AI全栈大模型工程师(二)课程大纲

这节课会带给你

1. 通俗了解大模型的工作原理，秒赢 99% 其他人的认知
2. 了解指令工程的强大，不只是「说人话」那么简单
3. 浅尝 OpenAI API 的调用

开始上课！

一、解读本课大纲

1. 课程大纲的设计初心
2. 每部分能给你带来什么
3. 做自己的选择，定自己的目标

1.1、我们的初心

我们相信，懂 AI、懂编程、懂业务的超级个体，会是 AGI 时代最重要的人。所以我们提出了「AI 全栈工程师」这个概念，让它显得不那么浮夸。

这门课的目标，就是培养「AI 全栈」。

当然，「全栈」涉及的知识面非常广，我们这区区一门课不可能全部涉及。我们能做到的是，在各个方向上都为大家打开一扇门，带大家入门。想走得更深更远，要靠大家自己，和我们的社群。

但是，「入门」并不代表简单、肤浅。我们的课程会在三个层次发力：

1. 原理
2. 实践
3. 认知

不懂原理就不会举一反三，走不了太远。

不懂实践就只能纸上谈兵，做事不落地。

认知不高就无法做对决策，天花板太低。

1.2、大纲解读

模块	目的	原理	实践	认知
AI 大模型基础介绍	对大模型有直观的、基础的了解，以展开后续课程学习	大模型最基础的原理	搞定环境搭建和工具的使用	大模型并不神奇，也不神秘
Prompt Engineering	操纵大模型的基础方法	让 prompt 更大概率生效的原理	使用 prompt 和调用 OpenAI API	程序思维从确定性到模糊性的变化
Function Calling & Plugins	Prompt 和编程结合的当前最高级手段	Fine-tuning 比 prompt 更稳定	使用 Function Calling 解决问题	人机接口和机器接口的演化方向
AI 编程	学会用 AI 辅助编程，助力接下来的学习	AI 编程也是 prompt engineering	使用 AI 编程解决问题	从 AI 编程看提示工程和 AI 能力的天花板
LangChain	用 LangChain 开发大模型应用	什么是 embeddings	使用 LangChain 开发应用	各种大模型应用的技术套路
Semantic Kernel	LangChain 之外的另一个选择	-	使用 Semantic Kernel 开发应用	Prompt 和代码分离的思想
Fine-tuning	学会大模型应用技术的天花板	机器学习基础	训练出自己的独特大模型	大模型、GPU 选型
AI 产品设计	独立完成 AI 产品设计，成为 AI 全栈	商业、美学、用户体验的基本原理	设计商业模式，绘制原型图，快速做出 demo	什么是好的产品。技术含量高不代表产品好
业务沟通锦囊	没有产品经理帮忙，也能直面业务同事	与人沟通的基本原理	高效收集需求和反馈	做得好，多数时候确实不如说得妙
AI 绘画	AI 绘画，陶冶情操	文生图的原理	使用 prompt 绘画	-

1.3、定自己的目标

在全栈的知识面上，一个人短期把三层全占满是不太可能的。

每个人要根据自己的特点、目标和机遇，选择自己的方向。

1.4、FAQ

用好 AI 需要很多数学知识吗？

• 以前真需要，以后可能不那么需要了

有的知识太深，我理解不了怎么办

• 「用到再讲、学以致用」是我们的教学理念。很多知识，用着用着就理解了
• 少部分基础数学知识主要在数据和模型训练部分，可以根据自身情况选择性理解。不理解，也不大影响使用

感觉讲的太浅了，没学到知识怎么办

• 我们尽量在每节课里都涉及一少部分有深度的知识
• 如果感觉不解渴，欢迎在互动环节积极提问，我们现场解答

课听懂了，实际工作中还是不会用怎么办

• NLP的实际问题通常不是端到端由一个算法解决的，我们把拆解问题的思路融入课程中，用心体会
• 既然花钱来上课了，问我！

建议：

• 本课毕竟全球首创，且 AI 领域日新周异高速迭代，必有大量不足之处
• 我们会不断改进，欢迎随时提出宝贵意见。

二、什么是 AI？

课程总监孙志岗老师曾和「深蓝」的创造者许峰雄博士 1v1 交流数小时。许说：「AI is bullshit。深蓝没用任何 AI 算法，就是硬件穷举棋步。」

思考：你觉得哪些应用算是 AI？

三、ChatGPT 能干什么？

• 写文章
• 写邮件
• 出面试题
• 写代码
• 回答问题
• 陪聊天
• … …

我们来试试：https://chat.openai.com/

建议：

• 一定要有一个访问国外的「通道」，否则无法访问、实操本课大量资源。通道举例：Just My Socks
• 尽量找国外朋友帮忙认证 ChatGPT 手机号（一个手机号可以认证多次），不得已再从贩子手里买号
• 用 Bing Chat 也可以，邮箱注册就能用，且免费使用的模型就是宇宙最强的 GPT-4

3.1、既然是通用 AI，我怎么用它解决业务问题？

案例：从文字中识别快递地址、收件人、电话

代码都能写，写 JSON 当然不在话下！

更多举例

• **舆情分析：**从公司产品的评论中，分析哪些功能/元素是用户讨论最多的，评价是正向还是负向
• **坐席质检：**检查客服/销售人员与用户的对话记录，判断是否有争吵、辱骂、不当言论，话术是否符合标准
• **故障解释：**根据系统报错信息，给出方便非技术人员阅读的故障说明
• **零代码开发/运维：**自动规划任务，生成指令，自动执行
• **生成业务逻辑：**自定义一套业务描述语言（DSL），直接让ChatGPT写业务逻辑代码

