Prompt Engineering and LLM Optimization for Developers
Large language models เป็นเลเยอร์ที่ใช้ได้จริงในซอฟต์แวร์จริงในปัจจุบัน — ใช้สำหรับการสร้างโค้ด การแตกประเภทข้อมูล สรุปข้อมูล และ autonomous agents ลำดับนี้สอนวิธีการสื่อสารกับโมเดลเหล่านั้นอย่างแม่นยำและเชื่อถือได้ วิธีการประเมินและรักษาความปลอดภัยของผลลัพธ์ และวิธีการรวมเข้ากับแอปพลิเคชันจริงโดยไม่ต้องเสียค่าใช้จ่ายที่เพิ่มขึ้นอย่างไม่คาดคิดหรือพฤติกรรมที่คาดไม่ได้ โฟกัสอยู่ที่การประยุกต์และเฉพาะสำหรับนักพัฒนา: แต่ละหัวข้อแมปไปยังการตัดสินใจที่คุณตัดสินใจเมื่อสร้างด้วย APIs เช่น OpenAI, Anthropic หรือ open-weight models
สิ่งที่คุณจะได้เรียนรู้
คุณจะเริ่มต้นด้วยพื้นฐาน prompt — clarity ของคำสั่ง role framing และ few-shot patterns — จากนั้นย้ายไปยังกลยุทธ์ขั้นสูง รวมถึง chain-of-thought, self-consistency และ output constraints หลักสูตรในภายหลังกล่าวถึงการรวม LLMs เข้ากับเวิร์กโฟลว์ของนักพัฒนา prompt engineering โดยเฉพาะสำหรับการสร้างโค้ดและงานข้อมูล และการสร้างแอปพลิเคชันที่ขับเคลื่อนด้วย LLM จากต้นจนจบ ลำดับนี้ยังครอบคลุมการประเมินและรักษาความปลอดภัยของผลลัพธ์ของโมเดล ระบุรูปแบบความล้มเหลว และการป้องกันการฉีด prompt การสอนสุดท้าย ครอบคลุมการปรับปรุงประสิทธิภาพ การปรับปรุงค่าใช้จ่าย fine-tuning สำหรับโดเมนเฉพาะ agentic AI patterns ที่มี tool use และ orchestration และไปป์ไลน์แบบสมบูรณ์สำหรับการใส่ LLM solutions และการขยายขนาด
เส้นทางการเรียนรู้
สิบสองหลักสูตรก้าวหน้าจาก A1 ถึง C1 หลักสูตรเปิดหัวข้อ Fundamentals of Prompt Engineering สร้างคำศัพท์และแบบจำลองทางจิตใจ หลักสูตรระดับกลาง — Integrating LLMs into Developer Workflows, Prompt Engineering for Code & Data และ Building LLM-Powered Applications — ขยับตัวเข้ากับการก่อสร้างที่ใช้ได้จริง ลำดับปิดตัวที่ C1 ด้วย Advanced Agentic AI & Orchestration, Customizing LLMs for Specific Domains และ Productionizing & Scaling LLM Solutions ครอบคลุมข้อกังวลทางวิศวกรรมที่เกิดขึ้นเมื่อคุณลักษณะ LLM ไปยังการผลิตในขนาดที่ใหญ่
วิธีการทำงาน
แต่ละหลักสูตรแบ่งออกเป็นบทเรียนที่สั้นและเน้นที่คุณทำให้สำเร็จด้วยข้อเสนอแนะแบบเรียลไทม์และติวเตอร์ AI ที่พร้อมใช้งานเมื่อคุณติดขัด แบบฝึกหัดนั้นใช้ได้จริง: คุณเขียน ทดสอบ และทำซ้ำบน prompts และ integration code โดยตรงในตัวแก้ไขในตัว เห็นผลกระทบของการเปลี่ยนแปลงแต่ละครั้งทันทีแทนที่จะอ่านเกี่ยวกับเรื่องนั้นในเชิงนามธรรม