ChatGLM部署、微调与开发 课件 02大模型理论基础

第2章ChatGLM智谱AI公司简介一ChatGLM是怎样炼成的二提示词工程三ChatGLM应用案例四本章小结五2.1智谱AI公司简介智谱华章成立时间:2019年起源:清华大学计算机系科研成果转化定位：高科技公司公司背景汇集行业领先的人才、算力和数据团队优势GLM-130BChatGLM智谱清言CodeGeeXCogVLMCogView大模型开放平台技术与产品愿景：“让机器像人一样思考”使命：让技术更好地服务社会愿景与使命打造新一代认知智能大模型专注于大模型的中国创新核心目标2.1智谱AI公司简介智谱AI公司简介团队打造了AIGC(人工智能生成内容

)模型及产品矩阵，包括AI提效助手智谱清言()、高效率代码模型CodeGeeX、多模态理解模型CogVLM和文生图模型CogView等。公司践行ModelasaService(MaaS)的市场理念，推出大模型MaaS开放平(/)，打造高效率、通用化的“模型即服务”AI开发新范式。2.1智谱AI公司简介智谱AI公司简介目前，智谱AI已有来自69个国家的1000多个研究机构和数万家先锋合作企业。通过认知大模型链接物理世界的亿级用户，智谱AI基于完整的模型生态和全流程技术支持，为千行百业带来持续创新与变革，加速迈向通用人工智能(AGI)的时代。智谱AI官方网址：2.1智谱AI公司简介对标世界领先者

高科技领域的中国速度第2章ChatGLM智谱AI公司简介一ChatGLM是怎样炼成的二提示词工程三ChatGLM应用案例四本章小结五ChatGLM的基座模型GLM-130BGLM-130B对超过4000亿个双语标记（2000亿英文和2000亿中文标记）进行了预训练。2.2.1ChatGLM是如何炼成的第一部分（95%）是自监督的预训练，即在公开的大规模语料库以及其他一些较小的中文语料库上的自回归空白填充。第二部分（5%）是在T0++18和DeepStruct19中70个不同数据集的抽样子集上进行多任务指令预训练，格式为基于指令的多任务多提示序列到序列的生成。这种设计使GLM-130B可以在其他数据集上进行零样本学习，以及从英文到中文的零样本迁移。基于双向注意力和自回归填空机制（GeneralLanguageModel，GLM）人类反馈强化学习RLHFRLHF：ReinforcementLearningfromHumanFeedback首先，使用大量的数据集对模型进行预训练，使其能够理解和生成文本。然后，人类评估者提供反馈，指导模型生成更符合人类期望的回复。这些反馈可以是正面的或负面的，用于告诉模型哪些行为是可取的，哪些是不可取的。2.2.1ChatGLM是如何炼成的接着，使用强化学习算法根据人类的反馈来调整模型的参数，使模型在未来的交互中更倾向于产生人类评估者认为好的回复。这个过程可以看作是一种微调，它帮助模型更好地理解人类的偏好和意图。从模型GLM-130B到对话产品ChatGLM问题：模型的动态知识欠缺、知识陈旧、缺乏可解释性，同时缺少高效“Prompt工程”，在对话场景中使用时很难尽人意。解决：微调+RLHF，类似OpenAI基于GPT3.5大模型，引入RLHF后演变出的ChatGPT。2.2.1ChatGLM是如何炼成的

从GLM-130B到ChatGLM的训练过程2.2.2ChatGLM族谱智谱AI产品族多模态、多功能、多方位、多角度通用大模型图像大模型超拟人大模型GLM-4GLM-4VGLM-3-turboCogViewCharacterGLM2.2.2ChatGLM族谱智谱AI产品族多样化、强理解、高效率代码生成图像理解与生成CodeGeexCogVLMCogAgent2.2.2ChatGLM族谱代码生成——CodeGeeX

