Logo
☆☆☆☆☆
0.0
Advanced
3h

LLMOps:构建可投入生产的 LLM 系统

LLMOps 是在生产流量、成本限制以及安全威胁的背景下,确保 LLM 应用可靠运行的实践。在本课程中,你将通过从零开始构建并运营一个应用,同时考虑生产环境的约束,学习 LLMOps。 你将从传统机器学习向基础模型的转变开始,了解推动 LLMOps 出现的约束条件:随机输出、高昂的推理成本,以及新的运维产物如提示词和向量索引。你将应用 4D LLMOps 生命周期,定义质量门禁,防止项目在概念验证阶段停滞不前。 你将实现一个参考 RAG 架构,并使用黄金数据集验证检索效果。接着,你将对提示词进行版本管理,强制结构化输出,并引入基于 LLM-as-a-judge 模式的自动化评估和回归测试。最后,你将通过安全与合规控制、容器化部署,以及反馈回路,为生产环境做好准备,确保应用上线后质量持续提升。

6 Lessons
Included in Subscription Plan
Personalized Learning
Powered by AI
LLMOps:构建可投入生产的 LLM 系统
LLMOps 是在生产流量、成本限制以及安全威胁的背景下,确保 LLM 应用可靠运行的实践。在本课程中,你将通过从零开始构建并运营一个应用,同时考虑生产环境的约束,学习 LLMOps。 你将从传统机器学习向基础模型的转变开始,了解推动 LLMOps 出现的约束条件:随机输出、高昂的推理成本,以及新...

WHAT YOU'LL LEARN

对 LLMOps 的含义有清晰的理解,并了解在使用大语言模型时,它与 MLOps 的区别

Content

6 Lessons • 0 Quizzes • 0 Challenges

现代 AI 系统的演进
  1. 1

    LLMOps 是什么,它为何存在?

  2. 2

    我们如何实现 LLMOps

  3. 3

    MLOps 到 LLMOps:哪些变化了,哪些保持不变

LLMOps 核心概念
  1. 1

    4D 框架(Discover、Distill、Deploy、Deliver)

  2. 2

    检索增强生成应用的架构

阶段 1:发现与数据工程
  1. 1

    构建生产级 RAG 应用的范围界定与规划

  2. 2

    LLMOps 的数据基础

  3. 3

    Embeddings、向量存储与评估

第二阶段:提炼与核心引擎
  1. 1

    提示工程与提示生命周期管理(导览)

  2. 2

    LLM 输出评估:指标、测试与人工反馈(小结)

第三阶段:部署与加固
  1. 1

    安全、合规与负责任的 LLMOps 运营

  2. 2

    推理基础设施:硬件、经济与延迟

  3. 3

    在生产环境中托管、服务和扩展大语言模型

第四阶段:交付与演进
  1. 1

    编排与应用逻辑

  2. 2

    质量、人工介入与治理

  3. 3

    LLMOps 中的未来发展方向

Certificate of Completion

Showcase your accomplishment by sharing your certificate of completion.

Course Author:Anonymous User

Reviews

Read reviews from students who have taken this course and share your own experience.

Reviews & Comments (0)