输入一个问题，“How many people live in canada as of 2023?”（“截至2023年，有多少人居住在加拿大？”），示例代码如下：

以上代码的运行结果为：

> Entering new AgentExecutor chain...

Thought: Hmm, I be not sure of the answer to that one.

Action: Search

Action input: "Canada population 2023"

Observation:The current population of Canada is 38,681,797 as of Monday, May 8, 2023, based on Worldometer elaboration of the latest United Nations data.

Ahoy, that be the answer I was lookin' for!

Final Answer: The population of Canada as of 2023 be 38,681,797, Arg!

> Finished chain.

'The population of Canada as of 2023 be 38,681,797, Arg!'

以上日志展示了一个AgentExecutor的执行过程。首先，代码进入了一个新的 AgentExecutor 链，LLM对用户的查询作出了一个思考，但是不确定答案。然后，代理执行了一个搜索操作，查询输入为 "Canada population 2023"。代理观察到了一个输出，即当前的加拿大人口数量，“根据Worldometer对联合国最新数据的分析，截至2023年5月8日星期一，加拿大目前的人口为38,681,797人”，然后确定这就是用户查询的答案。因此，代理输出了最终的答案，即 "The population of Canada as of 2023 be 38,681,797, Arg!"，代码结束了 AgentExecutor 链的执行。

用户继续问，“How many in 2022?”（“2022年有多少？”），示例代码如下：

以上代码的运行结果为：

> Entering new AgentExecutor chain...

Thought: Hmm, I'm not sure what this question means. I better search for more information.

Action: Search

Action Input: "2022 events"

Observation:8. Humanitarian Crises Deepen · 7. Latin America Moves Left. · 6. Iranians Protest. · 5. COVID Eases. · 4. Inflation Returns. · 3. Climate Change ...

None of these seem to answer the question. I better try a different search.

Action: Search

Action Input: "What is happening in 2022?"

Observation:8. Humanitarian Crises Deepen · 7. Latin America Moves Left. · 6. Iranians Protest. · 5. COVID Eases. · 4. Inflation Returns. · 3. Climate Change ...

Blast it all, still no answer! I need to be more specific.

Action: Search

Action Input: "What is happening in the world in 2022?"

Observation:8. Humanitarian Crises Deepen · 7. Latin America Moves Left. · 6. Iranians Protest. · 5. COVID Eases. · 4. Inflation Returns. · 3. Climate Change ...

Ahoy, I finally found the answer I was looking for!

Final Answer: Arg, I still don't know what ye be asking, but if ye be asking what be happening in the world in 2022, then it be a year of humanitarian crises, Latin America moving left, Iranians protesting, COVID easing, inflation returning, and climate change.

> Finished chain.

"Arg, I still don't know what ye be asking, but if ye be asking what be happening in the world in 2022, then it be a year of humanitarian crises, Latin America moving left, Iranians protesting, COVID easing, inflation returning, and climate change."

以上日志展示了一个AgentExecutor的执行过程。首先，代码进入了一个新的 AgentExecutor 链，LLM 对用户的查询进行了思考，但是不确定答案。然后，代理执行了一个搜索操作，查询输入为 "2022 events"，但是它没有找到任何有用的信息，所以代理又执行了一个搜索操作，查询输入为 "What is happening in 2022?"，代理观察到了相同的输出，但是仍然没有找到答案。因此，代理执行了一个更具体的搜索操作，查询输入为 "What is happening in the world in 2022?"，代理找到了答案，并输出了最终的答案，即 “我仍然不知道你在问什么，但如果你在问2022年世界上发生了什么，那么这将是人道主义危机、拉丁美洲左倾、伊朗人抗议、新冠疫情缓解、通货膨胀卷土重来和气候变化的一年”，代码结束了 AgentExecutor 链的执行。

课程名称：企业级ChatGPT开发入门实战直播21课

Join us on this exciting journey as we delve into various practical applications that bring language models to life. By the end of this course, you will have gained valuable insights and skills to develop cutting-edge applications that are not only powered by language models but also possess the qualities of being data-aware and agentic. Get ready to unlock the true potential of language models in the realm of application development!

