日期

主题

课程内容

第一天

（掌握人工智能技术背景、AIGC技术背景、AI编程基础）

人工智能技术概述

1、人工智能技术发展历程

2、人工智能技术应用场景

3、语言模型技术发展历程

4、生成式大模型课程概述

生成式大模型概述

1、生成式大模型概念

2、生成式大模型发展历程

3、生成式大模型的能力

4、生成式大模型的特点

5、ChatGPT简介

6、Deepseek简介

大模型实用方面涉及技术

1、大语言模型提示词工程

2、大模型agent技术

3、大模型思维链

4、模型微调技术

5、RAG技术

生成式大模型安装与调用演示

1、安装Python

2、安装Python包

3、学习Python基础语法

4、用Python调用API

5、安装Ollama运行大模型

6、调用本地大模型

7、本地IDE平台调用API

8、体验RAG和MCP功能

第二天

（掌握深度学习环境搭建、大模型全流程技术、大模型微调运行环境部署、大模型的二次微调工具原理与应用）

深度学习基础与核心架构

PyTorch与Transformer速成

1、PyTorch核心操作

 张量、自动求导与设备管理

 模型定义与训练循环实战

2、Transformer架构精要

 Self-Attention机制直观理解

 Encoder-Decoder结构对比

Hugging Face Transformers库基础使用

生成模型与多模态基础

Diffusion与多模态核心概念

1、Diffusion模型原理

 前向加噪与反向去噪过程

 条件生成与采样器选择

2、多模态模型入门

 多模态学习基本概念（文本、图像、音频对齐）

 CLIP模型原理与应用

 多模态表征融合方法简介

工具实践与创作应用

ComfyUI与多模态实战

1、ComfyUI工作流搭建

 界面导览与节点概念

 基础文生图工作流构建

 ControlNet基础应用

2、多模态应用实战

 图文匹配与检索实战

 多模态提示工程基础

 简单多模态生成演示

模型训练方法论

从训练到蒸馏全流程

1、词嵌入与预训练

 词向量从基础到现代方法

 预训练数据准备与流程

2、微调技术实战

 全参数微调与LoRA高效微调

 多模态模型适配微调

3、知识蒸馏实战

 蒸馏原理与流程

 模型压缩实战演示

优化部署与综合应用

量化与多模态系统搭建

1、模型量化实战

 量化原理与意义

 PyTorch量化API使用

 量化效果验证

2、多模态系统集成

 构建端到端多模态应用

 性能优化技巧

3、课程总结与展望

 技术栈回顾

 学习路径建议

第三天

（工具实践、大模型技术前沿）

AI编程工具介绍

1、如何用Trae高效生成项目框架

2、如何用Qoder进行数据分析

3、Comate编程智能体

前端开发工具介绍

1、秒哒：多模态UI生成

2、码上飞：产品设计全流程

工作流开发工具介绍

1、扣子：用扣子搭建工作流和问答智能体

大语言模型发展趋势与应用展望

1、生成式AI引领的新AI范式 

2、大模型与3D

3、大模型技术的最新进展

4、大模型与自然语言处理

5、大模型与知识图谱

6、大模型面临的挑战

7、针对生成内容的质量评估与控制