趋近智

所有课程

Python 大型语言模型工作流：方法与优选实践

章节 1: Python LLM 工作流入门

什么是LLM工作流？

LLM 应用的常见组成部分

为什么选择Python进行LLM开发？

Python LLM 生态系统概览

课程结构与目标

章节 2: 配置用于大型语言模型 (LLM) 开发的 Python 环境

选择你的Python版本

虚拟环境 (venv, conda)

使用pip和requirements.txt管理依赖

核心库安装

安全配置 API 密钥

开发环境配置实践

章节 3: 使用 Python 与 LLM API 交互

使用requests库发送API请求

处理API响应和错误

使用官方Python客户端库

速率限制与成本管理要点

练习：调用LLM API

章节 4: 核心LLM工作流库：LangChain基础

LangChain 介绍

主要构成：模型、提示词、输出解析器

在 LangChain 中使用不同的 LLM 服务

创建和使用提示模板

解析大型语言模型输出结构

动手实践：构建一个简单的LangChain应用

章节 5: 高级 LangChain：链与代理

理解用于顺序操作的链

构建自定义链

代理介绍：LLM作为推理引擎

代理可用工具

建立一个基本智能体

调试链和代理

实践：实现多步链

章节 6: 大型语言模型数据处理：LlamaIndex基础

LlamaIndex 简介

加载数据 (文档、网页)

高效检索的数据索引

理解节点和索引

查询您的已索引数据

动手实践：文档索引与查询

章节 7: 构建检索增强生成 (RAG) 系统

检索增强生成原理

将 LlamaIndex/LangChain 整合用于 RAG

向量数据库和嵌入技术概述

搭建一个基础向量库

构建 RAG 流程

评估 RAG 性能指标

实践：构建一个简单的RAG应用

章节 8: Python 中的提示工程技术

有效提示的原则

少量样本提示技巧

为复杂任务构建提示词

使用 Python 进行动态指令生成

减少幻觉的方法

迭代式提示词优化

实践：开发和测试提示

章节 9: LLM 应用的测试与评估

LLM系统测试中的难题

单元测试组件

集成测试流程

评估策略：指标与人工反馈

使用框架进行评估

LLM 交互的日志记录与监控

实践：为LLM链设置基本测试

章节 10: 部署与运维优良实践

打包您的 Python LLM 应用程序

使用 Docker 进行容器化

选择部署策略

API 端点创建 (FastAPI, Flask)

监控已部署的应用程序

LLM项目的版本控制与CI/CD

运行考量与维护

章节 7: 构建检索增强生成 (RAG) 系统

课程章节

7.1 检索增强生成原理
7.2 将 LlamaIndex/LangChain 整合用于 RAG
7.3 向量数据库和嵌入技术概述
7.4 搭建一个基础向量库
7.5 构建 RAG 流程
7.6 评估 RAG 性能指标
7.7 实践：构建一个简单的RAG应用

© 2025 ApX Machine Learning