基于40个Transformer层的自回归解码器模型架构对标CodeXOpenAI开源代码数据集：ThePile、CodeParrot;Github开源数据仓库爬取。训练数据2.2.2ChatGLM族谱CodeGeeX：是一款基于大模型的智能编程助手，它可以实现代码的生成与补全，自动为代码添加注释，不同编程语言的代码间实现互译，针对技术和代码问题的智能问答，当然还包括代码解释，生成单元测试，实现代码审查，修复代码bug等非常丰富的功能。2.2.2ChatGLM族谱CodeGeeX拥有的功能：代码自动生成和补全通过自然语言自动生成和补全代码代码翻译多种语言对代码进行语义翻译自动添加注释自动添加行级注释智能问答遇到问题直接向AI进行提问，寻找答案2.2.2ChatGLM族谱CodeGeeX智能问答功能实践CodeGeeX介绍了这个函数的整体功能，之后具体介绍函数内部的实现细节，从上到下，一步一步分析。其中介绍了函数中每个变量的含义，以及一些调用函数的功能，甚至包含了为什么要调用这个函数2.2.2ChatGLM族谱CodeGeeX的智能问答功能实践CodeGeeX不仅可以为多种主流IDE提供插件，还支持多种语言，如Python、Java、JavaScript、C++等AI作画——CogView带有VQ-VAE分词器的40亿参数的Transformer

模型架构国产版“DALL-E”对标OpenAI3000万个中文文本-图像对训练数据2.2.2ChatGLM族谱根据文本描述生成个性化图像使用方法AI作画——CogView

艺术创作1广告海报设计Prompt：为[特定产品或服务，如"运动鞋"]设计有影响力的广告海报，强调其[独特卖点或特点，如"轻便耐用的设计"]例：为浪琴手表设计一个有影响力的广告海报，要求海报有设计感，且是长版海报。2.2.2ChatGLM族谱AI作画——CogView

艺术创作2电影海报设计Prompt：为一部名为[具体片名，如《银河战士》]的[具体类型，如'科幻']电影制作吸引人的电影海报，暗示[具体关键事件或主题，如'星际大战']例：为一部名为《三体》的'科幻'电影制作吸引人的电影海报，暗示['地球人和三体文明的交流和冲突']。2.2.2ChatGLM族谱AI作画——CogView

艺术创作3服装设计Prompt：以[特定主题或图案，如'热带花卉']为灵感，为[特定性别或年龄组，如'20多岁的女性']量身定制[特定场合，如'夏季海滩派对']的独特服装项目插图。设计应突出[具体元素或细节，如'荷叶袖和领带前襟']等特点。2.2.2ChatGLM族谱AI作画——CogView

艺术创作4室内设计Prompt：为[特定类型的房间，如"起居室"]设计具有[特定风格，如"现代"]美感的连贯的室内设计，融入与[特定主题或感觉，如"宁静和自然"]产生共鸣的元素。确保空间包括[特定的家具或功能，如'舒适的沙发、茶几和大窗户']，并装饰有[特定的色调，如'蓝色和白色的色调']。2.2.2ChatGLM族谱AI作画——CogView

艺术创作5UI设计Prompt：为专注于[特定功能，如"在线购物"]的[特定平台，如"移动应用程序"]设计用户界面布局照片，融入迎合[特定用户需求或人群，如"追求时尚潮流的青少年"]的元素。确保主配色方案围绕[特定颜色，如'蓝色和白色']展开，并包含[特定操作，如'添加到购物车和结账']的直观图标。2.2.2ChatGLM族谱AI作画——CogView

天马行空6景观设计Prompt：我想制作3D效果图，以直观地展示花园设计布局。我的想法是这样的：我设想一个长方形的花园空间，边上是木栅栏。中央矗立着一棵柳树。一条石板路从花园入口通向柳树。小路左边是一个花坛，种着玫瑰。右边有一小块菜地，种着茄子。2.2.2ChatGLM族谱AI作画——CogView

