大模型开发入门?入门试学班阶段一

课时：8 天?技术点：60 项?测验：1 次?学习方式：线下面授

学习目标

01 掌握搭建聊天机器人的步骤

02 掌握搭建聊天机器人必备语言和工具

03 掌握大模型必备 Python 语言的基本语法

04 掌握分支结构的用法

05 掌握循环结构的用法

06 掌握容器类型相关的概述

07 掌握字符串的相关操作

08 掌握容器类型的遍历

09 掌握列表?字典的相关操作

10 掌握函数的各种参数

11 掌握函数的引用相关

12 独立完成函数的编写和使用

13 掌握文件的相关操作

14 掌握异常的处理方式

15 熟悉 Streamlit 框架搭建页面

主讲内容

1. AI 大模型入门与应用?零基础入门 AI 大模型开发的开始，包含了以下技术点：

01_AI 大模型项目介绍和环境搭建：AI 大模型搭建聊天机器人需求分析；AI 大模型搭建聊天机器人步骤和流程；AI 大模型搭建聊天机器人必备语言和工具项目环境搭建

02_AI 大模型入门与应用：通用 AI 大模型和垂直领域大模型应用实操，包括 AI 赋能办公、运营、文生图多模态等多种应用场景，帮助学生熟悉 AI 大模型行业落地场景，为后续开发提供支持

