太仓住房城乡建设网站要看网海外域名是多少

太仓住房城乡建设网站,要看网海外域名是多少,广州做外贸网站,wordpress搜索关键词简介 文章系统介绍大模型提示词工程基础知识#xff0c;包括大语言模型、提示词、提示词模板、提示词工程、模型微调和RAG等核心概念。详细解析各技术的优缺点、适用场景及组合使用方法#xff0c;强调提示词工程并非万能#xff0c;需根据任务特点合理选择技术方案#x…简介文章系统介绍大模型提示词工程基础知识包括大语言模型、提示词、提示词模板、提示词工程、模型微调和RAG等核心概念。详细解析各技术的优缺点、适用场景及组合使用方法强调提示词工程并非万能需根据任务特点合理选择技术方案为后续学习提示词创作与调优奠定基础。一、前言为了系统掌握大语言模型提示词的创作与调优首先必须掌握一些基础知识。这包括大语言模型、提示词、提示词模板、提示词工程、模型微调、RAG的概念和关系。此外我们应认识到并非所有问题都能通过提示词工程来解决了解还有哪些常见的其他手段。掌握这些知识将为后续系统学习提示词创作与调优技巧奠定坚实基础。二、常见概念1. 大语言模型在介绍提示词的概念之前有必要先了解大语言模型Large Language Model简称 LLM这个概念。大语言模型是一种先进的计算机程序通过海量数据训练掌握了大量知识能够理解和生成自然语言擅长处理文字信息并能执行问题回答、语言翻译、文章生成等任务。我们可以将问题输入给大语言模型大语言模型返回给我们结果。你可以将其理解为一个特别聪明的朋友他读过大量书籍记忆力极好并且能够回答各种问题。大语言模型的核心在于其庞大的参数量。参数是模型在训练过程中学习到的数值用于存储和表示知识。常见的模型参数量从几亿到数千亿不等例如 GPT-3.5 有 1750 亿参数GPT-4 的参数量更大。参数越多模型通常能存储更多知识理解更复杂的语言模式但同时也需要更多的计算资源。大语言模型的工作原理可以简单理解为模型接收文本输入token 序列通过多层神经网络处理最终生成文本输出。在这个过程中模型会基于训练时学到的语言模式和知识预测下一个最可能的词或短语从而生成连贯的回答。大语言模型也存在一些局限性image.png•性能问题。当前大模型响应的速度相对较慢这是由于模型的复杂性和所需的计算资源较高。大语言模型通常包含数十亿到数千亿个参数这些参数需要大量的计算资源来处理和生成响应。同时模型的推理过程需要处理大量的参数并进行复杂的计算这会导致响应时间增加。此外硬件限制和并行计算能力的不足也会影响大模型的运行效率。•时效性问题。大语言模型的训练数据是静态的通常来自于某个特定时间点之前的内容因此模型在训练后无法获取新的信息或更新事件。即使通过提示词提供新信息大模型也无法自动验证或更新这些信息的准确性和时效性。•上下文丢失问题。大语言模型在处理超长文本时会受到 token 长度限制通常这些限制是由模型的架构和硬件资源决定的。当输入文本超过这个限制时模型需要截断或简化部分内容从而导致先前上下文信息的丢失。这种信息丢失会影响模型对后续内容的理解和生成。•幻觉问题。大语言模型在生成内容时依赖于训练数据中的模式和关联但它并没有真实的理解或常识。因此模型有时会基于不完整或错误的信息生成看似合理但实际上虚假的答案。这种现象被称为幻觉它是模型推理过程中的一个固有问题。•精确字数问题。大语言模型生成文本时是基于概率的模型试图生成在给定上下文中最有可能的词汇序列。这种生成机制并不能保证精确的字数控制因为模型主要关注内容的连贯性和流畅性而不是严格的字数限制。•内容合规问题。为了确保生成内容的安全性和合规性大语言模型通常会嵌入一些规则和限制以避免生成违法、违规或不适当的内容。这些规则通常由模型的开发者设定并基于法律法规和道德标准。这会导致模型在某些情况下拒绝回答特定问题或生成特定内容。当然现在也有方法可以一定程度上解决上述问题也相信随着技术的不断发展上面大的多数问题终将被解决。