1. 直播拆解：工程级提示词拆解 - 复杂纠错润色类工程项目提示词拆解 - AI 编程工具提示词拆解 - Deep Research 类项目提示词拆解 - 自主决策Agent项目提示词拆解 2. 直播实践：AI 编程带教，AI应用 & MCP 开发

1. 大语言模型的运行原理和能力边界 1.1 AI 大模型如何“生成”内容： ①“生成式 AI”与“传统 AI”的核心差异；②搞懂大模型的核心概念：Token、Embedding、参数、上下文长度、Temperature 1.2 大模型从预训练到上线的全过程详解： ①大模型训练流程：预训练、微调、RLHF；②大模型训练相关概念：RL强化学习、蒸馏 1.3 大模型的分类、特性和技术前沿： 文本生成模型、图像生成模型、图像理解（视觉）模型、声音生成模型、视频生成模型、多模态模型 1.4 大语言模型的能力边界： ①推理和计算能力缺失；②幻觉问题和纠错失能；③响应和知识的实时性；④长期记忆管理难；⑤完全依赖用户表达力 2. 工程级提示词应用和实战 2.1 提示词工程的意义 ①常规提问和工程级提示词的差别、②如何撰写工程中可控的提示词 2.2 提示词工程和 4 个关键原则 ①工程级提示词分隔符的重要性；②要求大模型结构化输出信息；③给 AI 出口避免幻觉和胡说八道；④过长提示词/上下文带来的「近因偏差」问题 2.3 提示词攻防策略 ①对“内”防御：防止预期外输入导致的模型崩坏；②对“外”防御：防止别有用心的恶意攻击 3. 使用 API 调用大模型和参数调优 3.1 认识 API 和 JOSN 数据格式 ①JSON 数据格式快速入门；②API 原理和应用实践 3.2 使用 API 调用大模型 ①API 调用和 AI ChatBot 的区别；②API 调用大模型可用参数详解；③Function Call 详解 4. 编程基础、开源项目部署 4.1 快速入门 AI 编程的 10 个知识 ①程序的基本运行原理；②代码运行和环境配置；③HTML&JavaScript&css；④快速上手安装Python；⑤快速上手安装Nodejs；⑥编程软件推荐和安装 ；⑦Cursor & Windsurf 介绍和配置；⑧如何准确的向AI描述需求；⑨AI写代码的版本管理问题；⑩遇到报错如何调整 4.2 开源项目 Clone 和本地部署运行 ①如何下载GItHub 开源项目到本地；②本地运行 GItHub 开源项目（直接运行&Docker 部署）③本地部署和调用开源大模型 5. MCP 原理详解和应用 5.1 MCP 的价值和原理 ①为什么会有 MCP，它在解决什么问题？②MCP 如何让模型开发更高效？③MCP 的运行原理和分类 5.2 MCP Server 的应用安装 ①支持 MCP 的客户端；②热门 MCP Server 资源渠道；③MCP Sever 的安装和使用

1. 直播拆解：RAG 项目工程级优化拆解 - RAGFlow 项目关键工程优化详解 ①RAGFlow 的语料分块策略拆解； ②RAGFLow 的查询优化详解；③RAGFLow 经典提示词和工程优化解析 - LightRAG 和 GraphRAG 项目知识图谱的应用 ①知识图谱在 RAG 查询的优化价值；②LightRAG 的知识图谱优化策略分析；③GraphRAG 的知识图谱优化策略分析 - 轻量级 RAG 项目 QAnything 拆解 ①QAnything 的双阶段检索策略分析；②QAnything 的文档解析、分段策略分析

1. RAG的核心原理和主流架构 - RAG的基本原理和架构 - RAG 应用场景、优势和能力边界 - 主流 RAG 项目介绍 2. RAG关键技术：文档处理&Embedding - 资料文档的预处理策略 ①文档解析：PDF、Word、表格转 Markdown策略和项目；②文档预处理策略：清洗、QA 重构、分层和分隔符；③文档分段策略：自定义拆分、分层分段、分段重叠 - 知识文档的向量嵌入（Embedding） - Embedding 模型和数据库选型 3. RAG关键技术：检索混合增强和召回方案 - RAG 项目中的查询问题重构策略 - 混合检索策略和结果重排序（ReRank） - 不同召回答案问题下的提示词兜底策略 4. 使用 Graph 知识图谱增强 RAG - 知识图谱的发展和应用价值 - Graph 知识图谱强化 RAG 检索准确度