2. 大模型必备 Python 基础语法?掌握大模型必备 Python 基础语法，包含了以下技术点：

01_学习大模型必备 Python 语言

02_Python 解释器和 Pycharm 开发工具安装

03_注释和定义变量

04_标识符和关键字以及命名规范

05_输入和输出函数

06_算数运算，比较运算，逻辑运算，赋值运算

3. 大模型必备 Python 控制语句?掌握大模型必备 Python 控制语句，包含了以下技术点：

01_分支语句 if elif else

02_循环结构 while for

03_跳转语句 break 和 continue

4. 大模型必备 Python 容器?掌握大模型必备 Python 容器，包含了以下技术点：

01_循环嵌套?99 乘法表

02_循环案例?猜数字游戏

03_不同容器的介绍和定义

04_索引操作

05_切片操作

06_字符串的常见功能

07_容器的遍历

08_列表详解

08_元组详解

10_字典容器的使用

11_容器类型嵌套案例?随机分配办公室

12_容器类型?公共的运算符和方法

5. 大模型必备 Python 函数?掌握大模型必备 Python 函数，包含了以下技术点：

01_函数入门

02_函数的参数和返回值

03_变量作用域

04_函数的多种参数

05_拆包和变量交换

06_引用和匿名函数

07_递归实操【综合案例】斐波那契数列

6. 大模型必备 Python 文件和异常处理?掌握大模型必备 Python 文件和异常处理，包含了以下技术点：

01_文件的读写入门

02_中文乱码和路径问题

03_文件复制

04_os 模块

05_with?open 语法

06_异常处理方式

07_导入包和模块

7. 基于 Streamlit+LangChain 搭建智能聊天机器人?掌握 Python 调用大模型 API 的能力，包含了以下技术点：

01_Streamlit 框架

02_LangChain 框架组成和开发流程

03_通义百炼大模型平台

04_通义大模型 API 调用

大模型语言进阶?高手班阶段一

课时：8 天?技术点：80 项?测验：1 次?学习方式：线下面授

学习目标

01 掌握面向对象编程思想

02 独立运用面向对象思想完成指定需求

03 掌握深拷贝和浅拷贝代码代理原理

04 独立完成面向对象版?学生管理系统

05 掌握闭包，装饰器的用法

06 独立完成网络案例代码实现

07 掌握多进程，多线程相关代码实现

08 掌握上下文管理器对象的使用

09 掌握生成器，迭代器的用法

10 理解正则表达式的相关运用

11 掌握 MySQL 基本操作

12 掌握 Pandas 基本操作

主讲内容

1. Python 面向对象进阶

从逐步建立起面向对象编程思想，再到会使用对象，到创建对象，再到真正理解为什么封装对象。包含了以下技术点：

01_面向对象入门：面向对象和面向过程；类和对象的区别；定义类和属性；定义方法和魔法方法；面向对象?案例；【实战案例】面向对象综合实战案例

02_面向对象进阶：继承的使用；私有权限；类属性和对象属性；类方法和静态方法；面向对象版?学生管理系统；【实战作业】面向对象版?学生管理系统（采取部分实战）

2. Python 高阶语法

主要学习 Python 高阶语法，包含了以下技术点：

01_闭包 + 装饰器：深拷贝，浅拷贝详解；闭包详解；装饰器详解；【实战案例】装饰器实战案例｜网编 + 多进程入门：网编相关概述介绍；网编案例?客户端发送文件到服务器端；并行和并发详解；多进程?代码实现；【实战案例】网编案例?客户端和服务器端交互

02_多线程详解：多线程代码实现；守护线程详解；互斥锁详解；线程同步详解；上下文管理器详解

03_Json 数据文件读取和处理；【实战案例】Json 数据文件读取和处理

04_生成器，正则详解：生成器详解；迭代器详解；正则表达式详解；【实战案例】正则表达式文本匹配综合案例

3. MySQL

主要学习 MySQL 数据库的核心知识，包含了以下技术点：

01_数据库介绍、MySQL 数据库的安装使用；数据库基本操作；数据库概念和作用；MySQL 数据类型；数据完整性和约束

02_数据表操作：数据库；表操作命令；表数据操作命令

03_基本查询操作：where 子句；分组聚合；连接查询；外键的使用；PyMySQL

4. Pandas

主要学习 Pandas 核心知识，包含以下技术点：

01_Numpy：Numpy 基础概念与操作；运算优势；数组的属性；数组的形状；Numpy 实现数组基本操作

02_Pandas 的 DataFrame、数据清洗、数据读取；Pandas 统计分析；Pandas 数据整理；Pandas 透视表；Pandas 可视化

提示词工程?高手班阶段二

课时：2 天?技术点：20 项?测验：1 次?学习方式：线下面授

学习目标

01 能够理解和应用提示词工程原理

02 掌握优化技巧并完成金融业务场景的实际问题解决

基于 Zero?shot 零样本学习能力，通过 DeepSeek/QWen/ChatGLM 模型对金融领域数据进行分类、信息抽取、文本匹配，更好的解决业务问题。

主讲解决方案

01_提示词撰写解决方案｜02_文本分类提示词解决方案｜03_信息抽取提示词解决方案｜04_文本匹配提示词解决方案

主讲知识点

什么是 Prompt Engineering

Prompt Engineering 的原理以及实际应用的优化技巧

如何利用 Prompt Engineering 完成实际金融业务

智能体开发（Coze+Dify）?高手班阶段三

课时：1 天?技术点：20 项?测验：1 次?学习方式：线下面授

学习目标

01 能够掌握 Coze 平台的使用

02 掌握快速从 0 到 1 构建多样化智能体工作流与应用程序

03 掌握 Coze 智能体开发范式

04 能够掌握 Dify 平台的集成开发与私有化部署

主讲内容

1. 智能体开发（Coze）

主要学习 Coze 核心操作，包含了以下技术点：

01_智能体介绍｜02_Coze 智能体开发｜03_Coze 本地化部署

2.【案例】Coze 搭建智能体

基于 Coze 搭建智能体，快速从 0 到 1 搭建工作流和应用程序，包含了以下技术点：

01_案例：智能问答助手｜02_案例：旅游规划小精灵｜03_案例：智能助教｜04_案例：智能面试官｜05_案例：口语练习专家 案例讲 2 练 3

3.【项目】基于 Coze 的技术面试助手

基于 Coze 工作流，为黑马程序员 AI 学科学生临近毕业时面试相关的问题进行提效。结合 LLM、ASR、TTS、RAG 等技术，为面试中常见的效率痛点赋能，代替部分人工，缓解教师压力，包含了以下技术点：

