什么是⼤语⾔模型（LLM）| ⼤模型能做什么（⽂本⽣成、对话、推理、翻译、摘要）| 主流⼤模型介绍（GPT系列、Claude、通义千问、⽂⼼⼀⾔、 DeepSeek等）| ⼤模型的边界与局限（幻觉、知识截⽌、上下⽂窗⼝）

API调⽤模式| 聊天对话模式| 智能体Agent模式| RAG知识库问答模式| 多模态应⽤模式（⽂⽣图、图⽣⽂、⽂⽣视频）

AI客服、AI教育、AI医疗、AI办公、AI营销、AI编程等典型案例| 从场景到产品的转化逻辑

Coze平台定位（⼀站式AI智能体开发平台）| Coze国内版vs国际版| 平台核⼼能⼒：Bot创建、知识库、插件、⼯作流、发布多端

⻆⾊扮演提示词编写技巧| 设定⻆⾊身份、语⽓⻛格、知识边界| 对话开场⽩设计| 提示词调试与迭代优化| 上下⽂窗⼝概念| 多轮对话记忆机制| 对话变量设置| 上下⽂⻓度管理策略| 发布到⾖包| 发布到⻜书| 发布为API接⼝| 发布为独⽴⽹⻚链接| 微信/钉钉等渠道集成

RAG（检索增强⽣成）原理| 知识库能解决的问题（突破知识截⽌限制、企业私有知识问答、降低幻觉）| 知识库搭建与配置| Bot绑定知识库

什么是插件| Coze插件商店| 内置官⽅插件（搜索、图⽚识别、链接读取等）| 第三⽅插件| 链接读取插件、搜索插件、代码执⾏插件、图⽚理解插件、代码执⾏插件与图⽚理解插件实战

什么是⼯作流| ⼯作流vs简单对话Bot的适⽤场景| 可视化编排节点介绍| 开始节点（输⼊定义）| 结束节点（输出设置）| ⼤模型节点（LLM调⽤）| 代码节点（Python/JS）| 条件判断节点| 变量聚合节点| 节点编排实操

智能体项⽬需求分析| Bot架构设计| 分模块开发| 联调测试| 最终发布上线| 多端适配验证| ⽤户反馈收集| 后续迭代计划

Vibe Coding是什么| AI编程⼯具链| Claude Code安装与配置

医疗问诊智能体项⽬定位| 需求分析| 技术架构与项⽬数据流转| 项⽬结构搭建| ⼤模型接⼊| 问诊业务逻辑| 知识库服务| ⽇志与监控| 异常处理体系| 前端交互开发| 基于Vue打造前端Web界⾯| 前后端联调| 功能测试| 安全测试| 体验测试| 部署⽅案选型| 项⽬总结与展示

⼩组分配| 任务说明| 任务划分| ⼩组基于Coze开发智能体| 搭建WEB⻚⾯| Vibe Coding零代码开发⼩游戏| 项⽬答辩

学习⼤模型必备Python语⾔| Python解释器和Pycharm开发⼯具安装| 注释和变量| 标识符和关键字以及命名规范| 输⼊和输出函数| 算数运算，⽐较运算，逻辑运算，赋值运算

Python的三⼤流程控制语句| if选择结构，while/for循环结构| pass占位语句| 循环嵌套中的break/continue| 双重for循环执⾏流程| 99乘法表案例| 图形打印案例（三⻆形、菱形等）| 循环嵌套性能注意事项| 猜数字游戏开发、⽤户登录验证、带menu菜单程序设计实战

容器的概念与⽤途| Python内置容器类型：str/list/tuple/set/dict| 可变容器 vs 不可变容器| 容器选择决策| 索引与切⽚操作

函数⼊⻔| 函数定义和调⽤| 函数的参数和返回值| 变量作⽤域| 函数的多种参数| 拆包和变量交换| Lambda表达式

⽂件的读写⼊⻔| 中⽂乱码和路径问题| ⽂件复制| os模块| with-open语法| 异常处理⽅式| 导⼊包和模块

⾯向对象和⾯向过程| 类和对象的区别| 定义类和属性| 定义⽅法和魔法⽅法| ⾯向对象-案例| 【实战案例】⾯向对象综合实战案例| 继承的使⽤| 私有权限| 类属性和对象属性| 类⽅法和静态⽅法| ⾯向对象版-学⽣管理系统| 【实战作业】⾯向对象版-学⽣管理系统（采取部分实战）

深拷⻉, 浅拷⻉详解| 闭包详解| 装饰器详解| 【实战案例】装饰器实战案例| ⽹编相关概述介绍| ⽹编案例-客户端发送⽂件到服务器端| 并⾏和并发详解| 多进程-代码实现| 【实战案例】⽹编案例-客户端和服务器端交互| 多线程代码实现| 守护线程详解| 互斥锁详解| 线程同步详解| 上下⽂管理器详解| Json数据⽂件读取和处理| 【实战案例】Json数据⽂件读取和处理| ⽣成器详解| 协程详解| 迭代器详解| 正则表达式详解| 【实战案例】正则表达式⽂本匹配综合案例