思考：你的业务中，有哪些问题可以用 AI 解决？

3.2、从 AI 的视角，怎么定义我遇到的业务问题

首先，我们从三个角度来看待一个业务问题：

1. **输人是什么：**文本、图像、语音信号…
2. **输出是什么：**标签、数值、大段文字（包括代码、指令等）…
3. 怎么量化衡量输出的对错/好坏？

业务问题分类

绝大多数业务问题，都可以归入如下至少一类。

分类问题

笼统的说，输出是标签。输出的标签是个有限集。输出的标签是预先定义好的有限集。

例如：分析一段评论是正向还是负向，是典型的分类问题。输出是两个标签之一：“正向”或“负向”。

更复杂的分类，比如，输入一篇新闻，输出是“政治”、“经济”、“体育”、“娱乐”、“科技”之一（或多个标签）。

聚类问题

没法提前规定有多少种标签，只能把同一类事物聚合在一起，到底能聚出多少类，是数据本身决定的。

例如：自动收集客户经常问到的问题。（我们无法预知客户有多少问题，只能把同一个意思的问题聚合在一起）

回归问题

输出是一个数值，更重要的是，评价输出好坏的标准是误差大小，而不是二元的对错。

举例：跟据专车司机每天工作的时段、时长、跑的公里数，预估他一天的净利润

决策问题

输出是连续的一系列动作，每一步动作都有代价或收益，每一步的动作本身没有对错，而是要最大化最终的收益

举例：打游戏、下棋、无人驾驶、对话、量化投资

概率密度估计

超纲了，本门课不讲。提一下就是为了严谨。

复杂问题的两个视角

• 信息抽取，实体识别，内容生成本质上都是分类问题
• 在 ChatGPT 时代，上述很多问题都可以从文本生成的角度解决

划重点：

1. 把 ChatGPT 看做是一个函数，给输入，生成输出
2. 任何业务问题，都可以用语言描述，成为 ChatGPT 的输入，就能生成业务问题的结果
3. 实际生成中，算法工程师通常需要根据业务know-how将上述基本问题串起来。理解问题本质，对拆解任务有很大帮助！

四、以上问题，ChatGPT能解决哪些，不能解决哪些？

试一下就知道了……

4.1、分类问题

✅成功

4.2、聚类问题

✅成功

4.3、回归问题

❌失败

4.4、决策问题

✅成功 or ❌失败？

4.5、但它很擅长任务规划

4.6、遇到 ChatGPT 解决不了的问题怎么办？

• 学好后面自己训练模型那几节课（有些深度）
• 真学会了，身价倍增，加油！

五、它是怎么生成结果的？

其实，它只是根据上文，猜下一个词（的概率）……

OpenAI 的接口名就叫「completion」，也证明了其只会「生成」的本质。

下面用程序演示「生成下一个字」。你可以自己修改 prompt 试试。还可以使用相同的 prompt 运行多次。

import openai
import os
import time

from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

openai.api_key  = os.getenv('OPENAI_API_KEY')

prompt='今天我很'
response = openai.Completion.create(
  model="text-davinci-003",
  prompt=prompt,
  max_tokens=40,
  temperature=0,
  stream=True
)

#print(response.choices[0].text)

for chunk in response:
    print(chunk.choices[0].text, end='')
    time.sleep(0.2)

划重点： 我们用不严密但通俗的语言描述 ChatGPT 的工作原理：

1. GPT「大模型」阅读了人类曾说过的所有的话。这就是「学习」
2. 把一串词后面跟着的不同词的概率记下来。记下的就是「参数」，也叫「权重」
3. 当我们给它若干词，GPT 就能算出概率最高的下一个词是什么。这就是「生成」
4. 用生成的词，再加上上文，就能继续生成下一个词。以此类推，生成更多文字

思考：你用 ChatGPT 做过的事，是不是都能用这个原理解释？

5.1、大语言模型（LLM）：GPT，Transformer

六、OpenAI API初探

6.1、安装Python库

pip install --upgrade openai

6.2、查看可调用的模型

import openai
import os

# 加载 .env 文件

from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

# 从环境变量中获得你的 OpenAI Key

openai.api_key  = os.getenv('OPENAI_API_KEY')

# 模型列表

models = openai.Model.list()

for model in models.data:
    print(model.id)

6.3、发一条消息

# 消息格式

messages=[
    { 
        "role": "system", 
        "content": "你是AI助手小瓜.你是AGIClass的助教。这门课每周二、四上课。"
    },
    { 
        "role": "user", 
        "content": "你是干什么的?什么时间上课"
    },
    
]

# 调用ChatGPT-3.5

chat_completion = openai.ChatCompletion.create(model="gpt-3.5-turbo", messages=messages)

# 输出回复

print(chat_completion.choices[0].message.content)

彩蛋

我们开发的大模型提效利器：ChatALL。某前端工程师用后表示：「1 小时的调试工作缩短到 5 分钟」。

作业

为保证后续课程能正常跟进，请完成如下作业：

1. 能正常使用 ChatGPT 或 Bing Chat 至少之一
2. 下载安装 ChatALL，通过它体验 ChatGPT 或/和 Bing Chat
3. 在 GitHub 给 ChatALL 加个星星（此条自愿完成）

后记

博客主页：https://manor.blog.csdn.net

欢迎点赞 收藏 ⭐留言 如有错误敬请指正！
本文由 Maynor 原创，首发于 CSDN博客
不能老盯着手机屏幕，要不时地抬起头，看看老板的位置⭐
专栏持续更新,欢迎订阅：https://blog.csdn.net/xianyu120/category_12471942.html