针对这些局限性的解决方案•性能问题可以通过模型量化、模型蒸馏、使用更高效的推理框架如 vLLM、TensorRT-LLM来加速推理。对于某些场景可以使用更小的模型或专门的轻量级模型。•时效性问题可以通过 RAG 技术结合外部数据源、实时网络搜索、定期更新训练数据等方式来解决。一些平台还提供了实时信息接入功能。•上下文丢失问题可以通过分块处理、摘要压缩、使用支持更长上下文的模型如 Claude 3.5 支持 200K tokens来解决。•幻觉问题可以通过提供准确的上下文信息、使用 RAG 技术、要求模型标注不确定内容、结合事实核查等方式来减少幻觉。•精确字数问题可以通过在提示词中明确要求字数范围、使用后处理脚本进行截断或补全、设置生成参数如 max_tokens等方式来控制。•内容合规问题可以通过设计更精细的安全策略、使用内容过滤系统、结合人工审核等方式来平衡安全性和可用性。普通用户可以通过大语言模型的平台界面直接使用大模型开发者则可以通过调用大语言模型平台提供的 API。普通用户和开发者都可以使用 AI 应用平台搭建应用来满足自己的工作、生活和学习需求创造商业价值。目前国外的常见大语言模型平台有 ChatGPTOpenAI、ClaudeAnthropic、Gemini Google和 Bing ChatMicrosoft。国内常见平台有DeepSeek、通义千问阿里、腾讯元宝、Kimi月之暗面、百度 AI百度、秘塔 AI、天工 AI昆仑万维、智谱清言智谱 AI等。国外常见的 AI 应用平台包括Poe 、Dify、Coze。国内有扣子 。大家编写的提示词都可以在这些平台上使用。2. 提示词和提示词模板什么是提示词提示词Prompts是与大型语言模型如通义千问、GPT-4互动时输入的一段文字或问题。这段文字或问题引导模型生成相应的回答或内容。通俗来讲如果你需要将一个任务交给另外一个人你就需要把任务给对方说清楚。同样地我们想让大语言模型帮我们完成任务也需要将问题描述给大语言模型描述的文本可能包括任务的目标、任务所需的背景知识、处理的过程、输出的样例等这段描述的文本就被称为提示词。提示词可以分为系统提示词和用户提示词。系统提示词是预先设定的用于指导大语言模型的总体行为和风格设定模型在整个对话过程中的基本准则通常用户无法修改。用户提示词则是用户在实际对话过程中输入的具体问题或请求可能是用户直接输入也可能是将用户输入和选择的信息作为变量通过提示词模板渲染而得到。本小册所讨论的提示词技巧主要针对用户提示词。值得一提的是由于不同的模型的理解能力和推理能力等有差异相同的提示词产出的结果质量也会有所不同。提示词是用户和大语言模型沟通的桥梁是关于提问的艺术。在当前阶段提示词主要承担两项职责首先它们需要清楚地向大模型传达任务要求其次当模型未能正确完成任务时提示词还需要指导模型如何改进。提示词的分类根据是否提供示例提示词可以分为零样本提示Zero-shot Prompting不提供任何示例直接描述任务要求。例如“请将以下英文翻译成中文Hello World”少样本提示Few-shot Prompting提供少量示例来引导模型理解任务格式。例如plaintext请将以下英文翻译成中文示例1Hello → 你好示例2World → 世界现在请翻译Good morning思维链提示Chain-of-Thought Prompting要求模型展示推理过程逐步思考。例如“请逐步分析为什么地球是圆的并给出你的推理过程。”什么是提示词模板提示词模板是一种结构化的格式用来帮助你更方便地维护提示词。它就像是一个空的框架你可以根据需要往里面填充不同的内容。大家可以通过下面的示例更好地理解提示词和提示词模板的区别。提示词示例写一篇关于人工智能的文章包括人工智能的概念、人工智能的应用场景和人工智能的利弊。提示词模板示例写一篇关于[主题]的文章包括[要点1]、[要点2]和[要点3]。我们通常所说的提示词调优主要指的是对提示词模板的调优。