数据库基本操作| 数据库概念和作⽤| 关系型数据库和⾮关系型数据库| MySQL数据类型| 数据完整性和约束| 数据库创建| 表操作命令| 表数据操作命令| where⼦句| 分组聚合| 连接查询| 外键的使⽤| PyMySQL安装和使⽤| sql注⼊| 【实战案例】 ⽤户登录系统| Redis安装| 字符串 (String) 缓存| 哈希 (Hash)存储对象| 列表 (List)消息队列| 有序集合 (ZSet)排⾏榜等

Numpy基础概念与操作| 运算优势| 数组的属性| 数组的索引| 数组的形状| 数组的运算| 数组的⼴播机制等| Pandas统计分析| Pandas数据整理| Pandas透视表| Pandas+Matplotlib可视化(直⽅图/散点图/柱状图/折线图/饼图)| 【实战案例】中美⽇GDP数据折线图制作

⼈⼯智能（AI）| 机器学习（ML）| 深度学习（DL）| 三者关系| 基于规则的学习与基于模型的学习的区别| 数据| 算法| 算⼒| CPU、GPU、TPU的特点| 样本| 特征| 标签| 训练集| 测试集| 有监督学习（回归/分类）| ⽆监督学习（聚类）| 半监督学习| 强化学习

获取数据| 数据基本处理| 特征⼯程| 模型训练| 模型评估| 上线服务| 特征提取| 特征预处理| 特征降维| 特征组合| ⽋拟合、过拟合的概念及产⽣原因| 泛化能⼒与奥卡姆剃⼑原则| KNN算法的核⼼思想| 交叉验证与⽹格搜索（GridSearchCV）| 混淆矩阵、精确率、召回率、F1-score

线性回归模型|损失函数（MSE）| 正规⽅程法与梯度下降法（全梯度/随机梯度/⼩批量梯度/SAG）| 评价指标：MAE、MSE、RMSE| L1正则化（Lasso回归）| L2正则化（岭回归）| 决策树（CART）的分类与回归原理| 决策树剪枝（预剪枝/后剪枝）| 集成学习思想| Bagging（随机森林）| Boosting（AdaBoost/GBDT/XGBoost等）| 随机森林的构建⽅法| 聚类算法（⽆监督学习）概念| 常⽤⽅法（K-Means/层次聚类/DBSCAN等）| K-Means算法实现流程| 聚类评估——SSE（误差平⽅和）、肘⽅法

深度学习概念| 深度学习发展史| 与机器学习的关系| 神经⽹络结构| 神经元构成| 输⼊层| 隐藏层| 输出层| 参数初始化⽅法| 激活函数| Sigmoid| tanh| ReLU| SoftMax

损失函数| 交叉熵| MAE| MSE| smoothL1| 优化算法| SGD（随机梯度下降）| Momentum（动量）| Adam（⾃适应矩估计）| 学习率衰减与正则化| 学习率衰减| Dropout（随机失活）| BN（批归⼀化）

卷积神经⽹络| 卷积层| 池化层| 特征图计算| 完成CIFAR-10图像分类| 循环神经⽹络| 词嵌⼊| RNN原理| 周杰伦歌词⽣成任

Pytorch安装与环境配置| 张量的概念| 张量的创建| 类型转换| 数值计算| 索引操作| 形状变换| 张量的拼接| ⾃动微分| Pytorch构建神经⽹络| Pytorch案例实战

什么是⾃然语⾔处理NLP| ⾃然语⾔处理NLP的发展史| ⾃然语⾔处理应⽤场景| 什么是⽂本预处理| ⽂本处理的基本⽅法| ⽂本张量的表示⽅法| ⽂本数据分析| ⽂本特征处理

什么是RNN| RNN模型作⽤及类别| 传统RNN| LSTM| GRU

什么是transformer| transformer的作⽤| transformer模型架构| transformer优势

Fasttext| 迁移学习| NLP中常⽤预训练模型| Transformers库的使⽤

LLM 基类：输⼊⽂本输出⽂本，传统⼤模型调⽤接⼝封装| ChatModel聊天模型：消息结构（System/Human/AI Message），对话格式封装| 模型集成：OpenAI、通义千问、本地开源模型 (Ollama/LlamaCpp)| 模型参数配置：temperature、top_p、max_tokens、stop词、流式输出stream| Embedding接⼝：⽂本向量化，⽂档Embedding、查询Embedding区别| 开源/闭源 Embedding 模型接⼊| 批量⽂本嵌⼊、⽂本分⽚后向量化| 向量维度、相似度计算（余弦相似度）

基础 PromptTemplate：变量占位符`{变量}`，字符串模板渲染| ChatPromptTemplate：多⻆⾊消息模板组合 (System/Human/AI)| Partial 局部变量预填充| from_messages 快速构建聊天模板| FewShotPromptTemplate 少样本模板| Example 样本示例| BaseOutputParser 基类，解析⼤模型返回⽂本| PydanticOutputParser：结构化输出 JSON，绑定数据模型| JsonOutputParser、CommaSeparatedListOutputParser| 格式化提示词注⼊，告诉模型输出格式

