《大模型部署与调优》课程标准

《大模型部署与调优》课程标准一、课程基本信息课程名称：大模型部署与调优课程代码：授课对象：面向专业：课程类型：修读方式：必修学时/学分数：72学时/2学分开课时间：授课地点：理视一体化教室（4号楼）学情分析：本课程授课对象为高职大二学生，已修完《人工智能通识》《Python程序设计》《大数据技术应用基础》等前置课程，具备基础的Python编程能力、数据处理思维和大模型基础认知，对AI技术落地应用有浓厚兴趣。学生动手能力差异较大，部分学生对代码开发存在畏难情绪，缺乏大模型本地部署、工作流编排、模型微调等工程化实操经验，对企业级大模型应用的全流程开发逻辑认知不足。课程将通过Dify低代码平台降低实操门槛，结合校企真实项目场景，培养学生的岗位适配能力与工程化思维。二、课程描述（一）课程性质《大模型部署与调优》是面向高职大数据、人工智能、财经商贸类相关专业开设的专业核心课，是一门校企合作开发的理实一体化课程。课程以大模型工程化落地为核心，立足“环境部署-应用开发-模型调优-安全治理”全流程能力培养，依托Dify低代码AI应用开发平台，结合Ollama本地部署、Qwen开源大模型，打破理论与实操的壁垒，为学生构建从开源大模型基础部署到行业场景化应用开发、从提示词工程到模型微调、从智能体开发到内容安全治理的完整知识体系。课程以“项目驱动、任务导向、学做结合”为设计理念，聚焦企业真实岗位需求，通过11个完整的企业级项目实训，让学生掌握大模型应用开发的核心技能，适配AI应用开发工程师、Prompt工程师、大模型运维工程师、智能体开发工程师等岗位的能力要求，同时培养学生的AI伦理意识、数据安全素养和工程化创新能力。（二）相关课程1.前置课程序号前置课程主要内容衔接关系1人工智能通识为课程奠定大模型基础概念、发展历程、主流工具应用的认知基础2大数据技术应用基础该课程的开设为数据思维的培养奠定基础。（2）平行课程序号平行课程主要内容衔接关系1数据分析与可视化与课程的数据分析类项目形成互补，提升学生数据处理与结果可视化的综合能力（3）后续课程序号后续课程主要内容衔接关系1流程自动化机器人通过该课程的学习为学生奠定数据抓取基础。三、课程目标与要求（一）课程目标课程教学目标备注1.思政目标身体素质达到《国家学生体质健康标准》，养成良好的健康与卫生习惯，良好的行为习惯。具有健康的体魄、积极的心态、良好的人际关系和健全的人格，能满足跨境电商工作基本要求。●政治思想素质坚定拥护中国共产党领导和我国社会主义制度，在习近平新时代中国特色社会主义思想指引下，践行社会主义核心价值观，具有深厚的爱国情感和中华民族自豪感，树立为乡村振兴服务的使命感和责任感，具有正确的世界观、人生观、价值观。●道德素质培养团结协作、诚实守信的品质，不仅要遵纪守法，更要遵守校规校纪，养成善于动脑、勤于思考、诚实守信的求学态度，弘扬民族传统美德。●心理素质树立身心健康的意识，学会确定目标的方法，掌握情绪管理的技巧，获取解决问题的技能，养成积极乐观的态度，探究实现自我的路径，积蓄服务社会的能力，成为阳光正气、身心健康、富有社会责任感的人。●科学文化素质掌握学科的基础知识、基本技能、方法，养成实事求是、追求真理、勇于创造的科学精神，理解课程的价值及其人文意蕴。●职业素养树立时间、效率观念，培养细心严谨的工作态度、客观公正的职业意识和爱岗敬业的职业精神，培养学生勇于创新、敬业乐业的工作作风。●创新创业素养提升数据敏感度和对数据价值的判断力，引导学生通过数据分析探索一般商业规律，同时形成良好的团队合作意识、竞争意识与创新意识。●2.