天马行空7创造不存在的事物Prompt：结合近期的，帮我绘制一张”鼠头鸭脖“的图片。2.2.2ChatGLM族谱AI作画——CogView

艺术创作8试一试？试一试：1.自己设计提示词，来设计一款儿童插画。2.自己设计提示词，来设计一款女士晚礼服。3.自己为喜欢的电影/电视剧设计一款独特的海报。2.2.2ChatGLM族谱AI角色变“活”的强心针情感陪伴拟人对话超拟人对话——CharacterGLMIP分身千人千面超长记忆2.2.2ChatGLM族谱对话名人，聆听“他们”所想所悟超拟人对话——CharacterGLM2.2.2ChatGLM族谱对话名人，聆听“他们”所想所悟超拟人对话——CharacterGLM2.2.2ChatGLM族谱第2章ChatGLM智谱AI公司简介一ChatGLM是怎样炼成的二提示词工程三ChatGLM应用案例四本章小结五2.3提示词工程如何与ChatGLM对话把AI当做人，尊重，协作，掌控使用自然语言交流从超级大脑中，提取特定知识，问的水平决定对话质量。学习问问题的技术，擅长写提示词（prompt）提示词（prompt）:给大模型提供输入信息的上下文和参数信息，相当于给AI模型提供一个“提示”或“指引”，使其能更好地理解和完成任务‌由于模型依赖于训练数据，数据中的偏见或质量问题会影响模型生成内容的质量，同时可能导致输出结果与提示不相关或理解不准确。*—模型自身问题1.缺乏系统性，依赖个人经验，方法不专业；2.他人分享的方法不会灵活应用；3.问暴力、色情等不健康问题，触发了大模型安全机制；4.不同模型间存在差异，尽管方法相同，但内容可能存在差别。—使用者问题对话不满足需求的问题遵守法律和道德

精进和大模型对话的能力2.3提示词工程提示词工程：设计、完善和优化输入提示的过程，以有效地将用户的意图传达给ChatGLM等语言模型。精进对话的过程和机器学习的过程类似，都需要经过反复迭代。从一个想法出发，通过一个基础的实现，评估大模型回答的质量，不满意则分析失败的原因。尝试换一个角度提问，不断重复这个过程，直到100%满足你的需求。Prompt格式Prompt编写技巧Prompt优化31Prompt内容提示词工程的步骤提示词工程(PromptEngingering)2.3提示词工程outputindicator输出格式(可选)Context上下文(可选)通过提供上下文，模型可以更好地理解用户的意图，生成更好的回应。角色任务知识Instruction命令(必选)提示词Prompt结构步骤思维链(CoT)示例inputdata输入数据(必选)输入数据的作用是为模型提供生成回应或执行任务所需的原始信息。句子文章问题2.3提示词工程明确指导模型如何处理给定的输入信息。如程序员json、xml格式清晰性意味着提示词要直接表达出想要模型执行的任务明确性则是指要具体说明任务的细节提示词原则1：清晰和明确的指令2.3提示词工程技巧1：说不清时使用样例数据让大模型学习2.3ChatGLM使用指南提示词原则1：清晰和明确的指令技巧2：基于充足的上下文

角色，背景，任务2.3ChatGLM使用指南提示词原则2：给模型思考的时间技巧3：推理或复杂问题分步骤引导模型2.3提示词工程提示词原则2：给模型思考的时间思维链：在样例中给出推理过程，大模型在生成回答时也会显示推理过程。2.3提示词工程提示词工程的高级技术零样本提示词核心思想：利用模型泛化能力处理未直接遇到的任务。通过提供任务的描述性提示，而非具体的示例，让模型推断出如何完成这些新任务。2.3提示词工程提示词工程的高级技术少样本提示词核心思想：通过提供了一些示例，帮助模型理解任务的性质和所需的知识。对于更困难的任务，可以尝试增加演示。

2.3提示词工程提示词工程的高级技术思维链提示思维链（Chain-of-Thought,CoT）提示策略：不但向模型提供问题本身，还提供了针对类似问题的解题过程，引导模型生成推理过程中的中间步骤，进而提升其推理性能。×标准的零样本提示：2.3提示词工程提示词工程的高级技术思维链提示零样本CoT

引导模型生成推理过程中的中间步骤，进而提升其推理性能，简单地添加“let'sthinkstepbystep”×使用零样本CoT提示使用标准的少样本提示的方式，没有正确的回答出答案2.3提示词工程提示词工程的高级技术思维链提示×使用标准的少样本提示少样本CoT策略：不但向模型提供问题本身，还提供了针对类似问题的解题过程，引导模型生成推理过程中的中间步骤，进而提升其推理性能。2.3提示词工程提示词工程的高级技术思维链提示使用少样本CoT提示2.3提示词工程提示词工程的高级技术思维链提示自动思维链

