LangChain进阶之Prompts介绍

01 Prompt介绍

在大模型工程中，“Prompt”（提示）扮演着核心角色，它是与大型语言模型交互时使用的输入文本，旨在引导模型产生预期的响应或执行特定任务。Prompt 不仅是与大模型沟通的桥梁，也是发挥大模型效能的关键工具，其设计和优化是大模型工程实践中不可或缺的一环。

1.1 我们为什么需要 Prompt，或者说大模型为什么需要 Prompt？

Prompt 是一种精心设计的输入信息，可以是问题、指令、描述、场景设定或是对话历史的一部分，其主要目标是清晰、精确地传达用户的意图，使得模型能够据此生成满足需求的高质量输出。

1.2 优质的 Prompt 应该包括哪些内容？

指令或问题：直接告诉模型你需要什么，比如询问一个问题或下达一个生成命令。

上下文：提供必要的背景信息，帮助模型理解请求的环境或前因后果，这对于连贯性和准确性至关重要。

输入参数：具体的数据或细节，模型可能需要这些来生成更加具体和个性化的输出。

示例：在某些情况下，给出一个或几个示例可以显著提升模型理解任务要求的能力，尤其是在需要特定格式或风格的输出时。

质量的重要性：Prompt 的质量直接影响模型输出的品质。一个清晰、具体、富含上下文的 Prompt 往往能引导模型产生更加精准、相关性强的回答。反之，模糊或不完整的 Prompt 可能导致模型输出偏离用户期望。

设计策略：设计 Prompt 时，需要考虑如何最有效地表达意图，这可能涉及使用特定的引导语、格式化输入、逐步细化问题或利用领域特定语言等技巧。

1.3 什么时候我们需要使用 Prompt？

在大模型的各种应用场景中，如自动问答、文本生成、代码编写、创意设计等，Prompt 工程成为了确保模型高效、准确服务的基础。通过不断优化 Prompt，可以最大化大模型的潜力，实现更复杂的任务处理和更人性化的交互体验。

02 LangChain中的Prompt

LangChain 提供了创建和使用 Prompt 的工具。LangChain 致力于创建与模型无关的模板，以便于在不同的语言模型中重用现有模板。通常情况下，语言模型的最佳Prompt 是字符串或聊天消息列表。

2.1 PromptTemplate

我们可以使用 PromptTemplate 为字符串提示创建模板。默认情况下，PromptTemplate 使用 Python 的 str.format 语法进行模板化。

python
复制代码
from langchain_core.prompts import PromptTemplate, AIMessagePromptTemplate

prompt_template = PromptTemplate.from_template(
    "请讲一个关于{who}的{what}故事"
)
prompt_template.format(who="小狗", what="伤感")

# 输出如下：
# 请讲一个关于小狗的伤感故事

我们也可以不传任何变量

python
复制代码
from langchain_core.prompts import PromptTemplate

prompt_template = PromptTemplate.from_template("给我讲一个笑话")
prompt_template.format()

# 输出
# 给我讲一个笑话

2.2 ChatPromptTemplate

Chat Model 的 Prompt 是聊天消息列表。每条聊天消息都有 content 和一个名为 role 的附加参数相关联。例如，在 OpenAI 的chat completion API 中，聊天消息可以是 AI assistant、human 或者 system role。

python
复制代码
from langchain_core.prompts import ChatPromptTemplate

chat_template = ChatPromptTemplate.from_messages(
    [
        ("system", "You are a helpful AI bot. Your name is {name}."),
        ("human", "Hello, how are you doing?"),
        ("ai", "I'm doing well, thanks!"),
        ("human", "{user_input}"),
    ]
)

messages = chat_template.format_messages(name="Bob", user_input="What is your name?")

# [SystemMessage(content='You are a helpful AI bot. Your name is Bob.'),
# HumanMessage(content='Hello, how are you doing?'),
# AIMessage(content="I'm doing well, thanks!"),
# HumanMessage(content='What is your name?')]

