課程大綱
第一部分：DeepSeek大模型原理和應用
一、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
   11. LLMs大語言模型的行業應用
二、DeepSeek大模型應用-辦公提效
   1. 官方大模型DeepSeek應用
   2. DeepSeek辦公提效
   3. 使用DeepSeek官方模型做推理任務
   4. DeepSeek和OpenAI O1模型的對比總結
   5. DeepSeek和國內其他大模型對比（智譜，文心，通義，kimi等）
   6. DeepSeek和國外其他大模型對比（Claude Gemini Mistral等）
三、DeepSeek大模型推理能力
   1. DeepSeek-R1 發布
   2. 對標 OpenAI o1 正式版
   3. DeepSeek-R1 上線 API
   4. DeepSeek 官網推理與 App
   5. DeepSeek-R1 訓練論文
   6. 蒸餾小模型超越 OpenAI o1-min
   7. DeepSeek-R1 API 開發應用
   8. 通用基礎與專業應用能力
第二部分：基于DeepSeek大模型API開發應用
一、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
   6. 通過案例分析，展示如何使用大模型prompt技術輔助開發
二、SeepSeek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
   16. 案例分析
三、DeepSeek大模型對比其他大模型API（國外和國內其他）
   1. OpenAI大模型API
   2. claude大模型API
   3. Gemini 大模型API
   4.智譜大模型API 介紹
   5.使用 GLM-4 API構建模型和應用
   6.基于通義千問大模型API的應用與開發
   7.基于百度大模型API應用開發
   8.基于字節，騰訊，華為大模型應用開發
四、DeepSeek大模型API構建應用程序
   1.應用程序開發概述
   2.案例項目分析
第三部分：DeepSeek和LangChain開發應用
一、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?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
二、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
第四部分：DeepSeek構建企業級RAG知識庫
一、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
二、構建基于DeepSeek RAG Agent：實現檢索增強生成
   1. 何謂檢索增強生成
   2. 提示工程、RAG與微調
   3. 從技術角度看檢索部分的Pipeline
   4. 從用戶角度看RAG流程
   5. RAG和Agent
   6. 通過Llamalndex的ReAct RAG Agent實現檢索
   7. 獲取井加載電商的財報文件
   8. 將財報文件的數據轉換為向量數據
   9. 構建查詢引擎和工具
   10. 配置文本生成引擎大模型
   11. 創建Agent以查詢信息
第五部分：基于DeepSeek大模型Agent智能體開發
一、DeepSeek大模型驅動的Agent智能體開發概述
   1. 智能體的定義與特點
   2. 智能體與傳統軟件的關系
   3. 智能體與LLM的關系
   4. 從ChatGPT到智能體
   5. 智能體的五種能力
   6. 記憶，規劃，工具，自主決策，推理
   7. 多智能體協作
   8. 企業級智能體應用與任務規劃
   9. 智能體開發
二、基于Deepseek和LangChain構建Agent
   1. 通過LangChain中的ReAct框架實現自動定價
   2. LangChain ReAct框架
   3. LangChain中ReAct Agent 的實現
   4. LangChain中的工具和工具包
   5. 通過create_react_agent創建Agent
   6. 深挖AgentExecutor的運行機制
   7. Plan-and-Solve策略的提出
   8. LangChain中的Plan-and-Execute Agent
   9. 通過Plan-and-Execute Agent實現物流管理
   10. 為Agent定義一系列進行自動庫存調度的工具
第六部分：DeepSeek進階
一、DeepSeek原理和優化
   1. DeepSeek原理剖析
   2. DeepSeek系統軟件優化
   3. DeepSeek 訓練成本
   4. DeepSeek V3模型參數
   5. DeepSeek MoE架構
   6. DeepSeek 架構4方面優化
   7. DeepSeek R1 論文解讀
   8. DeepSeek R1的創新點剖析
   9. DeepSeek R1 引發的創新思考
二、私有化部署DeepSeek推理大模型
   1. DeepSeek云端部署
   2. DeepSeek和國產信創平臺
   3. DeepSeek和國內云平臺
   4. 利用Ollama私有化部署DeepSeek R1大模型
   5. 一鍵部署DeepSeek R1大模型
   6. DeepSeek R1私有化部署總結
三、DeepSeek大模型微調
   1. DeepSeek 大模型微調
   2. 為何微調大模型
   3. 大模型先天缺陷
   4. 預訓練成本高昂
   5. 垂直數據分布差異
   6. 提示推理成本限制
   7. DeepSeek大模型微調的三個階段剖析
   8. DeepSeek大模型微調的兩種方法剖析