提示词模板的实际应用场景提示词模板在实际应用中非常常见特别是在 AI 应用平台中客服机器人模板可能包含用户问题、历史对话、知识库内容等变量内容生成工具模板可能包含主题、风格、长度、目标受众等变量代码生成工具模板可能包含编程语言、功能描述、代码风格等变量数据分析工具模板可能包含数据、分析维度、输出格式等变量提示词模板的优势•可复用性一次设计多次使用只需替换变量即可•可维护性集中管理修改模板即可影响所有使用该模板的场景•可扩展性可以轻松添加新的变量或调整模板结构•版本控制可以跟踪模板的版本变化便于回滚和优化提示词模板示例更复杂你是一位专业的[角色]擅长[领域]。任务根据以下信息生成[输出类型]输入信息- 主题[主题]- 目标受众[受众]- 风格要求[风格]- 字数要求[字数]- 关键要点[要点1]、[要点2]、[要点3]输出要求1. 使用[语言]语言2. 格式[格式要求]3. 包含以下部分[部分1]、[部分2]、[部分3]请开始生成。3. 提示词工程、模型微调和 RAG什么是提示词工程提示词工程Prompt Engineering是在使用大语言模型时通过精心设计输入提示词来引导模型输出所需结果的方法。这种方法无需修改模型本身而是通过优化输入以获得更优质的输出。如果将大语言模型比作一个人那么提示词工程则是让模型更好地理解并满足用户需求的交流技巧。通过这种对话方式用户能够更精准地传达期望从而使模型生成更符合预期的内容。提示词工程结合了创造力、对模型能力的深入理解以及战略性的结构安排从而有效引导人工智能提供准确、相关且有用的响应。通过提示词工程人机之间的沟通得以显著改善确保互动的高效性和准确性。本小册中讲的提示词工程主要包括提示词的创作和调优。开发人员通常需要先定义任务目标通过提示词工程创建提示词并调用大语言模型生成结果用户可以对结果进行反馈开发者根据反馈持续迭代调优提示词最终得到符合目标的提示词版本。至于如何判断提示词符合目标我们将在后续的提示词效果评估章节中详细讲述。在 AI 时代“人人都是 AI 应用开发者”任何人都可以通过提示词创建应用。我们既是开发者也是用户在使用过程中发现问题时可以利用提示词工程的技巧进行调优最终实现需求。提示词工程非常重要。如果不懂提示词的创作和调优的最佳实践很难快速写出满足自己需求的提示词遇到各种 Bad Case 无法快速找到解决思路甚至通过提示词进行业务调研时匆匆下了实现不了的结论。而精心设计的提示词能够清楚地传达用户的意图可以降低大模型对用户意图的误解可以提高答案的准确度从而可以更好地满足需求创造更大的商业价值。什么是模型微调想象一位大厨已经掌握了一道通用的意大利面食谱预训练模型。这个食谱在大多数场合都很好用但当他需要为一家特色餐厅制作时他不会从零开始创建新食谱而是在原有配方的基础上调整香料配比、烹饪时间等微调使其更符合特定餐厅的风格和客户口味。模型微调Model Fine-tuning是指在原有的预训练模型基础上使用特定领域的少量数据进行再训练以便模型在这个特定领域的任务上表现更好。微调后的模型可以更好地理解和处理特定领域的任务因为它在这些任务上接受了更多的训练。如你们公司自己定义了一种特殊语法的脚本包含各种操作符且语法和操作符数量众多。你希望利用大语言模型进行代码补全但发现通过提示词无论如何调优模型表现仍然不理想。即使尝试了更高级的模型或专门的代码类模型效果依然欠佳。此时可以将相关的语法手册、大量历史脚本以及代码补全任务所需的数据集对模型进行微调可以显著提升其效果。通过模型微调模型可以具备或增强特定能力提升任务完成的准确性和效率从而更好地满足特定领域的需求带来更大的商业价值。