Datawhale八年AI组队：LLM/Agent等多专题课程来袭

<div style="margin-bottom: 20px;">
  <p style="margin: 0 0 8px; font-weight: bold; font-size: 17px;">1. 大模型算法与系统教程：推理优化方向</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">这是一套面向大模型入门到进阶的实战学习资料，采用Notebook-first的形式，通过可运行、可验证的代码案例，帮助学习者从理论理解走向实际操作，掌握大模型的开发、调优和部署技巧。</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">学习路径可以从PyTorch算法实战部分开始，结合数学硬件与系统知识同步学习，后续再根据需求深入学习推理优化相关内容。推理优化方向的学习内容包括请求结构与指标分析、Prefill与Attention Kernel优化、KV缓存状态管理与单步生成逻辑、KV缓存生命周期管理、多请求调度与服务部署、量化部署与成本优化等。</p>
  <p style="margin: 0 0 8px;">本课程设有打卡筛选机制，适合对大模型推理优化感兴趣的算法工程师、开发工程师和产品经理，本次开放360个学习名额，配套开源学习仓库地址为https://github.com/datawhalechina/llm-algo-leetcode。</p>
</div>

<div style="margin-bottom: 20px;">
  <p style="margin: 0 0 8px; font-weight: bold; font-size: 17px;">2. 大模型算法与系统教程：显存优化方向</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">同样围绕大模型实战展开，聚焦显存优化方向的学习内容，帮助学习者掌握大模型训练与推理过程中的显存管理技巧。课程涵盖显存对象与生命周期管理、数据类型与模型规模适配、硬件与显存账本分析、单机训练显存策略、训练侧测量与预算决策、推理侧KV缓存与容量管理、量化与显存容量扩展、分布式显存与系统级扩展等内容。</p>
  <p style="margin: 0 0 8px;">本课程同样设有打卡筛选机制，适合对大模型显存优化感兴趣的算法工程师、开发工程师和产品经理，本次开放180个学习名额，配套开源学习仓库地址为https://github.com/datawhalechina/llm-algo-leetcode。</p>
</div>

<div style="margin-bottom: 20px;">
  <p style="margin: 0 0 8px; font-weight: bold; font-size: 17px;">3. 从零构建生产级智能体实战</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">本课程基于LangChain/LangGraph生态，系统讲解生产级AI智能体的构建方法。课程按照准备篇、认知篇、核心篇和进阶篇展开，涵盖智能体开发环境搭建、智能体框架原理、运行时与工具边界定义、虚拟文件系统、任务规划与分解、子智能体协作、异步交互、技能调用、长期记忆管理、人机协作机制、沙箱执行环境、文件系统权限控制和模型调用协议等能力。</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">本次组队学习聚焦第1-9章内容，学习者将从运行第一个智能体项目开始，逐步完成文件系统操作、任务规划、子智能体协作、技能调用、长期记忆和人机协作等实验，最终提交一个可运行的综合项目。课程推荐使用最新的0.7.x补丁版本，已使用旧版本学习的学习者需要先阅读版本更新说明完成迁移。</p>
  <p style="margin: 0 0 8px;">本课程适合具备Python基础和大语言模型API使用经验，能够完成Python3.11+环境配置，希望系统学习智能体工程化开发的学习者，本次开放360个学习名额，配套开源学习仓库地址为https://github.com/datawhalechina/deepagents-in-action。</p>
</div>

<div style="margin-bottom: 20px;">
  <p style="margin: 0 0 8px; font-weight: bold; font-size: 17px;">4. 智能体工程实践入门教程</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">这是一本面向AI智能体从入门到工程实践的开源教程，以"智能体=大语言模型+上下文管理+工具调用"为主线，通过理论讲解、工程案例和配套实验，帮助学习者系统理解并动手构建AI智能体。</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">项目共包含10个章节，覆盖上下文工程、用户记忆与检索增强生成、工具调用协议、代码智能体、异步交互、语音交互、计算机视觉应用、智能体评估、模型后训练、智能体持续进化和多智能体协作等内容。每个阶段都配有可运行的实验代码，可以边学边验证学习效果。</p>
  <p style="margin: 0 0 8px;">本课程适合具备Python和基础开发经验的开发者、算法工程师、高校学生及产品技术人员，有大语言模型API使用经验更佳，本次开放360个学习名额，配套开源学习仓库地址为https://github.com/bojieli/ai-agent-book/tree/main。</p>
</div>

<div style="margin-bottom: 20px;">
  <p style="margin: 0 0 8px; font-weight: bold; font-size: 17px;">5. AI+X创造节：AI办公专场</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">本次活动从真实职场岗位出发，帮助大家了解内容运营工作流程，拆解具体工作任务，并借助AI工具完成文章整理、视频切片或多平台文案发布等实践项目。比如拿到一场直播录像后，需要判断目标受众、筛选有价值的信息点，再借助AI工具生成不同类型的传播内容，并检查结果是否符合发布要求。</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">活动采用线上组队共学加线下实操交流的形式，每个参与者可以选择一项任务完成，不需要学习全部内容，最终可以带走一份完成的作品和一套可复用的工作方法，也能更具体地认识内容运营岗位的实际工作内容。</p>
  <p style="margin: 0 0 8px;">本课程适合对内容运营感兴趣的学生、职场新人和转岗者，以及希望改进工作方法的在职运营者，无需相关岗位或AI使用经验，本次开放360个学习名额，配套学习资源地址为https://manual.datawhale.cn/。</p>
</div>

<div style="margin-bottom: 20px;">
  <p style="margin: 0 0 8px; font-weight: bold; font-size: 17px;">6. 算子开发实战营：国产平台适配与性能优化</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">本实战营以"多DSL对比学习，建立算子开发本质认知"为核心，依托九源软件栈与沐曦GPU、MXMACA软件栈，系统学习九齿、Triton、TileLang三种领域特定语言的设计思想和编程范式。</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">学习者将完成GEMM、FlashAttention等复杂算子的实践开发，使用性能分析工具定位性能瓶颈，并体验AI辅助算子开发的工作流程。最终需要使用两种技术路线完成至少两个算子的实现与优化，并将其集成到Llama推理框架中，完成正确性验证和性能测试。</p>
  <p style="margin: 0 0 8px;">本课程适合具备GPU编程基础，希望学习多DSL开发、算子优化与国产异构平台适配的开发者、AI基础设施工程师及高校师生，本次开放360个学习名额，学习时间从9月10日开始，到10月18日项目截止，配套开源学习仓库地址为https://www.gitlink.org.cn/ccf-ai-infra/gollamago。</p>
</div>

<div style="margin-bottom: 20px;">
  <p style="margin: 0 0 8px; font-weight: bold; font-size: 17px;">7. 深度学习系统学习教程</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">这是一套面向深度学习学习者的系统性课程，从PyTorch和神经网络基础出发，逐步学习卷积神经网络、注意力机制、Transformer架构、生成模型、多模态模型以及大语言模型等核心技术，并延伸到训练、推理和系统优化等工程实践内容。</p>
  <p style="margin: 0 0 8px; text-indent: 2em;">课程强调理解技术原理，而不只是简单调用API。通过直观的概念解释、数学推导、代码实现和实际实验，学习者可以把不同模型背后的核心思想连接成一条完整的学习路径，建立继续学习现代深度学习技术的完整知识框架。</p>
  <p style="margin: 0 0 8px;">本课程适合具备Python、PyTorch和一定深度学习基础的学生及学习者，本次开放180个学习名额，配套开源学习仓库地址为https://github.com/datawhalechina/deep-learning-notes。</p>
</div>