01_简历修改：基于 OCR 插件、prompt、数据库查询，实现简历中各类常见问题的召回和修改建议。以及进阶功能：违禁词过滤、业务背景重复率统计等。辅助学生编写更好的简历

02_面试录音分析：基于多模态大模型实现 ASR，基于 prompt 实现面试官、应试者角色划分，最终实现文字提取、摘要以及建议，提高面试录音分析的效率

03_面试题生成：基于黑马面试宝典使用 RAG 技术结合学生的简历，结合简历上的技能点、业务背景、毕业时间、专业等信息，生成个性化的面试题题库

04_模拟面试：基于简历和面试题生成流水线等功能，基于老师音色克隆面试官音色，结合 ASR 模型、TTS 模型等技术，实现实时语音面试

4. 智能体开发（Dify）

主要学习 Dify 核心操作，包含了以下技术点：

01_Docker 安装与部署｜02_Dify 安装与使用｜03_基于 Dify 搭建本地知识库

5.【项目】基于 Dify 实现 Agent 开发应用

项目基于 Ollama 私有化部署 DeepSeek R1：8b 模型；基于 Docker 结合 Dify 大模型应用开发平台构建可视化聊天界面，包含了以下技术点：

01_大模型私有化部署：Ollama、DeepSeek/QWen｜02_聊天机器人搭建：基于 Dify 搭建可视化聊天机器人｜03_RAG 构建：基于 Dify 搭建本地知识库｜04_Agent 智能体构建：基于 Dify 搭建 Agent 智能体

6. 智能体平台开发实战

【实战】多业务场景项目实战，包含了以下技术点：

01_多业务场景项目实战

智能体开发（Coze+Dify）项目?高手班阶段四

课时：3 天?学习方式：线下面授

项目简介

技术点 80 项?测验：0 次

基于 Coze 工作流平台，结合 LLM、ASR、TTS、RAG 等技术，为黑马程序员 AI 学科学生构建面试全流程智能辅助系统，实现简历修改、面试录音分析、个性化面试题生成和实时语音模拟面试等功能。

学习目标

01 能够掌握 Coze 智能体开发范式

02 能够独立完成多场景智能体应用的构建与部署

03 能够实现工作流自动化与业务赋能

主讲解决方案

01_实现基于插件完成 PDF、DOCX 等文档转文本到分析处理的全流程解决方案

02_实现基于 ASR 技术实现录音文件转文本到分析处理的全流程解决方案

03_实现基于知识库结合 PDF 实现精准内容生成的解决方案

04_实现在工作流中读写数据库和知识库的解决方案

05_实现父子模式多 Agent 架构自主规划执行解决方案

主讲知识点

01_简历修改：基于 OCR 插件、prompt、数据库查询，实现简历中各类常见问题的召回和修改建议。以及进阶功能：违禁词过滤、业务背景重复率统计等。辅助学生编写更好的简历