模型微调的类型全量微调Full Fine-tuning更新模型的所有参数效果最好但成本最高参数高效微调Parameter-Efficient Fine-tuning, PEFT•LoRALow-Rank Adaptation只训练少量低秩矩阵大幅降低计算成本•Adapter在模型中插入小的适配器层只训练这些层•Prefix Tuning在输入前添加可训练的前缀指令微调Instruction Tuning使用指令-回答对进行微调提升模型遵循指令的能力强化学习人类反馈RLHF通过人类反馈优化模型输出提升对齐度模型微调的应用场景•专业领域医疗、法律、金融等需要高度专业知识的领域•特定任务代码生成、文本分类、命名实体识别等特定任务•企业定制企业内部知识、流程、术语的定制化•多语言支持针对特定语言或方言的优化•风格适应适应特定的写作风格、品牌调性等模型微调的注意事项•数据质量需要高质量、多样化的训练数据•数据量通常需要数千到数万条标注数据•过拟合风险需要合理设置训练参数避免过拟合•评估指标需要建立合适的评估体系验证微调效果•成本考虑全量微调成本高PEFT 是更经济的选择什么是 RAG 技术RAGRAG (Retrieval-Augmented Generation)是一种将检索系统与生成式AI模型结合的技术框架中文可译为检索增强生成。它的工作流程包括三个核心步骤检索 (Retrieval)当用户提出问题时系统首先从外部知识库(可以是文档、数据库、网页等)中检索相关信息。增强 (Augmentation)将检索到的相关信息与用户的原始问题结合创建一个增强提示。生成 (Generation)大语言模型(如GPT系列)使用这个增强提示来生成最终回答同时能够引用和利用检索到的信息。RAG的关键优势在于•知识更新可以访问训练截止日期后的新信息•内容可溯源回答可以引用具体的文档来源•减少幻觉通过提供真实参考资料减少AI编造信息的可能•专业领域适应可以让通用AI模型快速适应特定领域知识比如我们需要让大语言模型生成某款智能手表的评论但是大模型训练时没有该手表的信息。实践中可以通过 RAG 技术动态检索出该手表的相关特点构造到提示词中然后再调用模型进行回答效果往往更好。RAG 技术的实现细节文档处理• 文档加载从各种格式PDF、Word、网页等加载文档• 文本分块将长文档切分为较小的块chunks通常 200-500 tokens• 向量化使用嵌入模型如 text-embedding-ada-002将文本块转换为向量向量存储• 使用向量数据库如 Pinecone、Weaviate、Milvus、Chroma存储文档向量• 建立索引支持快速相似度搜索检索策略•相似度检索基于向量相似度余弦相似度、点积等检索相关文档•混合检索结合关键词检索和向量检索•重排序Re-ranking对检索结果进行二次排序提升相关性增强生成• 将检索到的文档块与用户问题组合成增强提示• 要求模型基于检索内容回答并标注来源RAG 与其他技术的结合•RAG 提示词工程在 RAG 检索的基础上使用精心设计的提示词引导生成•RAG 模型微调对模型进行微调使其更好地利用检索到的上下文•RAG 多轮对话在对话中维护检索历史支持上下文相关的多轮问答•RAG 知识图谱结合结构化知识图谱提供更准确的知识检索RAG 的优化方向•检索质量改进分块策略、优化检索算法、使用更好的嵌入模型•上下文管理智能选择最相关的文档块避免上下文过长•实时更新支持知识库的增量更新保持信息时效性•多模态 RAG支持图像、表格等多模态内容的检索和生成提示词工程 VS 模型微调 VS RAG提示词工程、模型微调和 RAG 各有优缺点。提示词工程的优点简单易用通过调整输入内容可以快速找到最佳的提示词组合。快速反馈无需对模型本身进行修改能够即时看到调整效果。低成较本无需高额计算资源或数据集适合资源有限的情况。迁移到其他模型的成本也很低不需要额外的训练。提示词工程的缺点精度有限对于复杂或专业领域提示词的效果可能不够理想。依赖模型和编写者水平模型能力和编写者的水平决定了提示词工程效果的上限。泛用性差对于高度专业化的任务难以满足需求。模型微调的优点高精度通过在特定领域的数据上进行微调模型能提供更准确和专业的回答。专业性强适用于医学诊断、法律咨询和代码生成等需要高专业度的场景。适应性强模型微调可以更好地适应用户的特定需求和偏好使其回答更加贴近实际使用场景。模型微调的缺点复杂性高过程较为复杂需要一定的技术能力和时间。