除了使用上面使用的（type，content）的元组表示形式外，还可以传入 MessagePromptTemplate 或 BaseMessage 的实例。

python
复制代码
from langchain_core.messages import SystemMessage
from langchain_core.prompts import HumanMessagePromptTemplate
from langchain_core.prompts import AIMessagePromptTemplate

chat_template = ChatPromptTemplate.from_messages(
    [
        SystemMessage(
            content=(
                "你是一个复述助手，擅长重复用户的输入。"
            )
        ),
        HumanMessagePromptTemplate.from_template("我好喜欢你。"),
        AIMessagePromptTemplate.from_template("我好喜欢你。"),
        HumanMessagePromptTemplate.from_template("{text}"),
    ]
)
messages = chat_template.format_messages(text="我不喜欢你。")

# [SystemMessage(content='你是一个复述助手，擅长重复用户的输入。'),
# HumanMessage(content='我好喜欢你。'),
# AIMessage(content='我好喜欢你。'),
# HumanMessage(content='我不喜欢你。')]

2.3 Message Prompts如何使用

LangChain提供了不同类型的MessagePromptTemplate。最常用的是AIMessagePromptTemplate、SystemMessagePromptTemplate 和 HumanMessagePromptTemplate，它们分别创建 AI 消息、系统消息和用户消息。

如果聊天模型支持使用任意角色接收聊天消息，则可以使用 ChatMessagePromptTemplate，允许用户指定角色名称。

python
复制代码
from langchain_core.prompts import ChatMessagePromptTemplate

prompt = "May the {subject} be with you"

chat_message_prompt = ChatMessagePromptTemplate.from_template(
    role="Jedi", template=prompt
)
chat_message_prompt.format(subject="force")

# ChatMessage(content='May the force be with you', role='Jedi')

2.4 MessagesPlaceholder

LangChain 还提供了 MessagesPlaceholder，它可以完全控制在格式化过程中要呈现的消息。当我们不确定应为消息提示模板使用什么角色时，或者希望在格式化过程中插入消息列表时，就需要用到这个。

python
复制代码
from langchain_core.prompts import (
    ChatPromptTemplate,
    HumanMessagePromptTemplate,
    MessagesPlaceholder,
)

human_prompt = "Summarize our conversation so far in {word_count} words."
human_message_template = HumanMessagePromptTemplate.from_template(human_prompt)

chat_prompt = ChatPromptTemplate.from_messages(
    [MessagesPlaceholder(variable_name="conversation"), human_message_template]
)

"""
ChatPromptTemplate(input_variables=['conversation', 'word_count'], input_types={'conversation': typing.List[typing.Union[langchain_core.messages.ai.AIMessage, langchain_core.messages.human.HumanMessage, langchain_core.messages.chat.ChatMessage, langchain_core.messages.system.SystemMessage, langchain_core.messages.function.FunctionMessage, langchain_core.messages.tool.ToolMessage]]}, messages=[MessagesPlaceholder(variable_name='conversation'), HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['word_count'], template='Summarize our conversation so far in {word_count} words.'))])
"""

我们可以看到，占位字符串 conversation 的类型是xxxxxMessage的集合。

python
复制代码
from langchain_core.messages import AIMessage, HumanMessage

human_message = HumanMessage(content="What is the best way to learn programming?")
ai_message = AIMessage(
    content="""\
1. Choose a programming language: Decide on a programming language that you want to learn.

2. Start with the basics: Familiarize yourself with the basic programming concepts such as variables, data types and control structures.

3. Practice, practice, practice: The best way to learn programming is through hands-on experience\
"""
)

chat_prompt.format_prompt(
    conversation=[human_message, ai_message], word_count="10"
).to_messages()

# [HumanMessage(content='What is the best way to learn programming?'),
# AIMessage(content='1. Choose a programming language: Decide on a programming language that you want to learn.\n\n2. Start with the basics: Familiarize yourself with the basic programming concepts such as variables, data types and control structures.\n\n3. Practice, practice, practice: The best way to learn programming is through hands-on experience'),
# HumanMessage(content='Summarize our conversation so far in 10 words.')]

这里我们动态添加了一条 HumanMessage 和一条 AIMessage。

03 Few-Shot Prompt

Few-Shot 指的是使用少量示例数据（通常只有几个或几十个）来引导模型进行特定任务的学习或预测。这种方式是针对大规模预训练模型的一种高效应用方法，因为这些模型已经通过大量的无标注文本进行了预训练，具有强大的泛化能力。

Chat Model 中的 Few-Shot 输入和输出都是 xxxxxMessage，LLM 中的 Few-Shot 输入和输出都是字符串

3.1 Chat Model 中的 Few-Shot

LangChain 提供了 FewShotChatMessagePromptTemplate来设置 Few-Shot 。FewShotChatMessagePromptTemplate的目标是根据输入动态选择示例，然后在最终提示中设置示例的格式以提供模型。

