目录

配套资源（教学课件、源码）

基础理论篇

第1章行业大模型概述（26min）

1.1什么是行业大模型

1.1.1行业大模型的定义

1.1.2行业大模型的特点与优势

1.1.3行业大模型的核心能力、任务分类和应用场景

1.2为什么需要行业大模型

1.2.1行业需求决定了行业大模型出现的必然性

1.2.2行业大模型的价值

1.2.3行业大模型如何推动产业智能化发展

1.3行业大模型与通用大模型的异同点解析

1.3.1需要明晰的几个概念

1.3.2行业大模型与通用大模型的关系

1.3.3行业大模型与通用大模型的差异

1.4本章小结

第2章行业大模型的核心技术与发展趋势（48min）

2.1行业大模型的关键技术要素

2.1.1模型架构

2.1.2模型网络配置

2.1.3增量预训练

2.1.4微调

2.2行业大模型发展的必要条件

2.2.1大规模高质量的行业数据

2.2.2充足且兼容的算力支持

2.2.3创新及优化模型算法设计

2.2.4配套的模型测评机制

2.2.5伦理规范与政策约束

2.3行业大模型的未来趋势

2.3.1行业大模型的规模化与精细化发展

2.3.2多模态融合与跨领域模型发展

2.3.3人机协作与智能体的未来应用

2.3.4行业大模型的可解释性与透明性

2.4本章小结

第3章数据收集和预处理技术（55min）

3.1数据对于行业大模型构建的重要性

3.1.1行业数据的多样性与准确性

3.1.2数据规模与模型泛化能力的关系

3.1.3数据在模型可解释性和决策中的贡献

3.2数据收集的策略与挑战

3.2.1行业大数据的来源与采集方式

3.2.2数据采集中的隐私与合规性问题

3.2.3数据样本平衡与代表性问题

3.2.4动态更新与实时数据收集技术

3.3广义数据预处理的方法与内容

3.3.1文档去重与数据去重

3.3.2数据整合与存储

3.3.3数据去噪与清洗

3.3.4特征工程与特征选择

3.3.5数据增强与数据扩展

3.3.6数据分块与批处理优化

3.3.7数据标注与筛选

3.3.8数据质量评估

3.4本章小结

第4章大模型测评（79min）

4.1大模型的主要评价因素

4.1.1性能指标

4.1.2模型的可解释性

4.1.3计算效率

4.1.4泛化能力

4.1.5数据依赖性

4.1.6公平性与偏差

4.1.7适应性与迁移学习

4.1.8安全性与稳健性

4.1.9生态适应性

4.2常用测评数据集介绍

4.2.1英文测评数据集

4.2.2中文测评数据集

4.2.3多语言测评数据集

4.3数据集划分： 训练集、验证集与测试集的使用

4.3.1训练集

4.3.2验证集

4.3.3测试集 

4.3.4数据集划分的常见策略

4.3.5数据集划分的挑战与考虑因素

4.4主流自动化测试平台

4.4.1lmevaluationharness

4.4.2OpenCompass

4.4.3Open LLM Leaderboard

4.4.4FlagEval

4.5如何提高模型评估的准确性

4.5.1通过交叉验证提升评估稳健性

4.5.2数据集质量对评估结果的影响

4.5.3选择合适的评估指标

4.5.4应用A/B测试进行实际场景验证

4.5.5通过反馈回路不断优化模型评估过程

4.6本章小结

技术方法篇

第5章构建行业通用能力： 继续预训练（11min）

5.1继续预训练概述

5.1.1定义与背景

5.1.2作用与优势

5.2继续预训练的技术实现

5.2.1数据准备与模型选择

5.2.2训练环境准备

5.2.3启动第1个继续预训练程序

5.3本章小结

第6章拓展领域专业知识： 指令微调（17min）

6.1指令微调概述

6.1.1定义与背景

6.1.2意义与价值

6.1.3困难与挑战

6.2指令微调的技术实现