知识目标大模型部署与调优掌握Ollama本地部署环境搭建方法，熟悉开源大模型（Qwen系列）的选型、下载与基础调用原理●掌握提示词工程的核心方法论，理解角色定义、任务拆解、格式约束、少样本提示等关键技巧在大模型输出控制中的应用●掌握提示词工程的核心方法论，理解角色定义、任务拆解、格式约束、少样本提示等关键技巧在大模型输出控制中的应用●掌握检索增强生成（RAG）技术的工作原理，熟悉Dify知识库的构建、分段、索引、检索配置的全流程方法●理解OCR技术、多模态大模型在非结构化数据处理中的应用，掌握文档提取、票据识别、图片解析的核心知识●掌握大模型微调的基础概念、数据集构建标准、微调流程与策略，理解微调模型在Dify平台的部署与替换方法●掌握函数调用（FunctionCalling）的核心原理，理解Agent智能体的设计逻辑，熟悉MCP工具集成与多工具协同编排的知识●理解大模型“幻觉”现象的产生机理，掌握Temperature、Top-p、Top-k等生成参数对模型输出的影响规律●3.能力目标大模型部署与调优能独立完成Ollama本地环境部署，实现开源大模型的本地下载、运行与基础调用，完成Dify平台的本地化部署与基础配置●能独立在Dify平台完成Chatflow/Workflow工作流编排，熟练运用开始节点、LLM节点、条件分支、代码执行、文档提取等各类节点，实现复杂业务流程的自动化开发●能设计高质量的提示词，精准控制大模型的输出格式、内容边界与任务执行效果，解决行业场景中的文本分类、信息抽取、内容生成等实际问题●能独立完成Dify知识库的构建与配置，实现RAG检索增强生成应用开发，有效降低大模型幻觉，提升回答的事实准确性●能运用OCR技术与大模型实现票据、文档、图片等非结构化数据的结构化提取，完成票据识别、简历筛选、错题解析等场景化应用开发●能完成大模型微调数据集的收集、清洗与标注，实现Qwen模型的微调训练，并将微调模型部署到Dify工作流中，完成模型性能优化与效果验证●能基于函数调用与MCP工具集成，开发具备多工具协同能力的Agent智能体，实现智能客服、自动化内容处理等复杂场景的应用落地●能通过参数调优、RAG增强、提示词约束等多维度策略，治理大模型幻觉问题，搭建多层级内容安全防护体系，保障AI应用的合规性与安全性●能针对财务、教育、客服、企业管理等不同行业的实际需求，完成大模型应用的需求分析、流程设计、开发落地与测试调优全流程工作●4.与其他课程的衔接与融通知识课程名称衔接内容高职英语备注听说读写1.掌握英语基本语法；○2.能够阅读简短的英文文章。○沟通与交流1.能够使用英语进行日常沟通。◎2.能够理解日常生活中的英文标识。◎英语应用1.能够将中文翻译成英文。○2.能够看懂专业相关的英文特殊表达。○课程名称衔接内容统计学基础备注统计资料整理1.了解统计数据的来源方式；○2.掌握统计数据资料的基本整理方法。◎集中趋势度量1.了解集中趋势度量的各类指标；○2.掌握平均数、中位数、众数的计算方法。○抽样推断1.理解抽样推断的核心思想。○2.掌握抽样误差的计算。◎回归分析1.理解回归分析的核心思想。◎2.掌握构建回归方程的步骤。◎统计资料整理1.了解统计数据的来源方式；○2.掌握统计数据资料的基本整理方法。◎集中趋势度量1.了解集中趋势度量的各类指标；○2.掌握平均数、中位数、众数的计算方法。○课程名称衔接内容大数据技术应用基础备注PC的基本应用1.了解个人PC的基本组成与简单维护；○2.能熟练运用word文字处理软件进行商业报告、策划文案等文字录入、排版（文字、表格和图片混排）与打印；○3.能熟练运用电子表格软件Excel进行表格制作、数据处理、统计分析；○4.