各有关单位:
为了企业加速生成式AI技术落地、打造知识增强型业务系统提供实战路径,助力破解内部文档问答、客户智能服务等场景的效率瓶颈;同时帮助相关人员系统掌握DeepSeek RAG技术栈,从基础应用到模型微调实现能力进阶,快速具备将RAG技术转化为实际业务价值的核心技能。中培伟业精心打造了“DeepSeek RAG应用实战-从知识增强到微调”培训课程。于2026年在全国部分城市举办公开课,诚邀您的参与,有关事宜如下:
一、培训背景
据《2025企业AI落地调研报告》显示,企业存在大模型幻觉导致业务失误、知识时效性不足、违背规则要求的困境。而RAG(检索增强生成)技术能够实时检索外部知识库,实现模型定向生成,成为破解困境的核心方案,已在各领域实现规模化应用。在此背景下,DeepSeek模型成为企业落地RAG系统的优选底座。
本课程能够帮助技术人员系统掌握从知识增强到模型微调的全流程实战能力,助力企业构建高可靠、高适配的智能应用,实现“RAG+DeepSeek”的高效、准确落地。
二、培训对象
1.技术开发人员:如AI工程师、数据分析师、前后端开发工程师等人员;
2.企业业务相关人员:产品经理、售前人员等需要结合大模型相关技术为业务赋能的人员;
3.高校学生及研究人员:计算机相关专业且Python基础较好,有机器学习等AI基础的大学生,以及对大模型技术感兴趣,希望在AI算法领域开展研究的人员;
4.技术爱好者:对智能问答系统、RAG技术等感兴趣的技术爱好者。
三、培训信息
培训形式:线下面授+同步直播
培训班次:
2026年3月29-31日 北京
2026年5月25-27日 昆明
2026年7月25-27日 北京 2026年9月22-24日 广州
2026年12月27-29日 上海
四、培训内容
培训共计3天,每天6小时,具体日程安排如下:
| 日程 | 主题 | 内容 |
| 第一天 上午 |
第一部分: LLM大模型核心原理 | 1.大模型基础:理论与技术的演进 2.LLMs大语言模型的概念定义 3.LLMs大语言模型的发展演进 4.LLMs大语言模型的生态体系 5.大语言模型技术发展与演进 6.基于统计机器学习的语言模型 7.基于深度神经网络的语言模型 8.基于Transformer的大语言模型 9.LLMs大语言模型的关键技术 10.LLMs大语言模型的核心框架:商业&开源LLMs大语言模型的行业应用 |
| 第二部分:DeepSeek大模型与Prompt提示工程 | 1.Prompt如何使用和进阶 2.什么是提示与提示工程 3.提示工程的巨大威力:从Let’s think step by step说起 4.拆解、标准化、流程化:如何用AI改造工作 5.使用BROKE框架设计ChatGPT提示 通过案例分析,展示如何使用大模型prompt技术辅助开发 |
|
| 第一天 下午 |
第三部分: DeepSeek大模型API应用开发 | 1.DeepSeek-V3大模型API 2.DeepSeek-R1推理大模型API 3.DeepSeek模型&价格 4.DeepSeek模型参数Temperature设置 5.DeepSeek模型Token用量计算 6.DeepSeek模型错误码 7.DeepSeek大模型多轮对话 8.DeepSeek大模型对话前缀续写(Beta) 9.DeepSeek大模型FIM补全(Beta) 10.DeepSeek大模型JSON Output 11.DeepSeek大模型Function Calling 12.DeepSeek大模型上下文硬盘缓存 13.文本内容补全初探 (Text Completion) 14. 聊天机器人初探 (Chat Completion) 15.基于DeepSeek开发智能翻译助手 案例分析与实战 |
| 第四部分: 大模型应用开发框架 LangChain | 1.大模型应用开发框架LangChain 2.LangChain是什么 3.为什么需要LangChain 4.LangChain典型使用场景 5.LangChain基础概念与模块化设计 6.LangChain核心模块入门与实战 7.LangChain的3个场景 8.LangChain的6大模块 9.LangChain的开发流程 10.创建基于LangChain聊天机器人 |
