最近打算学AI，不想自己找资料，就报了一个AI网课班。坐等其成就可以。
这个课程是AI大模型应用开发，也就是重点在“应用“,底层逻辑有一个概念就好，整个课程的重点就是怎么运用现成的AI大模型。
课程的安排的话ppt显示了29页纲领，包括5大模块，要学3个月，每周2节直播课。
Deepseek提取出来的内容仅供参考
模块一：AI大模型应用开发基础
| 序号 | 课程小结 | 课程内容 | 学习收获 |
|---|---|---|---|
| 1 | AI大模型基本原理及API使用 | 1. AIGC发展：从GPT到GPT4（什么是AI，分析式AI与生成式AI，GPT是如何训练出来的，AIGC的实现与优化，AIGC的应用能力应用，CASE：基于静态反馈（基于ChatGLM））；2. 大模型应用（全域AI发展现状，CASE：情境分析-Qwen（掌握DashScope调用大模型），CASE：天气Function-Queen（了解Function Call），CASE：表格框架-Queen（了解多模态大模型），CASE：运维事件处理-Queen） | 理解AIGC与大模型的基本原理，掌握主流API调用方法，能够实现基础的大模型应用开发，包括对话系统、情感分析、表格提取等 |
| 2 | DeepSeek使用与Prompt工程 | 3. DeepSeek使用（DeepSeek的创新，CASE：小环境建模（Cursor + DeepSeek-R1），DeepSeek私有化需求选择，Ohama部署DeepSeek-R1，API调用DeepSeek）；4. Prompt工程：设计与优化（Prompt原理，提升洞察能力，提升洞察效率，提升洞察效率（重要性排序），提升洞察效率（限制格式、区分、小样本学习、GoT、角色扮演等））；5. Prompt工程（CASE：使用程序完成任务，CASE：JSON格式返回，CASE：使用GOT分步骤推理，CASE：使用Prompt调试Prompt）；6. DeepSeek使用与Prompt工程 | 理解DeepSeek使用与Prompt工程，掌握DeepSeek的部署与API调用，能够设计高效的Prompt工程方案，实现复杂任务的自动化处理 |
| 3 | Cursor编程与AI开发 | 1. Cursor编程（什么是Cursor Rules，Cursor的主要功能）；2. Cursor编程实践（CASE：多张Excel报表处理，CASE：数据实时监控及处理）；3. Tree与CodeBuddy的使用（Tree使用，CodeBuddy使用，CASE：多张Excel报表处理） | 理解Cursor编程与AI开发，掌握Cursor工具的使用方法，能够实现数据处理自动化，包括Excel报表处理、数据监控等实际应用场景 |
| 4 | Python与机器学习基础 | 4. Python基础语法与AI（基础语法主要看哪些）；5. 机器学习与方法（数据收集->预处理->模型选择->训练->评估->超参数调整->上线，十大经典机器学习）；6. CASE：客户类资源（Cursor编程）（系统性数据分析EDA，语言可视化，逻辑回归分析与洞察，决策树分析与洞察，哪些人愿意做保，哪些人不愿意做保，后续决策与建议） | 理解Python与机器学习基础，掌握Python在AI开发中的基础语法，了解机器学习全流程，能够应用经典机器学习算法解决实际问题 |
模块二 AI大模型应用核心开发工具及技术
Embeddings、RAG、Text2SQL
这个模块主要介绍了AI大模型应用开发中的几项核心技术和实践方法，包括Embeddings和向量数据库、RAG技术及其高级应用，以及Text2SQL技术。
主要技术内容
1. Embeddings和向量数据库
- 核心概念：Word Embedding、Word2Vec词向量训练、余弦相似度计算
- 向量数据库：FAISS、Milvus、Pinecone的特点及与传统数据库对比
- 应用案例：基于内容的推荐系统、本地知识库构建与语义检索
2. RAG（检索增强生成）技术与应用
- 基础RAG：核心原理与流程、NaiveRAG实现
- 高级技术：
- RAG技术树和RAFT微调方法
- 高效召回方法（查询扩展、双向交互等）
- GraphRAG的全局/局部搜索机制
- Owen-Agent的三级RAG实现（检索→分块→推理）
- 应用案例：DeepSeek+FAISS构建本地知识库检索系统
3. Text2SQL技术
- 技术要点：LLM模型选择、大模型API使用、Function Call
- 应用开发：SQL Copilot搭建、LangChain中的SQL Agent
- 实战案例：保险场景SQL Copilot实现
学习收获
- 掌握Embedding核心原理与应用方法
- 理解并能够应用RAG技术增强大模型生成能力
- 学会使用向量数据库构建高效检索系统
- 掌握Text2SQL技术实现自助式数据报表开发
- 通过实际案例学习将这些技术应用于真实业务场景
这个模块内容从基础到高级，涵盖了当前AI大模型应用开发中最前沿和实用的技术方向，特别注重理论与实践相结合，通过多个实战案例帮助学员掌握这些技术的实际应用。
LangChain、FunctionCalling、MCP、A2A、Agent、Fine-tuning与大模型优化
模块三 Coze和Dify工作原理和应用 技术
Coze部分
- 工作原理与核心机制
- Agent与Copilot的区别：理解两者的功能定位和应用场景，Agent更强调自主任务执行，而Copilot侧重辅助协作。
- 插件、工作流与RAG知识库：掌握插件扩展功能、工作流自动化设计，以及通过检索增强生成（RAG）整合外部知识库的技术逻辑。
- 应用实例与实战技能
- 案例驱动学习：通过新闻Agent、天气新闻工作流、抖音文案二创等案例，学会搭建场景化AI应用。
- 高阶功能：批处理、数据表操作、多Agents协作等，提升复杂任务（如古诗词绘画、智能投顾）的自动化能力。
- 插件开发：开发自定义插件并与外部系统集成，扩展Bot功能（如金融、客服场景）。
- 学习收获
- 从基础到进阶，全面掌握Coze的自动化设计能力，减少人工干预。
- 通过行业案例（金融、营销、舆情监测）深化AI解决方案的实战经验。
Dify部分
- 本地化部署
- 使用Docker Compose完成Dify的代码克隆、服务启动和平台访问，实现私有化部署。
- 应用实战
- 案例覆盖：联网搜索、古诗词WorkFlow、智能客服ChatFlow等，学习基于Dify的AI应用开发流程。
- 智能文档分析：结合MineraU工具，实现文档解析与知识提取。
- API集成
- 掌握Core API和Dify API的使用方法，通过Corepy等工具实现灵活调用。
- 学习收获
- 独立完成Dify平台部署与AI应用开发，适应企业级私有化需求。
- 通过WorkFlow和Agent API设计复杂业务逻辑（如客服、文档分析）。
核心价值
- 技术对比：Coze侧重低代码自动化与插件生态，Dify强调本地化部署与API灵活性。
- 行业适配：金融、客服、营销等场景的解决方案设计能力。
- 技能提升：从工具使用到开发集成，培养全链路大模型应用开发能力。
模块四 进阶知识-机器学习与AI大赛
模块五 AI大模型应用开发实战