能熟练运用PowerPoint软件进行商业汇报、产品介绍、客户沟通等；○注：●表示该知识点在此课程中为主要内容◎表示在此课程中讲解和巩固该知识点○表示该知识点在此课程中加以巩固（二）课程要求教学模式：采用“校内教师理论授课+企业导师实战带教”双师协同教学模式，结合项目驱动、案例教学、小组研讨、实操实训、企业真实项目复盘等多元化教学方法；资源支撑：依托Dify官方平台、Ollama开源社区、阿里云/百度智能云AI平台，使用校企合作开发的校本教材、项目实训手册、官方技术文档、在线实训平台等教学资源；能力进阶：遵循“环境部署→基础应用→场景开发→模型调优→安全治理→综合实战”的能力递进路径，通过11个项目模块实现“学中做、做中学”，确保学生掌握企业级大模型应用开发的全流程能力；合规要求：教学过程中严格遵守《生成式人工智能服务管理暂行办法》，强化AI伦理、数据安全、知识产权保护的教学，引导学生合规使用开源大模型与生成式AI技术。四、教学方式方式是否使用方式是否使用方式是否使用讲授是实习学习否现场学习是任务驱动是调研否分组合作是参观访问否专题学习是案例分析是自主学习是小组讨论是实习实训是嘉宾讲座否模拟演练是其它五、课程结构与内容本课程严格对接高职大数据相关专业人才培养方案，紧跟大模型技术发展与企业岗位需求，依托校企合作单位真实业务流程，以11个实战项目为核心载体，重构课程内容体系，将职业道德、工匠精神、数据安全、AI伦理等思政元素融入每个项目任务中。课程内容拆分重构为五大模块，校企导师分工协作，共同完成备课、授课与实训指导全流程教学工作。模块序号模块名称核心教学内容教学实施分工模块一大模型基础环境部署与平台认知大模型技术发展与行业应用现状；2.Ollama本地部署环境搭建，开源大模型（Qwen）的下载、安装与基础调用；3.Dify平台的架构、核心功能与本地化部署；4.Dify平台基础操作、对话型应用创建与基础配置；5.大模型基础参数配置与简单Prompt编写；6.中国大模型技术自主创新发展历程与科技自强思政教育。校内导师：负责大模型基础理论、环境搭建步骤、平台基础操作的讲授，指导学生完成基础环境部署实训；企业导师：分享企业级大模型部署规范、开源模型选型策略与行业落地现状，激发学生职业认知。模块二Dify工作流基础与Prompt工程DifyChatflow/Workflow工作流设计原理与节点类型；开始节点、LLM节点、条件分支、直接回复等基础节点的配置与使用；提示词工程核心方法论：角色定义、任务拆解、格式约束、少样本提示、思维链引导；Dify知识库构建、文本分段与索引配置，RAG检索增强生成基础；变量管理、上下文传递与多轮对话记忆功能配置；6.校园百事通、宿舍报修管家项目实战开发。校内导师：负责工作流编排逻辑、提示词设计技巧、知识库构建的理论讲解与实操指导；企业导师：演示企业级智能问答系统、智能工单系统的落地案例，优化学生项目开发的业务逻辑。模块三大模型行业场景应用开发大模型在数据分析、人力资源、财务、教育、客服、知识管理等行业的落地逻辑；文档提取器、代码执行节点、迭代节点、变量聚合器等高级节点的应用；OCR技术与多模态大模型在非结构化数据提取中的应用；Echarts可视化、JSON数据处理、Excel文件解析与生成；HTTP请求节点、工具调用与外部系统集成方法；6.销售数据智析、智能简历筛选、Excel分析助手、票据智核、错题智辅、知识速递、客服暖心项目实战开发。校内导师：负责高级节点使用、多模态处理、数据格式转换的技术教学，拆解各行业项目的开发逻辑；企业导师：提供各行业真实业务需求与项目案例，指导学生完成场景化应用的全流程开发与业务逻辑优化。模块四大模型微调与性能优化大模型微调的基础概念、适用场景与核心策略；微调数据集的构建标准、数据收集、清洗与标注方法；Qwen模型微调的实操流程与训练参数配置；微调模型的效果评估、迭代优化方法；微调模型在Dify平台的部署、替换与工作流集成；6.Dify工作流的性能优化、并行执行与依赖管理。