feat: update for content

src/2-workflow-and-application-design.md

@@ -1,8 +1,21 @@
 # Workflow + AI 2.0
 
+在当前，我们对于 LLM 是无法充分信任的，因为他
+
 ## 高质量流程
 
+基于我们对 ChatGPT 的使用经验，我们建议在使用 ChatGPT 之前，先考虑如何设计高质量的流程。这里的高质量流程，指的是：
+
+- 明确的目标和目的：高质量的流程应该有明确的目标和目的，确保流程的设计和执行都能够达成预期的结果。 
+- 易于理解和操作：高质量的流程应该简单易懂，让执行者能够轻松理解并操作。流程的设计应该尽可能避免复杂的步骤和冗长的说明，以免造成执行者的困惑和错误。
+- 明确的责任和角色：高质量的流程应该明确各个执行者的责任和角色，避免执行者的混淆和错误。流程设计者应该明确各个角色的职责和权限，确保流程的顺利执行。
+- 可度量和评估：高质量的流程应该能够被度量和评估。流程设计者应该设计合适的指标和评估方式，以便对流程的执行效果进行评估和改进。
+
+如下是我们对于 SDLC + LLM 的探索过程中的展示示例：
+
+![SDLC](images/llm-sdlc-processes.png)
 
+将旅程拆得足够的详细，才能获得最好的效果。
 
 ## ChatFlow 的诞生动机：人类设计高质量流程 + AI 完成细节
 

src/3-engineering-finetune.md

@@ -1,4 +1,4 @@
-# 工程化微调
+# 微调之前的准备
 
 作为纯纯的软件工程师，我们发现：学懂基本的 AI Prompt 原理与模式，不懂 LLM （大语言模型）算法，你也可以轻易驾驭 LoRA （Low-Rank Adaptation of LLM，即插件式的微调）训练。
 

src/3-llm-ops.md

@@ -1,4 +1,6 @@
-# LLMOps
+# 微调的三阶六步：LLMOps 
+
+![LLMOps](images/llmops.png)
 
 在开源大语言模型（LLM）的加持之下，我们可以做到：
 
@@ -11,15 +13,6 @@
 
 通过利用 LLM 的能力，我们可以更好地应对 API 设计中的挑战，实现数字化价值最大化和 API 成为数字化资产的目标。
 
-于是，我们针对 LLM 与 API 的结合应用进行了深入研究，而在这个过程中，发现了一些很有意思的范式。我们将适合于此的 API 模式称为
-LLM 模型友好的 API。其定义如下：
-
-**大语言模型（LLM）友好的 API 是指为了更好地适应和利用大型语言模型的能力，而设计的软件 API 规格，以方便于 LLM 的指令设计和工具化集成。这种
-API 的格式和输入输出应当与大型语言模型的输入输出格式相匹配，以便大型语言模型可以更好地理解和处理输入，并输出符合预期的结果。
-**
-
-简单来说，就是设计 LLM 友好的 API 格式，以用于 LLM 生成与识别，以方便后续的代码生成等环节。
-
 ## **模式：集体智慧飞轮**
 
 结合我们对于 LLM 的理解与探索，结合 GitHub Copilot 的免费试验过程与逻辑实现。我们基于 ChatGLM 训练了我们的第一个架构辅助设计

src/SUMMARY.md

@@ -23,9 +23,9 @@
 
 # LLM 应用手册 - 微调 + LLMOps篇
 
-- [工程化微调](./3-engineering-finetune.md)
+- [微调之前的准备](./3-engineering-finetune.md)
+- [微调的三阶六步：LLMOps](./3-llm-ops.md)
 - [BizDevOps + 微调](./3-bizdevops-finetune.md)
-- [LLMOps](./3-llm-ops.md)
 
 # LLM 应用手册 - 训练篇（TBD）