资源需求大需要大量计算资源和高质量的数据集。成本较高从数据收集到模型训练成本较提示词工程更高。想要更换新模型需要基于新模型重新微调。简单来讲如果模型本身的能力能够满足需求那么可以通过提示词调优来逼近其能力极限发挥更好的效果如果模型本身不具备该能力或在特定领域表现较差即便更强大的模型或更垂直的模型也无法满足要求需要更高专业度和精确性则需要考虑模型微调。RAG 的优点动态信息通过利用外部数据源RAG 可提供最新且高度相关的信息。平衡在提示的易用性与微调的定制性之间提供折中方案。上下文相关性通过附加上下文信息增强模型的响应生成更为详尽和丰富的输出。RAG 的缺点复杂性实施 RAG 可能较复杂需将语言模型与检索系统集成。资源密集虽然比全面微调资源消耗少但 RAG 仍然需要相当多的算力。数据依赖性输出质量取决于检索信息的相关性和准确性。提示词工程、模型微调和 RAG 三者在 AI 模型应用中的不同优势及交互关系。提示词工程强调易上手、快速调整模型输出RAG 注重实时更新、数据溯源和解释性模型微调则专注于特定领域的专业性。它们的结合能通过优化上下文、使用领域数据和调整模型行为可以达到生成更好的效果。三种技术的组合使用在实际应用中这三种技术往往不是互斥的而是可以组合使用提示词工程 RAG使用 RAG 检索相关信息通过提示词工程优化检索结果的利用方式提示词工程 模型微调对微调后的模型使用提示词工程进一步提升效果RAG 模型微调微调模型使其更好地理解和利用 RAG 检索到的上下文三者结合先用 RAG 检索知识再用微调模型处理最后用提示词工程优化输出选择合适技术方案的决策树开始 │ ├─ 任务是否需要最新信息 │ ├─ 是 → 考虑 RAG │ └─ 否 → 继续 │ ├─ 任务是否需要高度专业化 │ ├─ 是 → 考虑模型微调 │ └─ 否 → 继续 │ ├─ 任务是否可以通过提示词解决 │ ├─ 是 → 使用提示词工程 │ └─ 否 → 考虑组合方案 │ └─ 评估成本和复杂度 ├─ 低成本快速验证 → 提示词工程 ├─ 需要专业能力 → 模型微调 └─ 需要动态信息 → RAG实际案例智能客服系统一个完整的智能客服系统可能同时使用三种技术•提示词工程设计客服对话的提示词模板定义回复风格和格式•RAG检索产品文档、FAQ、历史对话记录等知识库内容•模型微调使用公司内部的客服对话数据微调模型使其更符合公司业务场景这样的组合能够充分发挥每种技术的优势实现最佳效果。三、提示词工程不是万能的在真正开始学习提示词的技巧和经验之前我们需要认识到提示词工程不是万能的。并不是所有大模型表现不佳的问题都可以通过提示词调优来解决。提示词调优的目的是接近当前模型的能力上限。如果当前模型的能力不足以完成提示词所描述的任务那么无论如何调优都很难获得满意的效果。此时通常需要考虑使用更高级的模型、对模型进行微调或者对任务进行合理拆分将其分解为模型能够完成的简单任务。在进行提示词调优之前我们需要审视任务的拆分是否合理并确定哪些任务适合由 AI 完成哪些适合人类完成以及哪些适合 AI 与人类协作完成。有时我们还需要结合传统的编程手段比如有些任务采用传统编程方式可以实现 100% 的准确率而且速度更快如对用户表单中日期格式的校验就应该用传统的编码方式此外AI 生成的内容可能存在缺陷例如生成的代码可能没有闭合这时可以通过传统的编码方式进行补全。此外有时即使提示词设计得非常合理如果用户输入的信息不准确或不完整模型也很难给出令人满意的答案。此时需要对用户输入进行预检查确保输入信息的准确性和完整性。