|
| 第二天 上午 |
第五部分: 基于DeepSeek和LangChain构建文档问答系统 |
1.构建复杂LangChain应用 2.LangChain模型(Models):从不同的LLM和嵌入模型中进行选择 3.LangChain提示(Prompts):管理LLM输入 4.LangChain链(Chains):将LLM与其他组件相结合 5.LangChain索引(Indexs):访问外部数据 6.LangChain记忆(Memory):记住以前的对话 7.LangChain代理(Agents):访问其他工具 8.使用大模型构建文档问答系统 |
| 第六部分: DeepSeek大模型企业RAG应用 | 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.检索器和多文档联合检索 5.RAG技术的关键挑战 6.检索增强生成实践 7.RAG技术文档预处理过程 8.RAG技术文档检索过程 |
|
| 第二天 下午 |
第七部分: 构建基于DeepSeek构建知识图谱增强 | 1.Neo4j基础概念:Node、Property、Relationship 2.使用Cypher查询语言进行数据建模、插入和查询。 3.网络配置文件(config)的基本结构和参数分析 4.基于config指定数据清洗与标准化格式 5.基于本地大模型的结构化分析实现 6.LangChain自动生成并优化Cypher查询 7.LangServe发布图谱服务器 |
| 第八部分: 融合知识库与多链路召回实现智能检索 |
1.何谓多链路召回与单路召回的区别 2.多源数据整合:知识库、知识图谱与结构化数据库 3.向量召回与语义检索的融合策略 4.并行召回与串行召回机制分析 5.LangChain多路召回Pipeline设计 6.基于Embedding相似度的召回融合方法 7.构建多链路召回的索引与缓存机制 8.通过LangChain实现多数据源统一检索 9.实战案例:企业知识库+业务数据库的混合召回 10.多链路召回性能优化与准确率提升策略 |
|
| 第三天 上午 |
第九部分: 过滤与二次重排构建高精度智能检索 | 1.何谓ReRank与传统召回的关系 2.检索前过滤与检索后重排整体流程 3.LangChain中Retriever与Reranker组件机制 4.基于Embedding相似度与LLM语义打分的双阶段排序 5.Rerank模型(bge-reranker、cross-encoder)介绍 6.LangChain构建二次重排Pipeline的实现路径 7.结合BM25 +向量检索+ReRank的混合策略 8.检索重排性能对比与评估指标设计 9.实战案例:构建高精度企业知识库问答系统 10.结合RAG与ReRank的智能知识检索系统部署与优化 |
| 第十部分: LangFlow:构建低代码RAG知识检索系统 | 1.LangFlow平台简介:可视化LangChain 的低代码工具 2.RAG(检索增强生成)整体架构与核心流程 3.LangFlow 节点介绍:LLM、Retriever、Memory、Tool 4.加载并解析企业文档数据(PDF/CSV/Markdown) 5.构建向量索引与 Embedding 存储(FAISS/Chroma) 6.可视化搭建 RAG 流程:从输入到响应的链路设计 7.添加上下文记忆与多轮对话逻辑 8.调试与参数优化:Prompt模板与上下文窗口配置 9.部署LangFlow应用并接入API调用 10.实战案例:构建企业知识文档智能问答系统 |
|
| 第三天 下午 |