1. 直播拆解：主流 Workflow 产品和 Agent 项目介绍 - 主流开源工作流产品介绍 ①LangChain 项目介绍；②8N8 项目详解；③文擎毕昇项目详解；④FastGPT 项目详解 - 经典开源 Agent 项目拆解 ①微软 AutoGen 项目架构分析和关键模块优化策略拆解；②Manus 类开源项目架构特色分析和多角色 Agent 系统级提示词拆解 2. 直播实践：高阶工作流智能体实现拆解 - Dify - 把 Dify 作为后端服务 - 扣子 - DeepResearch 工作流 - 扣子 - 客服支持陪练 工作流

1. 低代码 Workflow 项目的原理和关键概念 1.1 使用 Workflow 开发 AI 应用 ①工作流 Workflow 的关键概念：节点、输入输出；②从需求到工作流构建的能力训练：输入-处理-输出映射；③Dify 插件工具系统介绍 2. Dify 部署和节点能力详解 2.1 Dify 项目本地部署和配置 ①使用 Docker 部署 Dify 社区版；②Dify 模型、插件配置；③使用本地模型的常见问题处理 2.2 Dify 全部功能和节点能力解析 ①Dify 基本功能介绍；②工作流 vs 会话流差异；③Dify 全部工作流节点功能和应用详解；④使用 API 调用 Dify 应用/工作流 3. Agent 原理和技术详解 3.1 Agent 原理与关键技术解析 ①Agent 核心原理ReAct图解；②Agent 的感知、规划和反馈能力；③Agent 的工具调用能力；④Agent 的记忆管理能力；⑤Agent 与 AI 应用（智能体）差异 3.2 Agent 开发和应用的局限性 ①通用 Agent 和垂直 Agent 价值前景分析；②模型能力带来的规划和反馈不稳定；③Token 和虚拟机带来的高成本问题；④Agent 专项模型微调

1. 直播拆解：微调工具和优秀项目拆解 - 主流大模型微调工具 ①零代码轻量级微调工具 Kiln；②开源微调工具 LLaMA-Factory部署和使用 - 经典微调项目拆解分析 ①CFGPT：金融场景下微调数据集的组成和处理；②LaTeX_OCR 公式识别视觉模型微调 2. 直播实践：线上微调工具阿里百炼云使用

1. 从预训练到偏好微调 - 微调的价值和使用条件 - 微调效果的三个验证指标 2. 大模型微调的类型和语料支持 - CPT 继续预训练和语料要求 - SFT 微调的类型和语料要求 - DPO 偏好微调和语料要求

1. 直播拆解：多行业商业&开源落地完整项目拆解 - 零售/消费/电商行业项目/案例剖析 ①商业：阿里绘蛙产品剖析；②开源：多专家支持的智能客服项目工程拆解 - 教育/培训/知识付费行业项目/案例剖析 ①商业：教师备课、授课、考试全流程赋能平台剖析；②开源：GPT Academic科研赋能项目工程拆解 - 企业服务/内部效率场景项目/案例剖析 ①商业：案牍合同审查、尽调平台剖析；②开源：FoloUP 招聘面试辅助项目工程拆解 2. 直播实践：从 0 开始设计 AI 产品的全流程

1. 大语言模型的 8 个使用模式 - 覆盖 80% 工作场景的8个AI 使用模式 - 文、图、多模态下的具体应用策略详解 2. 行业/场景具体应用剖析和案例分析 2.1 零售/消费/电商行业 ①产品化赋能可行性分析；②内容创作、市场营销场景；③电商运营、售后客服场景 2.2 教育/培训/知识付费行业 ①知识教育行业 AI 赋能的挑战和应用边界；②产品化赋能可行性分析；③教师/讲师端赋能场景；④学生/学员端赋能场景 2.3 企业服务/内部效率场景 ①产品化赋能可行性分析；②招聘、面试场景；③陪练、考核场景；④法务、审核场景；⑤搜索查询、流程协作场景