# LLMs_Python **Repository Path**: andyham_andy.ham/llms_-python ## Basic Information - **Project Name**: LLMs_Python - **Description**: LLMs and Python teaching - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 22 - **Forks**: 0 - **Created**: 2024-09-04 - **Last Updated**: 2026-09-16 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README

LLMs_Python · 大模型与 Python

从 Prompt 到 Agent，从数据分析到机器学习——一门把大语言模型真正用起来的实战课程。

Course Stack Level Usage

--- 在 LLM 时代，会用聊天框不等于会用大模型。这门课程的目标是让学生从「和 AI 对话」进阶到「用 AI 解决实际问题」：写出结构化的 Prompt、搭建单线程与多线程 Agent 工作流、结合 MCP 完成企业年报分析、复刻金融时报级数据可视化，并最终用 CRISP-DM 方法论完成端到端的机器学习项目。 每个模块都配有课件、数据集与真实作业案例，可直接下载使用。 ## 目录 - [1. 课程定位](#1-课程定位) - [2. 课程大纲](#2-课程大纲) - [3. 仓库结构](#3-仓库结构) - [4. 快速开始](#4-快速开始) - [5. 工具与技术栈](#5-工具与技术栈) - [6. 教学理念](#6-教学理念) - [7. 优秀作业](#7-优秀作业) - [8. 贡献与反馈](#8-贡献与反馈) - [9. 许可证](#9-许可证) ## 1. 课程定位 ### 1.1 这门课解决什么问题 **会用工具，不会用方法。** 大部分人接触大模型停留在"问一句答一句"，面对真实的业务问题——批量处理文本、对比分析年报、预测汽车价格——不知道如何把任务拆解给大模型。 **Prompt 写得随意，产出不可控。** 提示词是和大模型协作的核心接口。缺少结构化方法时，同样的需求每次得到的结果质量波动很大，更无法沉淀成可复用的工作流。 **从"调包"到"懂原理"之间缺少桥梁。** 传统机器学习课程直接从数学公式开始，而纯工具课又停留在表面。这门课用大模型作为切入口，沿 CRISP-DM 方法论走完数据预处理到模型预测的完整流程，把两者连接起来。 ### 1.2 课程能力地图 | 阶段 | 你会学到 | 课程产出 | |---|---|---| | **基础入门** | Python 环境搭建（VS Code + 大模型插件）、用大模型提升文本数据处理效率 | 咖啡店商业计划书等实战文档 | | **Prompt 工程** | Prompt 基础、API 调用、结构化提示词、随意出招自成章法的规则设计 | 可复用的结构化提示词模板 | | **Agent 开发** | 单线程工作流、多线程 Agent 框架、图像流 + 工作流组合 | 小红书"洗稿"智能体、AIpoem 多线程框架 | | **Multi-LLM 协作** | 多个大模型结合 Prompt 驱动，从广度到深度的价值递进 | FinGenius 项目 | | **业务分析** | 业务理解与问题理解、MCP 结合大模型完成企业年报精读与横向/纵向对比 | 理想汽车年报对比分析报告 | | **数据可视化** | 复刻金融时报（FT）图表风格、外部数据接入、可视化词汇表 | FT 风格可视化作品 | | **机器学习** | CRISP-DM 数据预处理与模型处理、分类预测、回归预测 | 汽车价格预测完整项目 | ### 1.3 学习路径 ```text 环境搭建 → Prompt 基础 → 结构化 Prompt → Agent 工作流（单线程/多线程） → Multi-LLM 协作 → 业务理解与年报分析 → 数据可视化 → CRISP-DM 数据预处理 → 模型处理 → 分类/回归预测 ``` 前半程解决"把大模型用对"，后半程解决"用大模型做数据科学"。每个模块既是独立专题，也是下一模块的前置能力。 ## 2. 课程大纲 16 周教学安排与仓库模块的对应关系如下。带链接的模块可直接进入对应资料目录。 | 周次 | 主题 | 对应模块 | 核心内容与产出 | |---|---|---|---| | 第 1 周 | 课程简介——大模型处理文本数据 | [`01 大模型与Python`](01%20大模型与Python) | 课程介绍；利用大模型提升文本数据处理效率；咖啡店商业计划书案例 | | 第 2 周 | 环境安装及大模型插件使用 | [`02 Python环境安装`](02%20Python环境安装) | VS Code + Python 大语言模型环境安装 | | 第 3 周 | 提示词 Prompt 基础 | [`03 Prompt 提示词`](03%20Prompt%20提示词（基础A+应用B）) | Prompt 基础与应用；Prompt API 调用（作业 1：股票预测） | | 第 4-5 周 | 结构化 Prompt 进阶 | [`04 结构化Prompt进阶`](04%20结构化Prompt进阶%20(进阶A+规则B)) | 结构化提示词应用；"随意出招自成章法"规则设计；学生作品示例 | | 第 6-7 周 | 单变量 / 多变量可视化 | （见 03 模块股票数据） | 苹果时序股票数据可视化；股票预测多变量分析 | | 第 8 周 | Multi-LLMs 结合 Prompt 驱动 | [`07 Multi-LLMs结合Prompt驱动`](07%20Multi-LLMs结合Prompt驱动) | 从广度到深度的价值递进；FinGenius 项目配置与部署 | | 第 9 周 | 智能体 Agent-1（图像流 + 工作流） | [`05 单线程Agent工作流`](05%20单线程Agent工作流) | 小红书"洗稿"智能体设计（图像流 + 工作流） | | 第 10 周 | 业务理解和问题理解（财报分析） | [`06 多线程Agent框架`](06%20多线程Agent框架)、[`08 年报对比分析`](08%20利用大模型完成年报对比分析) | 多线程 Agent 框架（AIpoem）；MCP 结合大模型完成理想汽车年报精读与对比 | | 第 11-12 周 | 数据可视化（复刻金融时报 1-2） | [`09 复刻金融时报的数据可视化3`](09%20复刻金融时报的数据可视化3) | 利用 Gemini / 大模型进行数据可视化分析；FT 可视化词汇表；外部数据 | | 第 13-14 周 | 机器学习基础（CRISP-DM） | [`10-11 高级数据分析CRISP-DM`](10-11%20高级数据分析CRISP-DM) | 数据预处理 → 模型处理；数据科学原理 | | 第 15 周 | 分类预测（难点） | [`10-11 高级数据分析CRISP-DM`](10-11%20高级数据分析CRISP-DM) | 结构化数据 EDA 与建模 Skill | | 第 16 周 | 回归预测（难点） | [`10-11 高级数据分析CRISP-DM`](10-11%20高级数据分析CRISP-DM) | 使用 LLMs 进行汽车价格预测（完整项目） | 课程作业随模块发布：作业 1（Prompt API + 股票预测）、作业 2（Coze 创意融合照片合成）、作业 3（高级数据分析 CRISP-DM + 电信客户流数据），均附数据文件。 ## 3. 仓库结构 ```text LLMs_Python/ ├── 01 大模型与Python/ # 课程介绍、文本数据处理、商业计划书案例 ├── 02 Python环境安装/ # VS Code 环境安装指南 ├── 03 Prompt 提示词（基础A+应用B）/ # Prompt 基础、API 应用、股票预测作业 ├── 04 结构化Prompt进阶 (进阶A+规则B)/ # 结构化提示词、规则设计、学生作品 ├── 05 单线程Agent工作流/ # 小红书"洗稿"智能体 ├── 06 多线程Agent框架/ # AIpoem 框架、Coze 作业 ├── 07 Multi-LLMs结合Prompt驱动/ # 价值递进方法、FinGenius 项目 ├── 08 利用大模型完成年报对比分析/ # MCP 年报分析、理想汽车年报数据 ├── 09 复刻金融时报的数据可视化3/ # FT 风格可视化、词汇表、作业 3 ├── 10-11 高级数据分析CRISP-DM/ # 汽车价格预测、数据科学原理 └── 优秀作业/ # 期末优秀作业与年报分析 Skill ``` 各模块目录以编号排序，目录内包含课件（PDF）、配套数据（CSV / RAR / ZIP）与部分学生作品示例。`.keep` 文件仅用于目录占位，可忽略。 ## 4. 快速开始 ### 4.1 运行前提 | 项目 | 要求 | |---|---| | 编程环境 | Python 3.x + [VS Code](https://code.visualstudio.com/) | | 大模型插件 | VS Code 大语言模型插件（见 `02 Python环境安装`） | | 大模型平台 | 支持调用主流大模型 API；部分模块涉及 [Coze](https://www.coze.cn/) 智能体平台与 MCP | | 文件解压 | 部分数据以 RAR / ZIP 压缩包形式提供 | ### 4.2 使用步骤 ```bash # 1. 克隆仓库 git clone https://gitee.com/andyham_andy.ham/llms_-python.git cd llms_-python # 2. 按模块编号顺序学习，从 02 完成环境安装 # 3. 下载对应模块的数据压缩包，跟随课件完成练习 # 4. 参考各模块内的学生作品示例，完成并提交作业 ``` > **学习者建议**：零基础从模块 01 顺序学习；有 Python 基础可直接从模块 03（Prompt）或 08（年报分析）切入感兴趣的主题。教师可直接引用模块目录组织教学。 ## 5. 工具与技术栈 | 类别 | 工具 / 技术 | 应用场景 | |---|---|---| | **开发环境** | Python、VS Code、大模型插件 | 全课程基础环境 | | **Prompt 工程** | 结构化提示词、API 调用、规则设计 | 模块 03-04 | | **Agent 开发** | 单线程工作流、多线程框架、Coze | 模块 05-06 | | **Multi-LLM 协作** | 多模型组合驱动、FinGenius | 模块 07 | | **企业数据分析** | MCP、年报精读、横向/纵向对比 | 模块 08 | | **数据可视化** | 大模型可视化分析、FT 图表风格、可视化词汇表 | 模块 09 | | **机器学习** | CRISP-DM、EDA、分类/回归预测 | 模块 10-11 | ## 6. 教学理念 - **案例驱动**：每个模块围绕一个真实案例展开——商业计划书、小红书内容智能体、理想汽车年报、汽车价格预测——而非抽象的知识点罗列。 - **从广度到深度**：Multi-LLM 结合 Prompt 驱动的方法论，让学生先建立全局认识，再逐步深入单一问题的解决细节。 - **方法论落地**：后半程引入 CRISP-DM 数据挖掘标准流程，把大模型辅助的数据预处理、建模、评估串成完整闭环。 - **作品可见**：每个模块保留学生作品与优秀作业示例，学习目标具体、成果可对照。 ## 📄 许可证 本仓库为教学课程资料，仅供学习与交流使用。课件、研报及作业版权归原作者所有，引用请注明出处。