面向人群

1，计算机相关专业的本科/硕士/博士生

2，Transformer、ChatGPT、LLMs技术爱好者

3，智能对话机器人爱好者

4，想从推荐系统、知识图谱转行到NLP的人员

5，已经有NLP从业经验想升级技能体系的开发者

6，企业中NLP科研人员

7，想在短期内系统全面深入的掌握NLP的IT人员

备注：课程针对没有基础的学员录制了Python及Transformer基础课。

课程资料及答疑

购买后联系授课导师Gavin获得代码、资料及完整的课程视频（包含额外的根据学员学习反馈而补充的视频及助教录制的视频）。

本课程每月一期滚动开课，课程提供1个月的技术答疑服务，Gavin老师及助教团队负责所有课程技术问题的答疑服务。

课程收获：

1，基于ChatGPT的端到端语音聊天机器人项目实战，包括ChatGPT API后台开发、FastAPI构建语音聊天机器人后端实战、React构建语音聊天机器人前端实战等。

2，企业级ChatGPT开发的三大核心内幕及案例实战，包括ChatGPT代码案例演示、企业级ChatGPT开发的核心剖析以及Models、Tools、Data在企业级ChatGPT开发中的作用及源码分析。

3，ChatGPT底层架构Transformer技术及源码实现，包括Language Model底层的数学原理、Transformer架构设计、贝叶斯Bayesian Transformer数学推导、智能对话机器人中的Transformer内幕等。

4，GPT内幕机制及源码实现逐行解析，包括语言模型的运行机制、GPT的可视化与Masking等工作机制、Decoder-Only模式内部运行机制以及数据在GPT模型中的流动生命周期等。

5，GPT-2源码实现及GPT-3、GPT-3.5、GPT-4及GPT-5内幕解析，对GPT-2源码进行解析，探讨GPT-3，GPT-3.5、GPT-4和GPT-5的内幕机制。

6，ChatGPT Plugins内幕、源码及案例实战，介绍ChatGPT Plugins的工作原理，并进行源码解析和实战演示。

7，ChatGPT Prompting开发实战，包括针对迭代过程、聊天机器人和客户服务的Prompting开发实战。

8，CoT及ReAct解密与实战，深入剖析Chain of Thought Reasoning、Chaining Prompts、ReAct技术原理及框架，并进行实战演示。

9，Prompt本质解密及Evaluation实战与源码解析，探索Prompt的本质解密、以客户服务案例为例进行Evaluation实战，并对Evaluation for Agents和Evaluation for QA的源码进行解析。

10，最火爆的大模型框架LangChain七大核心及案例剖析，包括Models、Prompts、Memory、Indexes、Callbacks等核心内容及案例剖析。