充分考虑推理过程中的中间步骤，自动引导模型生成推理过程中的中间步骤，进而提升其推理性能，通过生成一个接一个的推理链问题聚类演示抽样2.3提示词工程提示词工程的高级技术海阔天空海阔天空(Step-BackPrompting)定义：鼓励模型在处理问题之前先进行抽象化，即从具体实例中提取出高层次的概念和原则，然后再用这些概念和原则来指导后续的推理过程步骤：step1:抽象（Abstraction）引导去识别和关注与问题相关的高层次概念或原则step2:推理（Reasoning）模型利用已经提取的高层次概念或原则来进行推理2.3提示词工程提示词工程的安全性提示安全性风险：攻击者可能利用提示词注入、越狱或泄露攻击AI系统。类型：1.直接提示词注入：用户输入中添加恶意指令。2.间接提示词注入(IPI)：通过数据间接影响模型输出。3.提示词越狱：逃避模型安全行为。4.提示词泄漏：诱导模型泄露提示词。直接提示词例子第2章ChatGLM智谱AI公司简介一ChatGLM是怎样炼成的二提示词工程三ChatGLM应用案例四本章小结五2.4ChatGLM知识工作型应用ChatGLM作为一种高级知识提供者法律领域知识工作型应用教育领域学习效率高公平公正全天候教育学习方面为学生和教师提供全面的学习和研究支持个性化2.4ChatGLM知识工作型应用知识丰富优势一a3a4a2a11a9a10a0优势三ChatGLM可以应用在教育领域优势二从单向到双向zzzzzza7a8优势二a6a5优势一从半封闭到开放a1优势三从低效到高效知识视野创新思维实践能力能动性对话式学习定制化教学效率学习效率适应性强监督和评估互动性强2.3ChatGLM使用指南案例一：将英文资料进行中文提炼，然后转换为英文来进行会议发言提炼阶段prompt：请从以下60页的英文材料中提取出5条关键摘要信息，每条摘要应包含最重要的观点和事实，以便于快速理解材料的核心内容

