（1）大模型概述与技术演进：了解大模型的发展历程、核心定义与技术特征（参数规模、训练数据量、涌现能力）。掌握大模型的主要类型：GPT系列（自回归）、BERT系列（自编码）、T5系列（编码器-解码器）、Llama系列等开源模型的对比与选型。理解大模型"智能"的本质：参数学习、知识表征、上下文理解。学习大模型应用的发展趋势与产业价值。
（2）Transformer架构深度解析：深入理解Transformer架构的核心技术逻辑，掌握自注意力机制（Self-Attention）的数学原理、计算过程与作用。学习多头注意力（Multi-Head Attention）的并行计算机制、位置编码（Positional Encoding）的设计思想（正弦编码、可学习编码）。掌握编码器（Encoder）与解码器（Decoder）的架构差异，理解BERT与GPT的技术路线区别。了解层归一化、残差连接、前馈网络等组件的设计原理。
（3）大模型训练核心方法：掌握大模型训练的完整流程：预训练（Pre-training）、有监督微调（SFT）、强化学习对齐（RLHF）。理解预训练任务的设计：掩码语言建模（MLM）、下一句预测（NSP）、自回归语言建模。学习训练数据集的构建方法：数据收集、清洗、标注与划分。了解分布式训练技术：数据并行、张量并行、流水线并行的原理与适用场景。
（4）提示词工程高级技巧：掌握提示词（Prompt）的定义、作用与设计原则。学习提示结构的典型构成：背景设定、角色扮演、指令、示例、期望格式。掌握思维链（Chain-of-Thought）与思维树（Tree-of-Thoughts）引导模型展示推理过程的方法。学习指令调优方法论：逐步细化指令、设定约束条件。了解Prompt攻击与防范策略。实践构建基础的Prompt模板库，覆盖常见应用场景。
（5）大模型API调用与集成：掌握主流大模型平台API的调用方法，包括OpenAI、DeepSeek、智谱、文心一言等。理解API调用的请求-响应结构，掌握prompt、temperature、top_p、max_tokens等核心参数的作用与调优方法。学习API调用的错误处理、重试机制与性能优化。实践构建简单的聊天机器人、内容生成工具，理解上下文窗口限制的处理策略。
（6）检索增强生成（RAG）技术：深入理解RAG的核心架构（知识库-检索器-生成器）及其在解决模型幻觉、知识时效性问题中的核心价值。掌握向量表示（Embeddings）的原理与不同嵌入模型（text-embedding-ada-002、BGE系列）的特性。学习向量数据库的选型与使用：FAISS、Chroma、Milvus、Qdrant的对比。掌握检索优化策略：混合检索（BM25+语义检索）、重排序（Re-ranking）机制、分块策略设计。实践基于LangChain/LlamaIndex构建ChatPDF应用。
（7）智能体（Agent）技术：掌握智能体的核心架构（感知-规划-记忆-执行）及其自主决策能力。学习单智能体与多智能体系统的优缺点与适用场景。掌握工具调用机制（Function Calling/Tool Use）的实现方法，让Agent执行外部工具（如Python代码、数据库查询、API调用）。学习记忆管理策略：短期记忆（上下文窗口）与长期记忆（向量数据库）结合。实践基于ReAct框架的智能体实现，构建能够处理多轮对话和复杂指令的对话机器人。
（8）参数高效微调（PEFT）技术：理解全参数微调与参数高效微调的适用场景差异。掌握LoRA（低秩适配）的原理：低秩矩阵分解、适配器矩阵设计。学习QLoRA的量化权重与梯度更新机制，实现大模型的轻量化微调。了解Adapter Tuning、Prefix Tuning、Prompt Tuning等其他PEFT方法的特点。实践使用LoRA微调开源大模型适配特定垂直领域任务。
（9）模型量化与推理优化：掌握模型量化的核心原理，学习将FP32模型转换为INT8/FP8/INT4精度的技术方案。了解量化训练后量化（PTQ）与量化感知训练（QAT）的适用场景。学习主流推理引擎的使用：TensorRT-LLM、vLLM的优化原理（Kernel Fusion、PagedAttention）。掌握模型部署方案对比：云端部署、本地私有化部署、边缘端部署的技术选型。实践使用vLLM部署大模型推理服务。
（10）多模态大模型基础：了解多模态大模型的技术架构与应用场景。学习扩散模型（Diffusion Models）在图像生成中的统治力，掌握Stable Diffusion、DALL-E等文生图模型的基本原理。了解视频生成模型（Sora、可灵AI）的技术进展。学习视觉语言预训练模型（CLIP、BLIP）在图文匹配中的应用。掌握多模态RAG的实现思路，融合图像、表格等非文本内容的知识检索。
（11）大模型评估与安全：掌握大模型的多维度评估体系：困惑度（Perplexity）、BLEU/ROUGE（生成质量）、准确性（任务完成度）、忠实度（Faithfulness）。了解模型评测榜单与行业评测方法。学习大模型的安全风险：提示注入、数据投毒、隐私泄露。掌握模型合规实践：算法备案、内容安全审核、数据脱敏技术。了解国内大模型落地的监管要求与伦理规范。
（12）综合项目实战：结合所学知识，完成一个完整的企业级大模型应用项目（如金融领域智能投研助手、医疗知识问答系统、企业知识库智能客服）。涵盖需求分析、数据处理、RAG系统构建、智能体开发、模型微调、性能优化、部署上线的全流程，形成规范的大模型应用项目报告。