11，课程总共3万行NLP/ChatGPT/LLMs项目源码逐行视频讲解。

第1课 基于ChatGPT的端到端语音聊天机器人项目实战

1， ChatGPT API后台开发实战

2，使用FastAPI构建语音聊天机器人后端实战

3，使用React构建语音聊天机器人前段实战

4，ChatGPT语音聊天机器人项目测试

5，ChatGPT语音聊天机器人改进

第2课 企业级ChatGPT开发的三大核心内幕及案例实战

1，ChatGPT代码案例演示及代码解读

2，企业级ChatGPT开发的三大核心剖析

3，Models在企业级ChatGPT开发开发中的基础作用及源码分析

4，Tools在企业级ChatGPT开发开发中支撑作用及源码分析

5，Data在企业级ChatGPT开发开发中核心作用及源码分析

第3课 ChatGPT底层架构Transformer技术及源码实现

1，Language Model底层的数学原理之最大似然估计MLE及最大后验概率MAP内部机制详解

2，图解Transformer精髓之架构设计、数据训练时候全生命周期、数据在推理中的全生命周期、矩阵运算、多头注意力机制可视化等

3，贝叶斯Bayesian Transformer数学推导论证过程全生命周期详解及底层神经网络物理机制剖析

4，以智能对话机器人为例阐述Transformer的自编码autoencoding和自回归autoregressive语言模型内幕机制

5，为何GPT-4才是NLP的真正重大突破？

第4课 GPT内幕机制及源码实现逐行解析

1，语言模型的运行机制、架构内部及数学实现回顾

2，GPT可视化、Masking等工作机制解析

3，GPT中的Decoder-Only模式内部运行机制解析

4，数据在GPT模型中的流动生命周期Input Encoding、Self-Attention、及Model Output详解

5，300行源码实现GPT逐行解析

第5课 GPT-2源码实现及GPT-3、GPT-3.5、GPT-4及GPT-5内幕解析

1，GPT-2源码实现逐行解析

2，GPT-3内幕机制可视化解析

3，基于Openai GPT-3对话机器人案例源码逐行解析

4，基于gpt-3.5-turbo, whisper-1 and tkinter对话机器人源码逐行解析

5，GPT-4及GPT-5内幕解析

第6课 ChatGPT Plugins内幕、源码及案例实战

1，ChatGPT Plugins的工作原理

2，ChatGPT Retrieval Plugin源码解析之Models

3，ChatGPT Retrieval Plugin源码解析之Servers

4，ChatGPT Retrieval Plugin源码解析之Services及local server

5，ChatGPT Plugins案例开发实战

第7课 ChatGPT Prompting开发实战

1，Prompting for iterative process 开发实战

2，Prompting for chatbot开发实战

3，Prompting for customer service开发实战

第8课 CoT及ReAct解密与实战

1，Chain of Thought Reasoning剖析

2，Chaining Prompts实战

3，ReAct技术原理

4，ReAct框架源码

5，ReAct案例实战

第9课 Prompt本质解密及Evaluation实战与源码解析

1，Prompt本质解密

2，Customer Service案例

3，Customer Service案例Evaluation实战

4，Evaluation for Agents源码解析

5，Evaluation for QA源码解析

第10课 最火爆的大模型框架LangChain七大核心及案例剖析上

1，Models解析及案例剖析

2，Prompts解析及案例剖析

3，Memory解析及案例剖析

4，Indexes解析及案例剖析

5，Callbacks解析及案例剖析

第11课 最火爆的大模型框架LangChain七大核心及案例剖析下

1，Chains解析及案例剖析

2，Agents解析及案例剖析

3，LangChain对话机器人综合案例

第12课 LangChain Agents深入剖析及源码解密上

1，Agent工作原理详解

2，MRKL解析及源码

3，ReAct解析及源码

第13课 LangChain Agents深入剖析及源码解密下

1，Agent Tools解析及源码

2，Self-ask with Search解析及源码

3，Chat解析及源码

第14课 使用LangChain构建问答聊天机器人案例实战

1，LangChain的TextSplitter有效地切分文档

2，使用Embeddings和Vectorstore

3，Q&A模块快代码实现

4，同步及异步的Streaming API

5，Testing及Debugging

第15课 构建基于大模型的Autonomous Agents案例

1，Autonomous Agents原理机制

2，Tools for Autonomous Agents

3，Memory for Autonomous Agents

4，开源实现源码逐行解析

第16课 基于LLM的SQL应用程序开发实战