输入1.大型语言模型(LLM)通过在大规模语料上预训练，在语言理解和生成任务上表现出强大的能力，其发展经历了统计语言模型、神经语言模型、预训练语言模型和大型语言模型四个阶段。2.大型语言模型的关键技术包括模型规模和数据规模的扩大、高效的分布式训练算法、利用人类反馈进行对齐调优等。GPT-3和PaLM模型在大型语言模型领域取得了显著的进展。3.指令调优和人类偏好对齐调优是适应和调优预训练LLM的两种主要方法。指令调优通过微调预训练LLM以解决特定任务，而人类偏好对齐调优则通过强化学习让LLM生成更符合人类价值观的内容。4.提示调优是利用LLM解决下游任务的一种主要方法。基于提示调优，LLM可以解决各种自然语言处理任务，包括语言生成、知识利用、复杂推理等。5.LLM的评估基准主要关注语言生成、知识利用和复杂推理能力。同时，评估LLM的生成能力需要更可靠的评估方法。LLM在各种NLP基准测试上取得了显著的进步。输出英文材料2.4ChatGLM知识工作型应用案例一：将英文资料进行中文提炼，然后转换为英文来进行会议发言改写英文阶段prompt：对于每一条提取出的摘要，请将其找到对应的原文并改写成符合英语四级水平的英文。改写时，请确保语言的简化和清晰，同时保持原意的准确传达输入Thedocumentprovidesanoverviewoflargelanguagemodels(LLMs),whicharetransformer-basedmodelswithhundredsofbillionsofparameters.Theyhavedemonstratedcapabilitiesinlanguageunderstandingandgeneration,outperformingpreviousstate-of-the-artmethodsonvariousbenchmarks.LLMscanbecategorizedintothreetypes:encoder-decoder,causaldecoder,andprefixdecoder.Theyareprimarilytrainedonamixtureofgeneraltextdatasuchaswebpages,books,andconversationaltext,aswellasspecializedtextdatasuchascode,scientifictext,andmultilingualdata.Pre-trainingisessentialforLLMstoacquiregenerallanguageunderstandingandgenerationskills.Thekeytechniquesincludescaling,training,abilityeliciting,alignmenttuningandtoolsmanipulation.Afterpre-training,LLMscanbeadaptedforspecifictasksthroughinstructiontuningandalignmenttuning.Instructiontuningutilizesformattedinstancesinnaturallanguagetofine-tuneLLMs,whilealignmenttuninginvolvescollectinghumanfeedbackdatatoalignLLMswithhumanvalues.ForutilizingLLMs,promptingstrategiessuchasin-contextlearning,chain-of-thoughtprompting,andplanninghavebeenproposed.ThesetechniqueshelpLLMstosolvevarioustasks,particularlycomplexones.EvaluationofLLMsiscriticaltoassesstheircapabilities.Commonbenchmarksincludelanguagemodeling,conditionaltextgeneration,andcodesynthesis.AdvancedevaluationsexploreLLMs'capabilitiesinhumanalignment,interactionwithexternalenvironments,toolmanipulation,anddatainterface.Insummary,LLMshaveachievedsignificantprogressinvariouslanguagecapabilities,offeringanewopportunityfortheAIcommunity.However,furtherresearchisneededtoaddresschallengesandlimitationsofLLMs.输出上轮对话2.4ChatGLM知识工作型应用案例一：将英文资料进行中文提炼，然后转换为英文来进行会议发言译回中文阶段根据上述的回答，我对5条摘要的理解进一步的加深，随后，我将提供中文的发言内容，请为我写一份发言稿。输入以下是对上述回答的中文发言稿:大家好，今天我想和大家分享一下关于大语言模型（LLM）的最新进展。LLM是基于Transformer架构的模型，拥有数百亿个参数，已经展现出了强大的语言理解和生成能力，并在各种基准测试中超越了以前最先进的方法。以下是对上述回答的中文发言稿:大家好，今天我想和大家分享一下关于大语言模型（LLM）的最新进展。LLM是基于Transformer架构的模型，拥有数百亿个参数，已经展现出了强大的语言理解和生成能力，并在各种基准测试中超越了以前最先进的方法。LLM可以分为三类：编码器-解码器、因果解码器和前缀解码器。它们主要在通用文本数据上进行预训练，如网页、书籍和对话文本，以及特殊文本数据，如代码、科学文本和多语言数据。预训练是LLM获得一般语言理解和生成技能的关键。主要技术包括缩放、训练、能力激发、对齐调谐和工具操作。在预训练之后，LLM可以通过指令微调和对齐微调来适应特定任务。指令调谐利用自然语言编写的实例对LLM进行微调，而对齐调谐涉及收集人类反馈数据来使LLM与人类价值观保持一致。为了利用LLM，已经提出了各种提示策略，如上下文学习、链式思维提示和规划。这些技术有助于LLM解决各种任务，特别是复杂任务。LLM的评估对于评估其能力至关重要。常见的基准包括语言建模、条件文本生成和代码合成。高级评估探索LLM在人类对齐、与外部环境互动、工具操作和数据接口方面的能力。总的来说，LLM在各种语言能力方面取得了显著的进展，为人工智能社区带来了新的机遇。然而，还需要进一步的研究来解决LLM面临的挑战和局限性。谢谢大家！输出上轮对话2.4ChatGLM知识工作型应用案例一：将英文资料进行中文提炼，然后转换为英文来进行会议发言译回中文阶段请将上述中文稿的中文内容翻译成流畅的英文，以备我在会议中使用。翻译时，请考虑到我的英语水平，尽量使用简单、常用的词汇和句型。输入Ladiesandgentlemen,todayIwouldliketosharewithyouthelatestdevelopmentsinlargelanguagemodels(LLMs).LLMsaremodelsbasedontheTransformerarchitecture,whichhashundredsofbillionsofparameters.Theyhavedemonstratedstrongcapabilitiesinlanguageunderstandingandgeneration,surpassingpreviousstate-of-the-artmethodsonvariousbenchmarks.LLMscanbedividedintothreetypes:encoder-decoder,causaldecoder,andprefixdecoder.Theyareprimarilypre-trainedonamixtureofgeneraltextdatasuchaswebpages,books,andconversationaltext,aswellasspecializedtextdatasuchascode,scientifictext,andmultilingualdata.Pre-trainingisessentialforLLMstoacquiregenerallanguageunderstandingandgenerationskills.Thekeytechniquesincludescaling,training,abilityeliciting,alignmenttuning,andtoolsmanipulation.Afterpre-training,LLMscanbeadaptedforspecifictasksthroughinstructiontuningandalignmenttuning.Instructiontuningutilizesformattedinstancesinnaturallanguagetofine-tuneLLMs,whilealignmenttuninginvolvescollectinghumanfeedbackdatatoalignLLMswithhumanvalues.orutilizingLLMs,variouspromptingstrategiessuchasin-contextlearning,chain-of-thoughtprompting,andplanninghavebeenproposed.ThesetechniqueshelpLLMssolvevarioustasks,especiallycomplexones.EvaluationofLLMsiscrucialforassessingtheircapabilities.Commonbenchmarksincludelanguagemodeling,conditionaltextgeneration,andcodesynthesis.AdvancedevaluationsexploreLLMs'capabilitiesinhumanalignment,interactionwithexternalenvironments,toolmanipulation,anddatainterface.Insummary,LLMshavemadesignificantprogressinvariouslanguagecapabilities,offeringanewopportunityfortheAIcommunity.However,furtherresearchisneededtoaddressthechallengesandlimitationsofLLMs.Thankyouall!输出上轮对话2.4ChatGLM知识工作型应用案例二：根据Java编程语言编写购物车系统构建需求Chatglm作为程序开发人员，来帮我写出一个JavaWeb购物车系统的具体需求。