02_面试录音分析：基于多模态大模型实现 ASR，基于 prompt 实现面试官、应试者角色划分，最终实现文字提取、摘要以及建议，提高面试录音分析的效率

03_面试题生成：基于黑马面试宝典使用 RAG 技术结合学生的简历，结合简历上的技能点、业务背景、毕业时间、专业等信息，生成个性化的面试题题库

04_模拟面试：基于简历和面试题生成流水线等功能，基于老师音色克隆面试官音色，结合 ASR 模型、TTS 模型等技术，实现实时语音面试

大模型核心开发技术?高手班阶段五

课时：10 天?技术点：70 项?测验：1 次?学习方式：线下面授

学习目标

01 能够掌握机器学习和深度学习核心基础

02 能够完成 Bert 及 GPT 核心 Transformer 架构分类的使用

03 能够完成分类模型基础搭建

主讲内容

1. 机器学习基础

该部分主要学习机器学习基础，包含以下技术点：

01_术语｜02_建模流程｜03_核心框架｜04_评估指标｜05_分类算法 / 回归算法 / 聚类算法基础及案例

2. 深度学习

该部分主要学习深度学习，包含以下技术点：

01_Pytorch 框架｜02_Pytorch 安装｜03_Pytorch 构建神经网络｜04_Pytorch 案例实战

3. NLP 核心技术

该部分主要学习 NLP 核心技术，包含以下技术点：

01_词向量（Word Embedding）｜02_Transformer（基本原理、实现流程）｜03_BERT 原理及使用｜04_FastText 原理及构建流程｜05_BERT 优化模型｜06_迁移学习微调

NewsCompass 投满分项目?高手班阶段六

课时：7 天?技术点：100 项?测验：1 次?学习方式：线下面授

学习目标

01_基于大规模业务留存数据构建快速文本分类系统

02_快速搭建短文本精准分类模型

03_基于随机森林和 FastText 搭建快速基线模型，验证业务通道的能力

04_基于 BERT 的迁移学习优化模型搭建的能力

05_实现神经网络量化的优化与测试

06_实现神经网络剪枝的优化与测试

07_实现神经网络知识蒸馏的优化与测试

08_更多主流预训练模型的优化与深度模型剖析

09_BERT 模型在生成式任务和工程优化上的深入扩展

NewsCompass 投满分项目是结合今日头条真实场景下的海量数据，快速搭建随机森林和 FastText 的基线模型，以验证商业化落地的可行性，更多聚焦在深度学习的优化方法上，搭建基于 BERT 的初版微调模型，应用量化，剪枝，预训练模型微调，知识蒸馏等多种手段，反复迭代，反复优化模型的离线效果，在线效果。

主讲解决方案

01_海量文本快速分类基线模型解决方案｜02_基于预训练模型优化的解决方案｜03_模型量化优化的解决方案｜04_模型剪枝优化的解决方案｜05_模型知识蒸馏优化的解决方案｜06_主流迁移学习模型微调优化的解决方案

主讲知识点

01_随机森林（集成学习）｜02_基线模型（FastText）｜03_BERT 优化｜04_模型量化、剪枝、知识蒸馏｜05_基于大模型文本分类

LangChain 框架?高手班阶段七

课时：2 天?技术点：80 项?学习方式：线下面授

学习目标

01_掌握 LangChain 工具的基本使用方法，了解如何通过 LangChain 构建和管理语言模型应用

02_熟悉 ChatGLM?6B 模型的应用，了解如何将大语言模型与本地知识库结合，实现高效准确的问答功能

03_理解向量知识库的基本概念和技术原理，掌握如何构建和使用向量知识库来存储和检索知识信息

04_掌握知识库的构建方法，从数据采集、处理到存储，学习如何将电商物流相关信息整合到知识库中

05_理解 RAG 系统的基本原理和实现方法，学习如何结合检索和生成技术，提升问答系统的准确性和实用性

06_从零开始搭建一个问答机器人，掌握整个系统的设计、实现和部署过程

基于物流垂直领域的 RAG 智能问答项目基于 LangChain+Qwen/DeepSeek/ChatGLM?6B 实现电商物流本地知识库问答机器人搭建，让模型根据本地信息进行准确回答，解决大模型的 “幻觉” 问题，实现精准问答。通过项目旨在掌握 LangChain 工具的基本使用方式，理解向量知识库以及实现知识库的技术原理，快速构建检索增强生成（RAG）系统。

主讲解决方案

01_LangChain 工具使用介绍解决方案｜02_ChatGLM?6B 模型集成到问答系统中的解决方案｜03_向量知识库的构建和检索的解决方案｜04_搭建 RAG 系统的解决方案