BaseTool ⼯具基类：name、description、_run 执⾏逻辑| 内置⼯具：搜索⼯具、计算器、PythonREPL 代码执⾏| ⾃定义⼯具 @tool 装饰器快速定义| Agent核⼼逻辑：思考(Thought)→⾏动(Action)→观察(Observation) ReAct框架| ReAct Agent、OpenAI Function Calling Agent| AgentExecutor代理执⾏器，循环执⾏思考调⽤⼯具| ⼯具选择、⼯具错误处理

理解Graph（⼯作流框架）| State（状态容器，TypedDict定义）| Node （执⾏单元，函数接收State返回更新）| Edge（连接与流向，含普通边和条件边）| Checkpoint（检查点持久化）| 使⽤Annotated类型标注字段的更新策略（如add_messages⽤于消息列表追加，operator.add⽤于数值累加），解决并⾏节点并发更新同⼀字段的冲突问题| 掌握StateGraph类的使⽤，通过add_node添加节点函数， add_edge(START, node)和add_edge(node, END)定义流转， add_conditional_edges绑定路由函数与路径映射表，实现动态分⽀| 节点直接返回Command(goto="node_name") 动态指定下⼀步，⽀持并⾏执⾏多个节点（goto传⼊列表），相⽐条件边更灵活，适合复杂动态流程| 使⽤SqliteSaver（或MemorySaver）作为checkpointer，通过thread_id区分会话，invoke时传⼊config⾃动保存状态，⽀持中断后恢复执⾏| 状态聚合：多个节点更新同⼀字段时通过Reducer合并| 分⽀并⾏：⼀个节点连接多个后继节点，LangGraph⾃动并⾏执⾏| 分⽀节点数量不同的并⾏处理：通过将多个前驱节点指向同⼀后继节点（add_edge(["B2", "C"], "D")）实现等待合并| 条件并⾏：add_conditional_edges配合返回列表的路由函数，动态决定并⾏执⾏哪些节点

Trace（⼀次完整Agent执⾏）| Span（执⾏中的每个步骤，如节点调⽤、 LLM请求）| Session（同⼀会话的多条Trace归组）、User（按学员ID过滤）| 通过Docker启动LangFuse服务（端⼝3001），⾸次使⽤需注册本地账号并⽣成API Key（Public Key+Secret Key），在.env.local中配置 LANGFUSE_PUBLIC_KEY、LANGFUSE_SECRET_KEY、LANGFUSE_HOST| 使⽤langfuse.callback.CallbackHandler创建Handler，通过LangChain的Callback机制注⼊config["callbacks"]，LangGraph的ainvoke⾃动追踪每个节点的输⼊、输出、耗时、Token消耗

词向量（Word Embedding）| ⼤模型Transformer架构的注意⼒机制| ⼤模型Transformer架构（encoder、decoder、encoder+decoder）| ⼤模型Transformer翻译任务实战

迁移学习的预训练模型和微调阶段| NLP中的常⽤预训练模型（BERT/ GPT-1/GPT-2）| Hugging Face预训练模型仓库| Huggingface Transformers库使⽤（提供了NLP领域预训练语⾔模型结构模型和调⽤框架）| 基于微调⽅式实现中⽂分类、中⽂填空、句⼦关系等任务

GPT/DeepSeek/QWen基础| GPT/DeepSeek/QWen架构变化| GPT/DeepSeek/QWen的预训练任务| 基于DeepSeek/QWen预训练+微调任务实战

计算机视觉定义| 计算机视觉的任务| 计算机视觉的应⽤领域| 计算机视觉的发展历史

图像的表示⽅法| 图像的IO操作| 图像的颜⾊空间| 图像的加法| 图像混合| 图像的⼏何变换| 图像噪声| 图像平滑⽅法

图像分类任务详解| 图像分类的数据集| 图像分类的评估⽅法| 常⽤的图像增强⽅法| tf.image进⾏图像增强| imagedatagenrator进⾏图像增强| 模型微调| 数据集获取| 【案例】图像⼏何颜⾊增强实践| 图像分类的CNN⽹络回顾| AlexNet⽹络实践| VGG⽹络架构| GoogLeNet详解与实践| Inception系列⽹络| ResNet⽹络结构与实践| 残差块和瓶颈块| 【案例】鲜花分类案例

图像分割定义| 图像分割的类型| 图像分割的开源数据集| 图像分割的评估指标| unet⽹络结构| 语义分割VOC数据集获取| 数据集⽣成器| 模型构建| 编码器实践| 解码器实践| 模型训练| 模型预测| 【案例】基于Unet的VOC数据的语义分割案例| 图像实例分割| MaskRCNN的⽹络构成| MaskRCNN的流程| ROIAlign原理与实践| ⽓球分割数据集的获取| 模型训练| 损失函数的实践| 模型预测| 【案例】MaskRCNN⽓球实例分割实践