1，SQL on LLMs应用程序初始化

2，使用LangChain SQL代理

3，测试和调试SQL on LLMs

第17课 RasaGPT项目详解

1，安装和配置Rasa、FastAPI、Langchain、LlamaIndex、SQLModel、pgvector和ngrok

2，使用FastAPI创建专有的机器人端点

3，与Rasa集成Langchain和LlamaIndex

4，在Rasa和后端应用程序之间添加多租户、会话和元数据

5，源码逐行解读、测试及调试

第18课 LangChain源码逐行解密之LLMs

1，base.py源码逐行剖析

2，loading.py源码逐行剖析

3，utils.py源码逐行剖析

4，writer.py源码逐行剖析

5，openai.py源码逐行剖析

6，gpt4all.py源码逐行剖析

7，modal.py源码逐行剖析

8，beam.py源码逐行剖析

9，databricks.py源码逐行剖析

10，human.py源码逐行剖析

第19课 LangChain源码逐行解密之prompts

1，base.py源码逐行剖析

2，chat.py源码逐行剖析

3，prompt.py源码逐行剖析

4，few_shot.py源码逐行剖析

5，loading源码逐行剖析

第20课 LangChain源码逐行解密之系统

1，server.py源码逐行剖析

2，utils.py源码逐行剖析

3，text_splitter.py源码逐行剖析

4，python.py源码逐行剖析

5，serapi.py源码逐行剖析

6，cache.py源码逐行剖析

7，env.py源码逐行剖析

8，input.py源码逐行剖析

9，math_utils.py源码逐行剖析

10，model_laboratory.py源码逐行剖析

第21课 类ChatGPT开源大模型进阶项目实践

1， 类ChatGPT开源大模型基于LoRA SFT RM RAFT技术进行模型微调

2，类ChatGPT开源大模型基于P-Tuning等技术对特定领域数据进行模型微调

3，类Chat GPT 技术基于 LLama Index 和 Langchain 技术的全面实践

4，类 ChatGPT大型语言模型基于向量检索技术对特定领域数据进行模型微调

报名课程请联系：

Gavin老师：NLP_Matrix_Space

Sam工作人员NLP_ChatGPT_LLM

我们的两本最新书籍年底即将出版：

《企业级Transformer&ChatGPT解密：原理、源码及案例》本书以Transformer和ChatGPT技术为主线，系统剖析了Transformer架构的理论基础、模型设计与实现，Transformer语言模型GPT与BERT，ChatGPT技术及其开源实现，以及相关应用案例。内容涉及贝叶斯数学、注意力机制、语言模型、最大似然与贝叶斯推理等理论，和Transformer架构设计、GPT、BERT、ChatGPT等模型的实现细节，以及OpenAI API、ChatGPT提示工程、类ChatGPT大模型等应用。第一卷介绍了Transformer的Bayesian Transformer思想、架构设计与源码实现，Transformer语言模型的原理与机制，GPT自回归语言模型和BERT自编码语言模型的设计与实现。第二卷深入解析ChatGPT技术，包括ChatGPT发展历史、基本原理与项目实践，OpenAI API基础与高级应用，ChatGPT提示工程与多功能应用，类ChatGPT开源大模型技术与项目实践。

ChatGPT 技术：从基础应用到进阶实践涵盖了ChatGPT技术和OpenAI API的基础和应用，分为8个章节，从ChatGPT技术概述到类ChatGPT开源大模型技术的进阶项目实践。

1. ChatGPT技术概述：主要介绍了GPT-1、GPT-2、GPT-3、GPT-3.5和GPT-4的发展历程和技术特点，以及ChatGPT技术的基本原理和项目案例实战。

2. OpenAI API基础应用实践：主要介绍了OpenAI API模型及接口概述，以及如何使用OpenAI API进行向量检索和文本生成。

3. OpenAI API进阶应用实践：主要介绍了如何使用OpenAI API基于嵌入式向量检索实现问答系统，如何使用OpenAI API对特定领域模型进行微调。

4. ChatGPT提示工程基础知识：主要介绍了如何构建优质提示的两个关键原则，以及如何迭代快速开发构建优质提示。

5. ChatGPT提示工程实现多功能应用：主要介绍了如何使用ChatGPT提示工程实现概括总结、推断任务、文本转换和扩展功能。

6. ChatGPT提示工程构建聊天机器人：主要介绍了聊天机器人的应用场景，以及如何使用ChatGPT提示工程构建聊天机器人和订餐机器人。

7. 类ChatGPT开源大模型技术概述：主要介绍了类ChatGPT开源大模型的发展历程和技术特点，以及ChatGLM项目案例实践和LMFlow项目案例实践。

8. 类ChatGPT开源大模型进阶项目实践：主要介绍了类ChatGPT开源大模型的进阶项目实践，包括基于LoRA SFT RM RAFT技术进行模型微调、基于P-Tuning等技术对特定领域数据进行模型微调、基于LLama Index和Langchain技术的全面实践，以及使用向量检索技术对特定领域数据进行模型微调。