主讲知识点

01_项目介绍：理解什么是 RAG 系统｜02_项目流程梳理（从本地知识库搭建，到知识检索，模型生成答案等流程介绍）｜03_数据预处理：本地文档知识分割，向量，存储｜04_LangChain 框架的详解讲解：6 大组件应用原理和实现方法｜05_基于本地大模型 ChatGLM?6B 封装到 LangChain 框架中｜06_实现 LangChain+ChatGLM?6B 模型的知识问答系统搭建

RAG 项目?高手班阶段八

课时：8 天?学习方式：线下面授

项目简介

技术点：70 项?测验：1 次

基于 IT 职业教育行业答疑大模型抽取 RAG 解决方案，通过项目学习完成企业级 RAG 系统完整流程搭建与测试及优化。从智能查询路由设计、数据处理与多源集成、模型微调到后端服务与前端开发完成全栈 RAG 系统构建。

学习目标

01_了解 LangChain 基本概念、明确 LangChain 主要组件的作用、了解 LangChain 常见的使用场景

02_掌握基于 LangChain+ChatGLM?6B 模型实现本地知识库的问答实现原理 + 过程

03_RAG 系统开发与优化：掌握从数据分片到答案生成的 RAG 全流程，熟练应用 HyDE、子查询等检索增强策略提升系统性能

04_大模型应用实践：能够集成 LLM（如 OllamaLLM）并设计高效 Prompt，解决知识问答中的业务定制化需求

05_智能查询路由设计：实现规则、相似度和 LLM 三层路由，精准分发查询并优化复杂意图识别效率

06_后端服务与前端开发：使用 FastAPI 开发高并发 API 并通过 Gradio 构建交互界面，满足企业级服务与用户体验要求

07_数据处理与多源集成：熟练处理结构化与非结构化数据，结合 MySQL 和向量搜索打造高效知识检索系统

08_企业级问题解决能力：通过日志调试和高并发设计，具备定制化开发与性能优化的实战技能，适配智能客服等场景

主讲解决方案

01_数据库查询优化：BM25 + Redis 缓存解决方案｜02_语义检索：Milvus 混合向量检索解决方案｜03_查询分类：BERT 分类器解决方案

04_动态检索策略：LLM 驱动的策略选择解决方案｜05_答案生成：LLM + RAG 提示模板解决方案｜06_性能优化：Redis 缓存 + 模块化设计解决方案

07_日志与监控：统一日志系统（logging）解决方案｜08_配置管理：ConfigParser + config.ini 解决方案

主讲知识点

01_智能问答系统架构：FAQ 系统与 RAG 系统的区别与应用场景｜02_数据库技术：MySQL 表查询；Redis 键值存储与缓存机制；Milvus 向量数据库的架构与索引类型｜03_检索算法：BM25 算法原理；密集向量 & 稀疏向量混合检索；重排序的作用｜04_query 的意图识别 + 改写：BERT 分类器的训练与推理；LLM 的调用与提示设计；查询分类与动态检索策略的实现逻辑｜05_企业级开发实践：模块化代码设计与代码复用；配置文件（config.ini）与环境变量管理；日志系统设计与错误处理

智能体项目 1（ReAct 智能体）?高手班阶段九

课时：5 天?技术点：100 项?学习方式：线下面授

学习目标

01_能够掌握 ReAct 智能体开发流程

02_能够完成 RAG 工具调用、多维度评估系统搭建及生产级服务器部署

03_能够具备构建可迭代优化的 C 端智能客服系统的能力

项目是一个面向消费者（toC）的智能客服系统，旨在为用户提供全周期的扫地机器人相关服务并根据用户使用习惯生成使用报告，为用户提供使用优化建议。该系统基于 RAG 技术及 ReAct 框架构建，涵盖产品咨询、使用报告生成与优化建议。通过一个统一的 Agent 界面，为用户提供高效、准确且个性化的支持，提升用户体验与满意度，结合三位一体评估体系…