校内导师：负责大模型微调基础理论、数据集构建规范、模型部署流程的讲解与实训指导；企业导师：分享企业级模型微调的工程规范、落地流程与效果评估标准，指导学生完成模型微调实战。模块五大模型安全治理与综合项目实战大模型“幻觉”的产生机理、危害与多维度治理方案；Temperature、Top-p、Top-k等生成参数的调优方法与效果验证；大模型内容安全过滤的多层级策略：提示词约束、规则引擎、模型自审；大模型越狱风险、对抗性攻击与防护方法；AI伦理规范、数据安全法规与生成式AI合规要求；校企合作综合项目开发、答辩与成果展示；7.大模型技术发展趋势与职业发展规划。校内导师：负责幻觉治理、参数调优、内容安全的理论教学，引导学生开展AI伦理思辨与合规性分析；企业导师：分享行业AI安全合规实践，参与综合项目评审与成果点评，指导学生完成企业级项目的落地优化。六、学生考核与评价（一）学生期末课程成绩综合评定该课程的学生综合成绩主要由三部分构成，一是过程性评价，在每一个任务完成后，都要进行自我评价、组内互评、组间评价、教师评价、任务完成测试等，所有过程评价占总评价的50%；二是结果性评价，强调知识、能力和素质素养目标并重，明确考核标准，其考核结果占总评价的45%；三是增值性评价，关注学生群体的个体差异，做好学生个人课程学习记录册，全程记录学生个体在学习主动性、积极参与课前、课后任务、课堂踊跃发言、团队合作方面进行记录，关注学生增值效果，其评价结果占总评价的10%。表6-1学生课程成绩综合评定比例表序号评价类型占比主要内容1过程评价45%每一个学习任务完成后：进行自我评价、组内互评、组间评价、教师评价、知识能力测试等。2结果评价45%按照课程考核标准，对学生学完该课程后进行考核。3增值评价10%按照平时对学生个体的记录，进行评价。（二）课程知识、能力考核标准表6-2课程考核标准考核内容考核要点考核形式分值模块一大模型基础环境部署与平台认知◆Ollama本地环境搭建◆能独立完成Ollama与Dify平台的本地部署；◆能实现开源大模型的下载、运行与基础对话调用；◆能在Dify平台完成基础对话型应用的创建与配置。实操操作、项目提交10%◆开源大模型基础调用◆Dify平台基础操作与对话应用开发模块二Dify工作流基础与Prompt工程◆Dify工作流基础编排◆能熟练完成Dify基础工作流的节点配置与逻辑编排；◆能设计高质量提示词，精准控制大模型输出效果；◆能独立完成知识库构建与RAG应用开发；◆能完成两个基础项目的全流程开发与功能测试。实操操作、项目成果验收、功能测试20%◆知识库构建与RAG基础应用◆校园百事通、宿舍报修管家项目开发模块三大模型行业场景应用开发◆Dify高级节点应用◆能熟练运用各类高级节点完成复杂工作流编排；◆能实现票据、文档、图片等非结构化数据的智能提取；◆能完成工具调用与外部系统集成开发；◆能独立完成各行业场景项目的开发、测试与优化，实现业务需求。实操操作、项目成果验收、功能演示30%◆多模态数据处理与结构化提取◆外部工具与API集成◆7个行业场景项目实战开发模块四大模型微调与性能优化 ◆微调数据集构建◆能完成微调数据集的收集、清洗与标注；◆能独立完成Qwen模型的微调训练与效果评估；◆能将微调模型部署到Dify平台并完成工作流集成；◆能对工作流进行性能优化与并行执行配置。实操操作、实验报告、效果验证15%◆Qwen模型微调实操◆微调模型部署与工作流集成◆工作流性能优化模块五大模型安全治理与综合项目实战◆大模型幻觉治理与参数调优◆能通过多维度策略治理大模型幻觉，完成生成参数调优；◆能搭建多层级内容安全防护体系，实现合规性开发；◆能对AI应用进行伦理风险与合规性分析；◆能通过小组协作完成综合项目的全流程开发、演示与答辩.