第十一部分: 数据工程与大模型微调 | 1.大模型微调基础原理与常见应用场景 2.微调数据格式解析:ShareGPT与Alpaca格式规范 3.使用EasyData从文档自动生成 ShareGPT 格式数据集 4.摩搭社区(ModelScope)平台介绍与模型下载流程 5.LlamaFactory微调框架概览与环境配置 6.LoRA/QLoRA微调参数设置与模型训练实战 7.模型验证与性能评估:Loss、F1、Perplexity 8.微调模型导出与转换:从 HuggingFace到Safetensors 9.将微调模型上传至摩搭平台并发布推理服务 10.实战案例:针对企业内部知识问答场景的微调实现 |
| 第十二部分: 微调后模型评测、效果对比与可视化评测报告 | 1.OpenCompass框架原理与安装配置 2.Benchmark 测试体系介绍:通用任务与垂直任务集 3.微调模型的加载与评测准备(SFT/LoRA模型) 4.通过OpenCompass执行模型评测流程(命令行+配置文件) 5.常用评测指标讲解:BERTScore、BLEU、ROUGE、困惑度(Perplexity) 6.不同类型任务的评价策略:生成类vs分类类 7.微调前后模型性能对比与结果分析 8.结果可视化与报告生成(Precision/ Recall/F1对比) 9.实战演示:评测DeepSeek微调版与原版输出效果 10.基于评测结果优化微调与业务落地建议 |
备注:采用小班制教学,授课过程中,讲师会通过互动提问、组织小组讨论、即时答疑等形式,帮助学员把所学知识转化为可落地的能力。
五、培训教师
➤ 刘老师 | 国内顶尖AI专家、大数据技术专家
西安邮电大学计算机科学与技术专业。拥有着20多年软件研发与企业培训经验,对Java、Python、区块链等技术领域有独特的研究,精通机器学习、深度学习、大模型技术。他的专业素养和教学能力备受学员赞誉,是众多技术爱好者心中的楷模。
AI深度学习方法:Scikit-Learn,Tensorflow、Keras、DNN、CNN、RNN、Yolo、OpenCV熟悉主流机器学习算法、各种神经网络结构和图形图像识别技术。
LLM大模型方向:DeekSeek、ChatGLM、ChatGPT4、Llama3、Agent、React、Ollama、Dify、Llamafactory微调、DeepSpeek分布式训练、MindFormers生态、MoE混合专家模型。能根据客户的需求实现定制化的模型私有化部署、微调、对齐、量化。并对LangChain、LlamaIndex、Dify等大模型框架有源码级的理解。
➤ 邹老师 | 某工业大学人工智能研究院院长
博士学历,毕业于中国地质科学院,兼任天津大学创业导师、山东交通学院客座教授、硕士生导师。主持研发50多个人工智能领域工业级项目,广泛应用于能源、医疗、交通、气象、银行等多个领域。
硕博期间主持研发大型行业建模软件,代码量100万行(从底层开发是考虑后期维护和产权)。创立的睿客邦与国内十多所高校建立了AI联合实验室或实训基地广泛应用于医疗、交通、农业、气象、银行、电信等多个领域。成立中国科学院邹博人工智能研究中心,在翔创、天识等公司担任技术顾问,曾在多个在线平台授课,广受网友好评,累计学习人数超过百万。
公开出版《强化学习》《Python深度学习实践》《自然语言处理》等11部专著和译著。在国内外期刊会议发表论文10余篇,获得国家发明专利1项,著书1本,译书6本。2017年主持科研项目荣获国土资源科学技术一等奖。
为众多知名企业进行过上百场讲座和内部培训,其中包括中国移动、CSDN、中国建设银行、花旗银行、中信集团、中航信、烽火科技、京东方、中科曙光、京东、大唐、完美世界等。
六、培训收益
1.掌握RAG系统全链路设计与开发能力;
2.具备构建复杂知识增强系统的实战经验;
3.具备大模型微调与定制化部署能力;
4.掌握低代码与可视化RAG系统构建方法;
5.获得从开发到部署的完整项目经验。
七、证书颁发
参加培训并通过考试的学员,将获得由工业和信息化部教育与考试中心统一颁发的《AI大模型全栈技术(高级)》职业能力证书。证书长期有效,相关信息可随时登录中心官网查询。
400-626-7377
在线咨询
微信号:zpitedu