Fixed Examples：不管examples中有多少示例，都放到 Prompt 中。

python
复制代码
from langchain_core.prompts import (
    ChatPromptTemplate,
    FewShotChatMessagePromptTemplate,
)

examples = [
    {"input": "2+2", "output": "4"},
    {"input": "2+3", "output": "5"},
]

example_prompt = ChatPromptTemplate.from_messages(
    [
        ("human", "{input}"),
        ("ai", "{output}"),
    ]
)
few_shot_prompt = FewShotChatMessagePromptTemplate(
    example_prompt=example_prompt,
    examples=examples,
)

# FewShotChatMessagePromptTemplate(examples=[{'input': '2+2', 'output': '4'}, {'input': '2+3', 'output': '5'}], example_prompt=ChatPromptTemplate(input_variables=['input', 'output'], messages=[HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['input'], template='{input}')), AIMessagePromptTemplate(prompt=PromptTemplate(input_variables=['output'], template='{output}'))]))

然后，我们可以将少样本提示模板插入到最终给到模型的模板中。

python
复制代码
final_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "You are a wondrous wizard of math."),
        few_shot_prompt,
        ("human", "{input}"),
    ]
)

# ChatPromptTemplate(input_variables=['input'], messages=[SystemMessagePromptTemplate(prompt=PromptTemplate(input_variables=[], template='You are a wondrous wizard of math.')), FewShotChatMessagePromptTemplate(examples=[{'input': '2+2', 'output': '4'}, {'input': '2+3', 'output': '5'}], example_prompt=ChatPromptTemplate(input_variables=['input', 'output'], messages=[HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['input'], template='{input}')), AIMessagePromptTemplate(prompt=PromptTemplate(input_variables=['output'], template='{output}'))])), HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['input'], template='{input}'))])

Dynamic few-shot prompting：如果examples中有很多的输入输出示例，并且多数示例场景不相关，这个时候就需要动态选择示例。表示从一堆示例中选择几个送入模型，让模型做输出。

怎么选？模型怎么知道选择哪个示例？

这里就要提一下 ExampleSelector，LangChain 默认提供了4种不同类型的示例选择器，包括根据长度、语义相似度、最大边际相关性等进行选择。

• LengthBasedExampleSelector：根据示例的长度来选择，以适应特定的提示长度限制。
• Similarity：基于输入和示例之间的语义相似度来选择示例。
• *MMR (Max Marginal Relevance) *：选择与输入最相关且多样性最高的示例。
• Ngram：基于输入和示例之间的n-gram重叠来选择示例。

这里只介绍示例选择器的基本用法，不做展开详解，后续会单独开一篇文章解释说明。

用SemanticSimilarityExampleSelector做示例

python
复制代码
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import HuggingFaceEmbeddings
import torch
from langchain_core.example_selectors import SemanticSimilarityExampleSelector

# 示例数据
examples = [
    {"input": "你好吗？", "output": "我挺好的！"},
    {"input": "你现在在哪？", "output": "我在老家。"},
    {"input": "你过的怎么样？", "output": "我过的还行，不算太差。"},
    {"input": "明天天气怎样？", "output": "明天要下大雨，出门记得带伞。"},
    {"input": "你大学文凭吗？","output": "我小学毕业"},
]

# 词嵌入模型
EMBEDDING_DEVICE = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
embeddings = HuggingFaceEmbeddings(model_name='D:\models\m3e-base', model_kwargs={'device': EMBEDDING_DEVICE})

example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples=examples, # 示例数据
    embeddings=embeddings, # 词嵌入模型
    vectorstore_cls=FAISS, # 向量数据库
    k=2 # 从示例中选择2个最相关的示例
    # ... 省略其他参数
)

user_input = "你家在哪？"
selected_example = example_selector.select_examples({"input": user_input})

# [{'input': '你现在在哪？', 'output': '我在老家。'}, {'input': '你好吗？', 'output': '我挺好的！'}]

将示例选择器在最终 Prompt 中使用

python
复制代码
from langchain_core.prompts import (
    ChatPromptTemplate,
    FewShotChatMessagePromptTemplate,
)

few_shot_prompt = FewShotChatMessagePromptTemplate(
    input_variables=["input"],
    example_selector=example_selector,
    example_prompt=ChatPromptTemplate.from_messages(
        [("human", "{input}"), ("ai", "{output}")]
    ),
)

final_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是智能聊天助手。"),
        few_shot_prompt,
        ("human", "{input}"),
    ]
)

final_prompt.format(input="你家在哪？")