综合项目开发、答辩汇报、伦理分析报告25%◆内容安全防护体系搭建◆AI伦理与合规分析◆校企综合项目开发与答辩（三）每一个任务完成后过程评价表每一个学习任务完成过后，要开展自我评价、组内互评、组间评价、教师评价、综合评价、知识能力测试等。所有这些评价、测试工作，要利用现代化教育教学平台，在学习平台上完成。表6-3自我评价表班级组名学号评价指标评价内容分数分数评定信息搜集能够通过官方文档、开源社区、技术教程等多种渠道完成项目所需技术资料、数据资源的搜集与整理。5分技术实操能够熟练完成项目对应的环境配置、节点编排、代码编写、模型调用等实操操作，技能操作符合规范要求。5分工作感知度是否熟悉工作岗位与工作内容，认同工作价值；在工作中是否能获得满足感、愉悦感。5分参与意识能够积极参与小组合作学习，主动承担小组学习任务；能够与组内同学友好沟通、尊重理解；能够积极向老师、同学保持主动、多向、信息沟通，采纳他人建议；能够主动学习、参与项目，结果导向，时间管理高效。5分学习方法学习方法得体，有工作计划、人员分工合理；技能操作是否符合规范要求；是否能按要求完成不拖沓；是否获得了进一步学习的能力。5分学习过程遵守工作纪律与工作现场管理制度；能够有饱满的出勤率；能够拥有积极乐观心态面对学习困难；能够主动思考、发现问题、解决问题；按时完成项目任务。5分思维态度是否能发现问题、提出问题、分析问题、解决问题、创新问题。5分知识、能力掌握知识目标、能力目标达成度。55分自评反馈能够客观总结项目完成中的收获、不足与改进方向，形成完整的项目实训总结。10分自评分数有益的经验和做法总结反馈建议表6-4小组内互评表班级组号被评价人学号评价指标评价内容分数分数评定信息收集能够通过各种途径搜索信息。5分该组能将查到的信息有效地传递到工作中（汇报、展示）。5分沟通协作能够与组内成员友好沟通、相互尊重，主动分享技术经验与解决方案，积极采纳他人合理建议，高效完成协作任务。10分感知工作该组能是否熟悉工作岗位，认同工作价值。5分该组成员在工作中是否能获得满足感、愉悦感。5分参与态度该组与教师、同学之间是否相互尊重、理解、平等。5分该组与教师、同学之间是否能够保持主动、多向、适宜的信息交流。5分该组能提出有意义的问题或能发表个人见解；能按要求正确操作；能够倾听别人意见、协作共享。10分该组能够主动学习，结果导向，时间管理高效。5分学习方法该组的工作计划、操作技能、人员分工是否符合工作要求。5分该组是否获得了进一步发展的能力。5分工作过程该组遵守工作规范，技能操作过程符合工作岗位要求。5分该组平时上课的出勤情况和每天完成工作任务情况。5分该组成员是否能完成工作项目结果，并善于多角度分析问题，能主动发现、提出有价值的问题。10分思维态度该组是否能发现问题、提出问题、分析问题、解决问题、创新问题。5分自评反馈该组是否能严肃认真地对待自评，并能独立完成自测试题。10分互评分数简要评述表6-5小组间互评表班级评价小组日期年月日评价指标评价内容分数分数评定汇报表述表述准确15分语言流畅10分准确运用到了知识点、技能点15分内容完整度项目前期分享、准备完成度10分项目内容完成度10分项目操作完成度10分创新创意项目创新创意度10分工作实际数据项目描述性统计分析准确度、图表可视化类型多样性、结论可靠性。20分互评分数表6-6教师评价表班级组名姓名出勤情况评价内容评价要点考察要点分数分数评定知识掌握情况能够准确理解并运用项目对应的核心知识点、技术原理，完成知识目标要求。能够收集较为完整的数据。