

1.何謂ReRank與傳統召回的關系

2.檢索前過濾與檢索后重排整體流程

3.LangChain中Retriever與Reranker組件機制

4.基于Embedding相似度與LLM語義打分的雙階段排序

5.Rerank模型（bge-reranker、cross-encoder）介紹

6.LangChain構建二次重排Pipeline的實現路徑

7.結合BM25 +向量檢索+ReRank的混合策略

8.檢索重排性能對比與評估指標設計

9.實戰案例：構建高精度企業知識庫問答系統

10.結合RAG與ReRank的智能知識檢索系統部署與優化

第十部分: LangFlow：構建低代碼RAG知識檢索系統

1.LangFlow平臺簡介：可視化LangChain 的低代碼工具

2.RAG（檢索增強生成）整體架構與核心流程

3.LangFlow 節點介紹：LLM、Retriever、Memory、Tool

4.加載并解析企業文檔數據（PDF/CSV/Markdown）

5.構建向量索引與 Embedding 存儲（FAISS/Chroma）

6.可視化搭建 RAG 流程：從輸入到響應的鏈路設計

7.添加上下文記憶與多輪對話邏輯

8.調試與參數優化：Prompt模板與上下文窗口配置

9.部署LangFlow應用并接入API調用

10.實戰案例：構建企業知識文檔智能問答系統

第三天下午

第十一部分: 數據工程與大模型微調

1.大模型微調基礎原理與常見應用場景

2.微調數據格式解析：ShareGPT與Alpaca格式規范

3.使用EasyData從文檔自動生成 ShareGPT 格式數據集

4.摩搭社區（ModelScope）平臺介紹與模型下載流程

5.LlamaFactory微調框架概覽與環境配置

6.LoRA/QLoRA微調參數設置與模型訓練實戰

7.模型驗證與性能評估：Loss、F1、Perplexity

8.微調模型導出與轉換：從 HuggingFace到Safetensors

9.將微調模型上傳至摩搭平臺并發布推理服務

10.實戰案例：針對企業內部知識問答場景的微調實現

第十二部分: 微調后模型評測、效果對比與可視化評測報告

1.OpenCompass框架原理與安裝配置

2.Benchmark 測試體系介紹：通用任務與垂直任務集

3.微調模型的加載與評測準備（SFT/LoRA模型）

4.通過OpenCompass執行模型評測流程（命令行+配置文件）

5.常用評測指標講解：BERTScore、BLEU、ROUGE、困惑度（Perplexity）

6.不同類型任務的評價策略：生成類vs分類類

7.微調前后模型性能對比與結果分析

8.結果可視化與報告生成（Precision/ Recall/F1對比）

9.實戰演示：評測DeepSeek微調版與原版輸出效果

10.基于評測結果優化微調與業務落地建議

劉老師

劉老師 | 國內頂尖AI專家、大數據技術專家

西安郵電大學計算機科學與技術專業。擁有著20多年軟件研發與企業培訓經驗，對Java、Python、區塊鏈等技術領域有獨特的研究，精通機器學習、深度學習、大模型技術。他的專業素養和教學能力備受學員贊譽，是眾多技術愛好者心中的楷模。

AI深度學習方法：Scikit-Learn，Tensorflow、Keras、DNN、CNN、RNN、Yolo、OpenCV熟悉主流機器學習算法、各種神經網絡結構和圖形圖像識別技術。

LLM大模型方向：DeekSeek、ChatGLM、ChatGPT4、Llama3、Agent、React、Ollama、Dify、Llamafactory微調、DeepSpeek分布式訓練、MindFormers生態、MoE混合專家模型。能根據客戶的需求實現定制化的模型私有化部署、微調、對齊、量化。并對LangChain、LlamaIndex、Dify等大模型框架有源碼級的理解。

鄒老師 | 某工業大學人工智能研究院院長

博士學歷，畢業于中國地質科學院，兼任天津大學創業導師、山東交通學院客座教授、碩士生導師。主持研發50多個人工智能領域工業級項目，廣泛應用于能源、醫療、交通、氣象、銀行等多個領域。

碩博期間主持研發大型行業建模軟件，代碼量100萬行（從底層開發是考慮后期維護和產權）。創立的睿客邦與國內十多所高校建立了AI聯合實驗室或實訓基地廣泛應用于醫療、交通、農業、氣象、銀行、電信等多個領域。成立中國科學院鄒博人工智能研究中心，在翔創、天識等公司擔任技術顧問，曾在多個在線平臺授課，廣受網友好評，累計學習人數超過百萬。

公開出版《強化學習》《Python深度學習實踐》《自然語言處理》等11部專著和譯著。在國內外期刊會議發表論文10余篇，獲得國家發明專利1項，著書1本，譯書6本。2017年主持科研項目榮獲國土資源科學技術一等獎。

為眾多知名企業進行過上百場講座和內部培訓，其中包括中國移動、CSDN、中國建設銀行、花旗銀行、中信集團、中航信、烽火科技、京東方、中科曙光、京東、大唐、完美世界等。

我要報名

在線報名：“DeepSeek RAG應用實戰-從知識增強到微調”培訓班(廣州)