# ChatPromptTemplate(input_variables=['input'], messages=[SystemMessagePromptTemplate(prompt=PromptTemplate(input_variables=[], template='你是智能聊天助手。')), FewShotChatMessagePromptTemplate(example_selector=SemanticSimilarityExampleSelector(vectorstore=<langchain_community.vectorstores.faiss.FAISS object at 0x0000027EBFD00040>, k=2, example_keys=None, input_keys=None, vectorstore_kwargs=None), input_variables=['input'], example_prompt=ChatPromptTemplate(input_variables=['input', 'output'], messages=[HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['input'], template='{input}')), AIMessagePromptTemplate(prompt=PromptTemplate(input_variables=['output'], template='{output}'))])), HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['input'], template='{input}'))])

3.2 LLM 中的 Few-Shot

Fixed Examples：不管examples中有多少示例，都放到 Prompt 中。

python
复制代码
from langchain_core.prompts import FewShotPromptTemplate

# 示例数据
examples = [
    {"input": "你好吗？", "output": "我挺好的！"},
    {"input": "你现在在哪？", "output": "我在老家。"},
    {"input": "你过的怎么样？", "output": "我过的还行，不算太差。"},
    {"input": "明天天气怎样？", "output": "明天要下大雨，出门记得带伞。"},
    {"input": "你大学文凭吗？","output": "我小学毕业"},
]

example_prompt = PromptTemplate(
    input_variables=["input", "output"], template="Question: {input}\n{output}"
)

prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    suffix="Question: {input}",
    input_variables=["input"],
)

prompt.format(input="你家在哪？")

# 输出
# 'Question: 你好吗？\n我挺好的！\n\nQuestion: 你现在在哪？\n我在老家。\n\nQuestion: 你过的怎么样？\n我过的还行，不算太差。\n\nQuestion: 明天天气怎样？\n明天要下大雨，出门记得带伞。\n\nQuestion: 你大学文凭吗？\n我小学毕业\n\nQuestion: 你家在哪？'

Dynamic few-shot prompting：如果examples中有很多的输入输出示例，并且多数示例场景不相关，这个时候就需要动态选择示例。表示从一堆示例中选择几个送入模型，让模型做输出。

python
复制代码
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import HuggingFaceEmbeddings
import torch
from langchain_core.example_selectors import SemanticSimilarityExampleSelector

# 示例数据
examples = [
    {"input": "你好吗？", "output": "我挺好的！"},
    {"input": "你现在在哪？", "output": "我在老家。"},
    {"input": "你过的怎么样？", "output": "我过的还行，不算太差。"},
    {"input": "明天天气怎样？", "output": "明天要下大雨，出门记得带伞。"},
    {"input": "你大学文凭吗？","output": "我小学毕业"},
]

# 词嵌入模型
EMBEDDING_DEVICE = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
embeddings = HuggingFaceEmbeddings(model_name='D:\models\m3e-base', model_kwargs={'device': EMBEDDING_DEVICE})

example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples=examples, # 示例数据
    embeddings=embeddings, # 词嵌入模型
    vectorstore_cls=FAISS, # 向量数据库
    k=2 # 从示例中选择2个最相关的示例
    # ... 省略其他参数
)

prompt = FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=example_prompt,
    suffix="Question: {input}",
    input_variables=["input"],
)

# 输出PromptTemplate对象
print(prompt)
"""
input_variables=['input'] example_selector=SemanticSimilarityExampleSelector(vectorstore=<langchain_community.vectorstores.faiss.FAISS object at 0x0000027EBFE1C760>, k=2, example_keys=None, input_keys=None, vectorstore_kwargs=None) example_prompt=PromptTemplate(input_variables=['input', 'output'], template='Question: {input}\n{output}') suffix='Question: {input}'
"""

# 这里print后会把\n,\n\n换成空格
print(prompt.format(input="你家在哪？"))
"""
Question: 你现在在哪？
我在老家。

Question: 你好吗？
我挺好的！

Question: 你家在哪？
"""

04 Partial Prompt

部分提示模板。通俗点说就是，一个 Prompt 中有多个占位变量需要设置，但是由于变量的替换值的获取不是同步的，我们一开始可能只能设置其中一个。这个时候就有两种处理方式：1. 等所有值都获取到了，一起设置；2. 先设置已经拿到的，后面的等获取到了在设置。