10分能够准确理解并运用项目对应的核心知识点能够熟练完成项目对应的实操操作20分互动交流情况组内交流教学互动积极参与交流20分主动接受教师指导任务完成情况规定时间内的完成度在规定时间内完成度20分任务完成的质量任务完成的质量20分任务完成的创新任务完成的创新10分合计100分表6-7企业导师评价表班级组名姓名出勤情况评价内容评价要点考察要点分数分数评定职业岗位素养职业道德职业思想职业行为习惯职业技能是否具备职业道德15分是否具备良好的职业行为习惯是否掌握必备的职业技能是否具有创新思维业务需求理解与工程化实操能力软件操作熟练程度能够准确理解企业真实业务需求，将技术能力与业务场景结合，项目开发贴合行业实际应用逻辑。70分能够按照企业级开发规范完成项目开发。工作流编排合理、代码规范、功能完整，具备基础的工程化思维项目开发贴合行业实际应用逻辑。能够针对业务场景提出创新性的解决方案。项目成果具备实际落地价值，展现出良好的职业发展潜力。交流互动组内互动组间互动教学互动积极参与交流15分有不懂的及时与团队、教师沟通合计100分（四）诊断与改进1.过程监控（1）学习进度跟踪定期问卷调查：在课程的不同阶段（如每两周或每月）发放问卷，了解学生的学习进度、遇到的难点及满意度。作业与项目提交情况：监控学生作业和项目的提交率、完成质量及反馈，评估学生对知识点的掌握程度。课堂参与度：通过在线讨论区、直播互动、课堂小测验等方式，观察学生的参与度和活跃度。（2）技术实操监控实训平台数据：通过Dify实训平台、线上教学系统，跟踪学生的项目开发进度、节点配置情况、代码编写与调试记录；阶段性实操考核：每个模块结束后开展阶段性实操考核，检验学生对核心技能的掌握程度，及时发现实操能力短板。（3）反馈机制即时反馈：在项目批改、课堂实操指导中，对学生的操作错误、逻辑问题给予即时反馈与指导，帮助学生及时纠正错误；定期反馈会议：每周开展师生反馈交流会，每月组织校企联合答疑会，鼓励学生分享学习心得、提出课程改进建议；一对一辅导：针对学习困难的学生，开展一对一实操辅导，制定个性化学习提升计划。2.结果反思（1）学习成效分析成绩分布分析：分析学生过程性评价、阶段性考核、期末综合考核的成绩分布情况，识别课程中普遍存在的知识薄弱点与技能难点；技能掌握情况分析：通过综合项目成果、项目答辩情况，评估学生大模型全流程开发的核心技能掌握程度，识别能力培养中的短板；岗位适配度分析：结合企业岗位需求，评估学生的能力与企业岗位要求的匹配度，优化课程内容与实训重点。（2）满意度调查课程内容满意度：通过期末问卷，了解学生对课程内容难度、实用性、趣味性、行业贴合度的满意度；教学方法评价：收集学生对双师教学、项目驱动、小组协作、企业案例教学等教学方法的反馈与优化建议；实训资源评价：收集学生对实训平台、项目案例、教学资源、软硬件环境的评价与改进需求。（3）问题与挑战分析影响学生学习动机的核心因素，如技术难度、职业认知、个人兴趣等；梳理学生在学习过程中普遍存在的技术难点与知识盲区，如模型微调、复杂工作流编排、Agent开发等；分析课程教学中存在的不足，如教学节奏、案例贴合度、实操指导深度等。3.改进措施（1）课程内容优化难度动态调整：根据学生的学习成效与反馈，动态调整课程内容的难度梯度，增加基础实操的分步指导，同时补充高阶拓展内容，满足不同层次学生的学习需求；行业内容更新：紧跟大模型技术迭代与企业岗位需求变化，持续更新企业真实项目案例，融入最新的技术应用与行业解决方案；实践环节强化：增加项目实操课时占比，拆分复杂项目为分步任务，降低学生实操门槛，让学生在分步实操中巩固核心技能。（2）教学方法改进多元化教学优化：深化双师协同教学，增加企业导师实战带教、企业项目复盘、线上直播实操等教学形式，提升教学的实战性；个性化辅导强化：针对不同基础的学生，制定分层教学计划，开展线上线下一对一辅导、学习小组互助等形式，补齐学生能力短板；沉浸式教学创新：引入企业真实项目场景，开展项目制学习（P