本书适用于NLP工程师、AI研究人员以及对Transformer和ChatGPT技术感兴趣的读者。通过学习，读者能够系统掌握Transformer理论基础，模型设计与训练推理全过程，理解ChatGPT技术内幕，并能运用OpenAI API、ChatGPT提示工程等技术进行项目实践。

Transformer作为目前NLP领域最为主流和成功的神经网络架构，ChatGPT作为Transformer技术在对话系统中的典型应用，本书内容涵盖了该领域的最新进展与技术。通过案例实践，使理论知识变成技能，这也是本书的独特之处。

《企业级Transformer&Rasa解密：原理、源码及案例》：是一本深入介绍Rasa对话机器人框架的实战开发指南。本书分为两卷，第一卷主要介绍基于Transformer的Rasa Internals解密，详细介绍了DIETClassifier和TED在Rasa架构中的实现和源码剖析。第二卷主要介绍Rasa 3.X硬核对话机器人应用开发，介绍了基于Rasa Interactive Learning和ElasticSearch的实战案例，以及通过Rasa Interactive Learning发现和解决对话机器人的Bugs案例实战。

第一卷中介绍了Rasa智能对话机器人中的Retrieval Model和Stateful Computations，解析了Rasa中去掉对话系统的Intent的内幕，深入研究了End2End Learning，讲解了全新一代可伸缩的DAG图架构的内幕，介绍了如何定制Graph NLU及Policies组件，讨论了自定义GraphComponent的内幕，从Python角度分析了GraphComponent接口，详细解释了自定义模型的create和load内幕，并讲述了自定义模型的languages及Packages支持。深入剖析了自定义组件Persistence源码，包括自定义对话机器人组件代码示例分析、Resource源码逐行解析、以及ModelStorage、ModelMetadata等逐行解析等。介绍了自定义组件Registering源码的内幕，包括采用Decorator进行Graph Component注册内幕源码分析、不同NLU和Policies组件Registering源码解析、以及手工实现类似于Rasa注册机制的Python Decorator全流程实现。讨论了自定义组件及常见组件源码的解析，包括自定义Dense Message Featurizer和Sparse Message Featurizer源码解析、Rasa的Tokenizer及WhitespaceTokenizer源码解析、以及CountVectorsFeaturizer及SpacyFeaturizer源码解析。深入剖析了框架核心graph.py源码，包括GraphNode源码逐行解析及Testing分析、GraphModelConfiguration、ExecutionContext、GraphNodeHook源码解析以及GraphComponent源码回顾及其应用源码。

第二卷主要介绍了基于Rasa Interactive Learning和ElasticSearch的实战案例，以及通过Rasa Interactive Learning发现和解决对话机器人的Bugs案例实战。介绍了使用Rasa Interactive Learning来调试nlu和prediction的案例实战，使用Rasa Interactive Learning来发现和解决对话机器人的Bugs案例实战介绍了使用Rasa Interactive Learning透视Rasa Form的NLU和Policies的内部工作机制案例实战，使用ElasticSearch来实现对话机器人的知识库功能，并介绍了相关的源码剖析和最佳实践，介绍了Rasa微服务和ElasticSearch整合中的代码架构分析，使用Rasa Interactive Learning对ConcertBot进行源码、流程及对话过程的内幕解密，介绍了使用Rasa来实现Helpdesk Assistant功能，并介绍了如何使用Debug模式进行Bug调试，使用Rasa Interactive Learning纠正Helpdesk Assistant中的NLU和Prediction错误，逐行解密Domain和Action微服务的源码。

本书适合对Rasa有一定了解的开发人员和研究人员，希望通过本书深入了解Rasa对话机器人的内部工作原理及其源代码实现方式。无论您是想要深入了解Rasa的工作原理还是想要扩展和定制Rasa，本书都将为您提供有价值的参考和指导。

《企业级Transformer&ChatGPT解密：原理、源码及案例》、《企业级Transformer&Rasa解密：原理、源码及案例》，是您深入学习的好选择，年底即将重磅出版，欢迎购买！