知识地图

按知识依赖重排的 9 个模块、57 页讲义，从神经网络基础一路走到多模态与前沿。每讲一页，固定八段结构：30 秒看懂 → 概念 → 原理 → 最小代码 → 完整案例 → 骨架模板 → 易错点 → 自测题。

学习路径

从左到右是推荐顺序：先打地基，再建工具，最后改模型本体。点击跳到对应模块。

①基础层 ②大模型认知 ③提示工程 ④私有化部署 ⑤应用开发 ⑥RAG 知识库 ⑦低代码平台 ⑧微调与蒸馏 ⑨多模态与前沿

①

基础层：深度学习前置

从张量和自动微分起步，把神经网络、损失函数、反向传播、优化器与正则化一路讲到 CNN、RNN 与 Transformer——大模型之所以能 work 的底层数学与结构，后面所有模块的地基。

PyTorch 张量自动微分神经网络反向传播优化器正则化CNNRNNTransformer

②

大模型认知

主流大模型有哪些、彼此差在哪、怎么用 API 把它接进自己的程序——从「听说过」到「调得通」。

语言模型与评估三大架构主流模型对比选型方法OpenAI 兼容 API

③

提示工程

不改一个模型参数，只靠一张「工作便条」把效果拉上去：先用 NLP 四范式讲清 Prompt 从哪来，再把 In-Context Learning、CoT、Instruction-Tuning 与 PEFT 家族摆进同一张坐标系，接着落到 ChatGPT 时代的提示词工程两大原则，最后用金融行业动态方向评估的三个真实任务——分类、信息抽取、文本匹配——把方法论跑成可复现的代码。

Prompt 基础与四范式Pattern-Verbalizer-PairHard / Soft PromptIn-Context Learning 与 CoTPEFT 选型提示词工程六技巧评测集与迭代优化Ollama + Qwen3 本地推理

行业案例 金融行业动态方向评估

④

私有化部署

把模型从别人的云端搬到自己的机器上：先算清显存能跑多大的模型，再用 Ollama 命令行跑通对话，接着在 Linux 上做成 systemd 托管的企业级服务，最后通过 HTTP 接口接入客户端与自研聊天机器人，数据全程不出内网。

OllamaLinux 企业级部署Qwen/DeepSeek 本地化显存选型与量化Ollama HTTP APIStreamlit 聊天机器人

行业案例 私有聊天机器人

⑤

应用开发

让模型真正干活的一整套应用层工具：LangChain 把提示词、模型、解析器串成流水线，LCEL 用一个管道符组合出可复用的链，Memory 让多轮对话记得住上文，Function Call 把外部世界接进来，Agent 在循环里自主决策该调用谁，最后用 Streamlit 把这一切包成一个能对外交付的对话应用。

LangChainLCEL 链组合会话记忆管理Function CallTools 与 AgentStreamlit 应用交付

行业案例 Streamlit 智能聊天机器人

⑥

RAG 知识库

给模型外挂一个可检索的资料库：切分与向量化决定库里有没有答案，检索与重排决定能不能把它拿准，最后落到一个可验收的行业问答系统。

文本切分向量化相似度检索重排与混合检索问答链检索评测

行业案例 物流行业信息问答系统

⑦

低代码平台

不写代码也能搭应用：先把「自建、订阅、自部署」这道选型题算清楚，再吃透编排式工作流的通用骨架（节点、变量、知识库、插件），然后在 Coze 和 Dify 上各走通一条完整链路，最后看托管式 Agent 接口这条路的兴衰与迁移方案。

平台选型与决策框架编排式工作流CozeDify知识库与 RAG 编排私有化部署GPTs / Assistant API平台 API 接入

行业案例 旅游规划与文档解析智能体律所法律问答助手

⑧

微调与蒸馏

提示词到头了就改权重：从 PET/P-Tuning 到 LoRA，再到把大模型的能力蒸馏进小模型。本课程项目最密集的一块。

按显存账本的四项开销估算一次微调能不能跑在手上的卡上在秩、缩放系数与目标模块之间换算 LoRA 的可训练参数量并验证旁支确实挂上把原始问答记录脱敏、去重并构造成只对答案计分的指令数据集写出带梯度累积、裁剪与预热衰减的训练循环，并按参数更新次数配置调度器用困惑度、复读率与用词多样度判断一个模型能不能上线，而不只看损失为生成式服务设计拼接、排队、闸门三层结构并估算单卡承载能力

行业案例 大健康行业智能问诊系统新零售行业评价决策系统新媒体评论分类与信息抽取Qwen 开源通义大模型微调实战DeepSeek-R1 思维链蒸馏

⑨

多模态与前沿

从 AIGC 的产业版图一路走到能自己跑通的文生图：先弄清生成模型三条技术路线，再拆开 CLIP 的跨模态对齐与扩散模型的加噪/去噪数学，然后把 Stable Diffusion 的三个子模型拆到张量维度，最后用 DreamBooth 和 LoRA 把它训成自己的画风并接成线上服务；收尾是一套可复用的论文精读与撰写方法。

AIGC 产业版图VAE / GAN / DiffusionCLIP 跨模态对齐Stable Diffusion 架构DreamBooth 微调LoRA 微调文生图服务化论文精读与撰写

行业案例 格子衫程序员专属画风小程序 AI 绘画