这就是 Partial Prompt，希望我解释的够通俗。

4.1 Partial with strings

使用字符串进行部分占位值的设置

python
复制代码
from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate.from_template("{foo}{bar}")
partial_prompt = prompt.partial(foo="foo")
print(partial_prompt.format(bar="baz"))
# 输出
# foobaz

# 或者
prompt = PromptTemplate(
    template="{foo}{bar}", input_variables=["bar"], partial_variables={"foo": "foo"}
)
print(prompt.format(bar="baz"))
# 输出
# foobaz

4.2 Partial with functions

使用函数进行部分占位值的设置

python
复制代码
from datetime import datetime


def _get_datetime():
    now = datetime.now()
    return now.strftime("%m/%d/%Y, %H:%M:%S")

prompt = PromptTemplate(
    template="Tell me a {adjective} joke about the day {date}",
    input_variables=["adjective", "date"],
)
partial_prompt = prompt.partial(date=_get_datetime)
print(partial_prompt.format(adjective="funny"))

# 输出
# Tell me a funny joke about the day 05/12/2024, 13:30:03

05 Composition

组合提示，目的是为了重用模板。

5.1 String prompt composition

字符串模板组合

python
复制代码
from langchain_core.prompts import PromptTemplate

prompt1 = PromptTemplate.from_template("Tell me a joke about {topic}")
prompt2 = (
    prompt1
    + ", make it funny"
    + "\n\nand in {language}"
)
print(prompt1)
print(prompt2)

# 输出
# input_variables=['topic'] template='Tell me a joke about {topic}'
# input_variables=['language', 'topic'] template='Tell me a joke about {topic}, make it funny\n\nand in {language}'

final_prompt = prompt2.format(topic="sports",language="spanish")
print(final_prompt)
# 输出
# Tell me a joke about sports, make it funny
#
# and in spanish

5.2 Chat prompt composition

聊天模板组合

python
复制代码
from langchain_core.messages import AIMessage, HumanMessage, SystemMessage

# 原始prompt
prompt = SystemMessage(content="You are a nice pirate")
# 组合的prompt
new_prompt = (
    prompt + HumanMessage(content="hi") + AIMessage(content="what?") + "{input}"
)
msg_list = new_prompt.format_messages(input="i said hi")
print(msg_list)

# 输出
# [SystemMessage(content='You are a nice pirate'), HumanMessage(content='hi'), AIMessage(content='what?'), HumanMessage(content='i said hi')]

5.3 Using PipelinePrompt

管道模板提示，本质还是 Prompt 的组合，我们主要掌握如何使用。

python
复制代码
from langchain_core.prompts.pipeline import PipelinePromptTemplate
from langchain_core.prompts.prompt import PromptTemplate

# 完整模板
full_template = """{introduction}

{example}

{start}"""
full_prompt = PromptTemplate.from_template(full_template)

# 组合模板一
introduction_template = """You are impersonating {person}."""
introduction_prompt = PromptTemplate.from_template(introduction_template)

# 组合模板二
example_template = """Here's an example of an interaction:

Q: {example_q}
A: {example_a}"""
example_prompt = PromptTemplate.from_template(example_template)

# 组合模板三
start_template = """Now, do this for real!

Q: {input}
A:"""
start_prompt = PromptTemplate.from_template(start_template)

# 组合模板
input_prompts = [
    ("introduction", introduction_prompt),
    ("example", example_prompt),
    ("start", start_prompt),
]

pipeline_prompt = PipelinePromptTemplate(
    final_prompt=full_prompt, pipeline_prompts=input_prompts
)
# 打印需要的输入变量
print(pipeline_prompt.input_variables)

# 格式化打印最终 Prompt
print(
    pipeline_prompt.format(
        person="Elon Musk",
        example_q="What's your favorite car?",
        example_a="Tesla",
        input="What's your favorite social media site?",
    )
)

"""
You are impersonating Elon Musk.

Here's an example of an interaction:

Q: What's your favorite car?
A: Tesla

Now, do this for real!

Q: What's your favorite social media site?
A:

"""

06 总结

无论 LangChain 将 Prompt 封装的多么完美多么好，我门应该知道 Prompt 的本质就是：你在问模型问题的时候，多加一些输入，而不仅仅是问题本身。

至于这些输入怎么来的？是本地文件？是向量数据库？是网页数据？还是其他的数据来源？这些都不重要，再怎么天花乱坠，本质还是给模型多一点额外输入信息！

到这里，Prompt就基本介绍完了

如何系统的去学习AI大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