6.2.1数据准备与模型选择

6.2.2启动第1个微调训练

6.2.3微调技术的优化与挑战

6.3指令微调与继续预训练的差异

6.3.1目标不同

6.3.2数据集不同

6.3.3应用场景不同

6.3.4计算资源需求不同

6.3.5模型适应性不同

6.4本章小结

第7章规范行业道德水平： 人类反馈强化学习（18min）

7.1人类反馈强化学习基本概述

7.1.1定义与背景

7.1.2意义与价值

7.1.3困难与挑战

7.2RLHF的技术实现

7.2.1RLHF的几种主要实现方法

7.2.2RLHF的数据集准备

7.2.3启动第1个RLHF训练

7.3人类反馈强化学习与有监督微调的差异

7.3.1定义与核心目标不同

7.3.2训练目标和优化方式不同

7.3.3数据依赖与标注需求不同

7.3.4模型行为差异

7.3.5应用场景上的差异

7.3.6挑战与局限性

7.4本章小结

第8章优化应用交互体验： 提示工程（51min）

8.1提示工程的基本概述

8.1.1何为Prompt？从交互窗口的视角来解读Prompt

8.1.2Prompt到底是什么

8.1.3Prompt Engineering是什么

8.1.4模型参数设置

8.2提示工程的技术实现

8.2.1基于文本描述和内容示例的提示方法

8.2.2基于事实和知识的提示方法

8.2.3其他提示方法

8.3提示工程的应用

8.3.1生成行业和领域数据

8.3.2生成代码

8.3.3逻辑推理

8.3.4减少危害

8.3.5用户交互

8.3.6微调和优化

8.3.7提示一致性和连贯性

8.3.8管理情感和语调

8.4本章小结

应用实践篇

第9章检索增强生成的应用实践（22min）

9.1RAG技术基础与核心价值

9.1.1什么是RAG

9.1.2技术演进：  从检索机器人到LLMs的突破

9.1.3技术原理拆解

9.1.4商业价值分析

9.2基础RAG的关键组件和应用实践

9.2.1准备工作

9.2.2几种推荐的安装方式

9.2.3配置大模型API

9.2.4代码层搭建基础版RAG

9.3高级RAG应用实践

9.4模块化RAG应用实践

9.5本章小结

第10章微调一个行业大模型（33min）

10.1微调的核心价值与实现基础

10.1.1微调的背景与核心价值

10.1.2技术实现框架与关键要素

10.1.3技术挑战与前沿突破

10.2借助通用平台实现无代码微调

10.2.1微调平台介绍

10.2.2财务大模型无代码微调实践

10.2.3无代码微调的优势与局限性分析

10.3利用云服务平台实现低门槛微调

10.3.1云服务平台介绍

10.3.2AI云平台微调优势与局限性分析

10.4在自有服务器完成全流程微调

10.4.1训练平台搭建

10.4.2基础环境和运行环境配置

10.4.3数据集准备

10.4.4开始微调训练

10.4.5推理测试

10.5本章小结

第11章行业和领域智能体构建（12min）

11.1智能体简介

11.1.1定义与基本概念

11.1.2智能体的发展历程

11.1.3智能体的核心功能模块

11.1.4主要的智能体框架介绍

11.2构建文本编辑领域智能体

11.2.1高效内容生成智能体

11.2.2创意灵感激发智能体

11.2.3文本编辑与优化智能体

11.2.4内容自动审核智能体

11.3构建娱乐创意行业智能体

11.3.1创意图像生成智能体

11.3.2人像风格重绘智能体

11.3.3图像背景生成智能体

11.3.4艺术字生成智能体

11.3.5专属音乐合成智能体

11.3.6创意视频生成智能体

11.4构建面向科研领域的智能体

11.4.1代码生成智能体

11.4.2代码解析智能体

11.4.3代码优化智能体

11.5本章小结

参考文献