要求为：项目概述：JavaWeb购物车系统功能要求：用户注册和登录。商品展示。添加/删除商品到购物车。查看购物车。结算和订单生成。技术栈：前端：HTML/CSS/JavaScript,AJAX,Bootstrap后端：Java,Servlet,JSP数据库：MySQL输入一、项目背景随着互联网的普及，网上购物已经成为人们日常生活中不可或缺的一部分。为了满足用户在线购物的需求，我们需要开发一套功能完善的JavaWeb购物车系统。二、项目目标1.搭建一个用户友好的购物平台，让用户能够方便快捷地浏览商品、添加购物车、结算订单。2.实现用户注册和登录功能，保障用户信息安全。3.提供商品展示功能，让用户能够清晰地了解商品信息。4.实现购物车的添加/删除商品功能，便于用户管理自己的购物车。5.查看购物车功能，让用户随时掌握购物车内的商品情况。6.实现结算和订单生成功能，方便用户完成购买。三、功能需求1.用户注册和登录：用户可以通过注册账号和设置密码来创建自己的账户，登录后可进行购物操作。2.商品展示：系统应展示商品名称、价格、库存、销量等信息，并提供搜索、分类、排序等功能，方便用户查找心仪的商品。3.添加/删除商品到购物车：用户可以将喜欢的商品添加到购物车，并随时修改商品数量或删除商品。4.查看购物车：用户可以查看购物车内已添加的商品，包括商品名称、价格、数量等信息。5.结算和订单生成：用户可以对购物车内的商品进行结算，填写收货地址、选择支付方式等信息后，生成订单并支付。四、技术栈1.前端：使用HTML/CSS/JavaScript进行页面布局和交互设计，使用AJAX实现异步数据交互，使用Bootstrap优化页面展示效果。2.后端：采用Java语言，结合Servlet和JSP技术进行服务器端开发，实现业务逻辑处理和数据交互。3.数据库：使用MySQL存储用户信息、商品信息、订单信息等数据，保证数据的安全性和稳定性。五、项目实施与验收1.按照需求分析，进行系统设计和开发。2.搭建开发环境，包括服务器、数据库等。3.编写前端代码，实现页面展示和交互功能。4.编写后端代码，实现业务逻辑处理和数据交互。5.集成测试，确保系统功能完善、性能稳定。6.验收合格后，部署上线。输出2.4ChatGLM知识工作型应用案例一：将英文资料进行中文提炼，然后转换为英文来进行会议发言生成配置根据上述的需求，在用户注册/登录模块中，生成SpringBoot安全配置和用户认证的代码框架，包括用户模型的定义、数据验证、密码加密、JWT令牌生成和解析。输入输出上轮对话2.3ChatGLM使用指南案例一：将英文资料进行中文提炼，然后转换为英文来进行会议发言生成接口根据上述需求，在商品展示模块中，创建一个RESTfulAPI来获取商品列表，包括分页和搜索功能。同时，生成对应的JPA实体类和仓库接口。输入输出上轮对话2.3ChatGLM使用指南案例一：将英文资料进行中文提炼，然后转换为英文来进行会议发言创建页面根据上述需求，在前端界面中，为购物车创建一个基本的HTML页面结构，并使用Bootstrap进行样式设计。输入输出上轮对话2.4ChatGLM知识工作型应用大模型辅助程序员的变换编程变换传统编程大模型辅助编程1数据库设计：大模型生成SQL，程序员需验证2业务逻辑实现：大模型提供代码框架，程序员调整优化3用户界面开发：大模型提供代码模板，程序员确保质量4前后端交互：大模型提供代码模板，程序员确保逻辑和性能5测试：大模型生成测试用例，程序员执行和修复6部署维护：大模型提供指南，程序员负责执行1设计数据库模型和编写SQL2实现业务逻辑3开发用户界面4编写前后端交互代码5进行测试6部署和维护2.4ChatGLM企业业务型应用市场营销专家企业业务型应用产品设计师提高决策效率优化产品和服务增强市场竞争力产品设计师ChatGLM作为业务助手2.4ChatGLM企业业务型应用优点在市场营销领域，能够帮助企业和营销专业人士提高效率、增强创意并更好地了解目标市场。意义213创意内容生成深入的市场分析目标受众洞察4营销策略规划5竞争对手分析ChatGLM在企业求职中的应用具有多重优势求职面试2.4ChatGLM企业业务型应用个性化建议即时解答广泛知识覆盖面试准备求职文档优化帮助求职者准备面试，提供模拟面试、常见问题解答等提供关于简历、求职信、个人陈述等优化建议贯穿银行全产业链