主讲解决方案

01_基于 ReAct 框架实现的 Agent｜02_RAG 工具实现本地知识库构建｜03_Prompt Engineering 实现用户使用报告的生成｜04_Flask 的模型部署｜05_基于 Streamlit 的前端服务构建

主讲知识点

01_数据来源：扫地机器人的产品手册及相关知识库（基础与技术类、产品功能类、智能交互类、维护与保养类、选购指南类、使用技巧类、配件与耗材类、安全与隐私类、特殊场景类等问题）

02_基于 ReAct 框架实现的 Agent，包括推理（Reasoning）模块以及行动 (Acting) 模块

03_使用 RAG 工具实现本地知识库构建。（文档读取模块、向量数据库模块、RAG 工具调用模块）

04_使用大模型 Deepseek v3 结合 Prompt Engineering 实现用户使用报告的生成

05_构建三位一体评估体系，针对检索内容（Precision、Recall、mrr）、生成内容（ROUGE?1、ROUGE?L、BERTScore、Faithfulness）、总性能（平均延时、QPS）

06_构建日志打印模块，重点监控工具的运行情况。（控制台日志 + 生产环境日志）

07_基于 Flask 的模型部署（服务端 + 客户端）、基于 Streamlit 的前端服务

智能体项目 2（多智能体）?高手班阶段十

课时：5 天?学习方式：线下面授

项目简介

技术点：40 项?测验：0 次

SmartVoyage 是一个智能旅行助手系统，使用 A2A（Agent?to?Agent）协议构建多代理协作框架，支持用户查询天气和票务信息。系统包括 LLM 路由服务器（意图识别）、天气代理服务器（查询天气数据库）、票务代理服务器（查询票务数据库）、MCP 工具服务器（数据库接口）、数据采集脚本和 Streamlit 前端客户端。用户输入查询（如 “北京…

学习目标

01_能够掌握 A2A 多代理框架开发、意图识别与数据库查询技能

02_能够完成交互式旅行助手系统的构建

主讲解决方案

01_基于 Python?a2a 协议实现多代理 A2A 协作框架｜02_使用 LangChain+DeepSeek 构建 LLM 路由服务器意图识别与动态路由｜03_实现 MCP 工具服务器标准化 MySQL 查询接口｜04_天气代理服务器 LangChain SQL 生成与 MCP 实时天气数据库查询集成｜05_票务代理服务器多类型动态 SQL 生成与结果友好格式化｜06_基于 Streamlit 开发 A2A 多代理实时交互前端客户端

主讲知识点

01_LLM 路由服务器（意图识别）｜02_天气代理服务器（查询天气数据库）｜03_票务代理服务器（查询票务数据库）｜04_MCP 工具服务器（数据库接口）｜05_数据采集脚本｜06_Streamlit 前端客户端

大模型核心运行机制?高手班阶段十一

课时：5 天?技术点：80 项?测验：1 次?学习方式：线下面授

学习目标

01_能够理解 Transformer 的注意力机制与架构设计，并掌握基于 Transformer 的翻译任务开发技能

02_能够使用 Hugging Face 库对预训练模型进行全量微调，完成特定 NLP 任务

03_能够理解主流大模型的架构特性与预训练原理，掌握为微调任务选择合适模型的能力

主讲内容

1. 大模型 Transformer 架构

该模块主要学习大模型 Transformer 架构，包含以下技术点：

01_词向量（Word Embedding）｜02_大模型 Transformer 架构的注意力机制｜03_大模型 Transformer 架构（encoder、decoder、encoder+decoder）｜04_大模型 Transformer 翻译任务实战

2. 大模型迁移学习

该部分主要学习大模型迁移学习，包含以下技术点：

01_迁移学习的预训练模型和微调阶段｜02_NLP 中的常用预训练模型（BERT、GPT?1、GPT?2）｜03_Hugging Face 预训练模型仓库｜04_Huggingface Transformers 库使用（提供了 NLP 领域预训练语言模型结构模型和调用框架）｜05_基于微调方式实现中文分类、中文填空、句子关系等任务