输入验证和预处理的重要性在实际应用中用户输入可能存在各种问题格式问题日期格式不一致、数字格式错误等完整性问题缺少必要信息、信息不完整准确性问题输入错误、拼写错误、逻辑错误恶意输入注入攻击、越狱提示词Jailbreak等解决方案•输入验证使用规则或小模型对输入进行格式和内容验证•输入清洗去除无关字符、标准化格式、纠正明显错误•输入补全对于不完整的输入通过多轮对话或表单引导用户补充•安全过滤检测和过滤恶意输入防止提示词注入攻击•输入增强对于模糊输入通过上下文或知识库补充相关信息任务拆分的实践建议在进行任务拆分时可以参考以下原则单一职责原则每个子任务应该只负责一个明确的功能依赖关系明确明确子任务之间的依赖关系和执行顺序可测试性每个子任务都应该可以独立测试和验证错误处理为每个子任务设计错误处理和回退机制人机协作合理分配 AI 和人类的任务发挥各自优势传统编程与 AI 的结合在实际应用中应该根据任务特点选择最合适的技术•确定性任务使用传统编程如数据验证、格式转换、计算等•创造性任务使用 AI如内容生成、创意设计、文本改写等•混合任务结合两者如 AI 生成代码后用传统方法进行语法检查和格式化示例智能表单填写系统•传统编程表单字段验证、格式校验、数据存储•AI 提示词工程智能识别用户意图、自动填充建议、错误提示生成•RAG检索历史填写记录、相关文档提供填写参考四、总结本文主要介绍了在提示词创作和调优前必须了解的知识包括大语言模型、提示词、提示词模板、提示词工程以及模型微调•提示词是我们提供给大模型的输入是用户和模型沟通的桥梁。•提示词模板是提示词的骨架提供了可复用、可维护的结构化框架。•提示词工程是提示词创作和调优的技巧简单易用但定制性有限适合快速迭代和验证。•模型微调是为了增强和拓展模型在特定领域的能力但成本和复杂性较高适合有明确需求且资源充足的情况。•RAG 技术则是通过结合外部数据源提供最新、相关的信息是一种在提示工程与微调之间的折中方案特别适合需要动态信息和上下文相关性的场景。同时也指出提示词工程不是万能的• 提示词工程通过不断优化提示词来达到大语言模型的能力上限。• 如果达到能力上限后仍无法满足要求需要考虑使用更高级的模型或更垂直的模型、重新拆分任务、检查用户输入信息的准确性和完整性或辅之以传统的编程手段等。• 在实际应用中往往需要组合使用多种技术充分发挥各自的优势。关键要点技术选择要务实根据实际需求、资源情况和成本考虑选择最合适的技术方案从简单开始优先使用提示词工程逐步引入更复杂的技术持续优化建立评估体系持续迭代和改进组合使用不要局限于单一技术合理组合使用往往效果更好关注实践理论很重要但实践中的经验和教训同样宝贵掌握这些基础知识后你就可以开始系统学习提示词的创作和调优技巧了。记住提示词工程是一门实践性很强的技能需要不断练习和总结才能不断提升水平五、如何学习AI大模型我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。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。这份完整版的大模型 AI 学习和面试资料已经上传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】第一阶段从大模型系统设计入手讲解大模型的主要方法第二阶段在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用第三阶段大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统第四阶段大模型知识库应用开发以LangChain框架为例构建物流行业咨询智能问答系统第五阶段大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型第六阶段以SD多模态大模型为主搭建了文生图小程序案例第七阶段以大模型平台应用与开发为主通过星火大模型文心大模型等成熟大模型构建大模型行业应用。学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。1.AI大模型学习路线图2.100套AI大模型商业化落地方案3.100集大模型视频教程4.200本大模型PDF书籍5.LLM面试题合集6.AI产品经理资源合集获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】