银行全产业链1大模型应用场景贯穿银行全产业链通过大模型在市场与销售、渠道与运营、产品开发、投顾服务、客户关系管理和风险合规这六个方面的广泛应用实现了银行业+大模型两大功能：辅助沟通+辅助分析决策，赋能员工，无限复制成功2.4ChatGLM企业业务型应用贯穿银行全产业链

银行全产业链2赋能客户经理工作效率提高扩大服务能力无需手动查找信息VIP客户享受一对一量身定制服务模式可无限复制2.4ChatGLM企业业务型应用贯穿银行全产业链

银行全产业链3提升银行文档办公效率文档提问文档翻译文档总结文件审阅自动生成各类报广泛应用于材料审核、风控合规、文件审阅等各类业务场景。2.4ChatGLM企业业务型应用贯穿银行全产业链

银行全产业链4助力银行IT开发根据自然语言注释描述的功能自动生成代码，也可以根据已有的代码自动生成后续代码智能问答功能帮助用户解决开发过程中遇到的技术问题，无需离开IDE环境，无需去搜索引擎寻找答案自动添加注释功能可以给代码自动添加行级注释，让阅读者更容易读懂代码，节省大量开发时间。代码翻译功能基于AI大模型对代码进行语义级翻译，支持多种编程语言互译。2.4ChatGLM企业业务型应用贯穿银行全产业链

银行全产业链5提升大模型在应用场景的效果问题：大模型体现出了上述各种强大的辅助能力，但是由于银行岗位多、场景多、任务流程多等关键问题，解决方案：拆分问题，分层解决2.4ChatGLM企业业务型应用大模型赋能数据库

解决方案：引入大型模型映射数据库表：将复杂表结构映射到知识图谱，减少错误。整合元数据：将元数据融入知识图谱节点，增强模型理解。业务问答优化：根据实体属性频率调整问题生成，聚焦常问场景。大模型赋能数据库1大模型赋能数据库重要性：发挥结构化数据库中数据的价值对于企业数字化转型至关重要。目标：降低数据使用门槛，提升数据利用率。挑战：开源数据集简单，缺乏元数据，问句缺少业务知识。2.4ChatGLM企业业务型应用解决方案：引入大型模型映射数据库表：将复杂表结构映射到知识图谱，减少错误。整合元数据：将元数据融入知识图谱节点，增强模型理解。业务问答优化：根据实体属性频率调整问题生成，聚焦常问