# aigc **Repository Path**: qctlr/aigc ## Basic Information - **Project Name**: aigc - **Description**: No description available - **Primary Language**: Java - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2024-12-14 - **Last Updated**: 2024-12-14 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # 构筑大语言模型应用：应用开发与架构设计 > aka. Unlocking the Potential of Large Language Models: Real-World Use Cases 2023 年的上半年里，我（@phodal）和 Thoughtworks 的同事们（如：@[tianweiliu](https://github.com/tianweiliu)、@[teobler](https://github.com/teobler)、@[mutoe](https://github.com/mutoe) 等）、 开源社区的同伴们（如： 卷王@[CGQAQ](https://github.com/CGQAQ)、@[genffy](https://github.com/genffy)、 @[liruifengv](https://github.com/liruifengv) 等) 一起，创建了一系列的流行的或者不流行的开源项目。它们涉及了： - LLM 能力的充分运用 - Prompt 编写：Prompt 学习与编写模式 - Prompt 管理：Prompt 即代码 - LLM 下的软件开发工序及应用架构设计 - 新的交互设计：Chat 模式 - 大模型友好的工序：基于 AI 2.0 （ChatGPT + Copilot）如何去设计软件开发流程 - LLM 应用架构的设计与落地：Unit Mesh - 面向特定场景的 LLM 应用 - 基于开源模型构建自己的模型：特定场景的模型微调 + LLMOps - 上下文工程（prompt 工程）：LLM 应用的核心 围绕于上述的一系列内容，我们也在思考软件开发能给我们带来了什么。所以，我重新整理了过去半年的一些思考、文章，重新编写了这本开源电子书，希望能够帮助到大家。 关注我的微信公众号（搜索 phodal-weixin），获得更多及时的更新： ![微信公众号](src/images/qrcode.jpg) 我们发起的相关开源项目如下（包括但是不限于）： | 名称 | 描述 | 类型 | Stars | |----------------------------------------------------------------------------|------------------------------------------------------------------------------------------|-------------|------------------------------------------------------------------------------------------------| | [理解 Prompt](https://github.com/prompt-engineering/understand-prompt) | 基于编程、绘画、写作的 AI 探索与总结。 | 文档 | ![GitHub Repo stars](https://img.shields.io/github/stars/prompt-engineering/understand-prompt) | | [Prompt 编写模式](https://github.com/prompt-engineering/prompt-patterns) | 如何将思维框架赋予机器，以设计模式的形式来思考 prompt。 | 文档 | ![GitHub Repo stars](https://img.shields.io/github/stars/prompt-engineering/prompt-patterns) | | [ClickPrompt](https://github.com/prompt-engineering/click-prompt) | 用于一键轻松查看、分享和执行您的 Prompt。 | 应用 | ![GitHub Repo stars](https://img.shields.io/github/stars/prompt-engineering/click-prompt) | | [ChatVisualNovel](https://github.com/prompt-engineering/chat-visual-novel) | 基于 ChatGPT 的定制化视觉小说引擎 | 应用 | ![GitHub Repo stars](https://img.shields.io/github/stars/prompt-engineering/chat-visual-novel) | | [ChatFlow](https://github.com/prompt-engineering/chat-flow) | 打造个性化 ChatGPT 流程，构建自动化之路。 | 框架 | ![GitHub Repo stars](https://img.shields.io/github/stars/prompt-engineering/chat-flow) | | [Unit Mesh](https://github.com/unit-mesh/unit-mesh) | 基于 AI 为核心的软件 2.0 思想的软件架构。 | 架构 | ![GitHub Repo stars](https://img.shields.io/github/stars/unit-mesh/unit-mesh) | | [Unit Minions](https://github.com/unit-mesh/unit-minions) | AI 研发提效研究：自己动手训练 LoRA | 微调教程、指南、数据集 | ![GitHub Repo stars](https://img.shields.io/github/stars/unit-mesh/unit-minions) | | [Unit Runtime](https://github.com/unit-mesh/unit-runtime) | 一个 ChatGPT 等 AI 代码的运行环境，可一键启动并实时交互，帮助您快速构建和测试 AI 代码。 | 基础设施 | ![GitHub Repo stars](https://img.shields.io/github/stars/unit-mesh/unit-runtime) | | [DevTi](https://github.com/unit-mesh/devti) | 基于 LLM 的微调来提供全面智能化解决方案，助力开发人员高效完成开发任务，以实现自动化用户任务拆解、用户故事生成、自动化代码生成、自动化测试生成等等。 | 微调代码 | ![GitHub Repo stars](https://img.shields.io/github/stars/unit-mesh/devti) | | [AutoDev](https://github.com/unit-mesh/auto-dev) | 一款 Intellij IDEA 的 LLM/AI 辅助编程插件。AutoDev 能够与您的需求管理系统（例如 Jira、Trello、Github Issue 等）直接对接。 | IDEA 插件 | ![GitHub Repo stars](https://img.shields.io/github/stars/unit-mesh/auto-dev) | | [ArchGuard Co-mate](https://github.com/archguard/co-mate) | 基于人工智能技术的架构副驾驶、设计和治理工具 | 架构协同应用 | ![GitHub Repo stars](https://img.shields.io/github/stars/archguard/co-mate) | 我们在 QCon 上的演讲：[演讲：探索软件开发新工序：LLM 赋能研发效能提升](https://qcon.infoq.cn/2023/guangzhou/presentation/5319) > LLM（如 ChatGPT + GitHub > Copilot）作为一种创新的工具组合，为我们带来了全新的机遇。它能够帮助业务人员和开发者在需求、架构、编码、测试等环节提高效率和质量，实现从设计到验证的端到端流程。在本次分享中，我将向大家介绍 > LLM 在研发效能方面的应用场景和实践案例，展示它是如何在各个环节中发挥作用的。同时，我们还将分享如何构建私有化的 LLM > 工程化方式，使其更好地适应组织的需求。欢迎对 LLM + 研发效能感兴趣的朋友们参加本次分享，与我们一起探讨研发效能的未来。 我们在 Bilibili 上的大语言模型微调相关的视频： - LLaMA 系列在线视频： 《[代码辅助生成](https://www.bilibili.com/video/BV1Rh411u74H/)》 、《[测试代码生成](https://www.bilibili.com/video/BV1jg4y1G7Xc/)》 、《[详细需求生成](https://www.bilibili.com/video/BV1Us4y1N7rd/)》 、《[文本转 SQL](https://www.bilibili.com/video/BV1uv4y1H7bg/)》 - ChatGLM 系列在线视频： 《[LoRA 大比拼：ChatGLM vs LLaMA，谁更会写需求文档？](https://www.bilibili.com/video/BV1fv4y1n7Y3/)》 欢迎大家一起来参与我们的开源项目，一起来探索 LLM + 软件开发的未来。