870.聚客大模型六期|第六期|第六期

这门课面向的是已经会写 Python、想从传统后端或数据分析转到 AI 应用开发的人。它不教你怎么训练一个基础大模型，而是教你怎样把现成的大模型接上企业自己的数据和业务系统，做出能跑起来的东西。如果你之前只调用过几次聊天接口，或者看完教程就停在「跑通 demo」这一步，这套资料的落点正好补上中间那段：从调用接口到组织一套可维护的问答、检索、智能体流程。

它解决的具体工作场景

实际工作中最常见的需求是：公司有一堆内部文档、工单、产品手册，想让大模型基于这些内容回答问题，而不是胡编。课程里 RAG 相关的内容就是围绕这个场景展开的，包括文本切分、Embedding 与向量库选型、检索召回、重排，以及用 Ragas 这类方式去评估回答质量——评估这块很多人自学时会跳过，但它恰恰决定了你交付的系统能不能上线。后半段转向 Agent 方向，讲 Function Calling、智能体开发，以及用 LangGraph 做工作流编排，对应的是「让模型自己决定调用哪个工具、按什么顺序执行」这类更复杂的任务。

需要说明的是，课程里出现了中医临床智能诊疗系统这样的综合项目，它的价值在于演示一套完整链路怎么串起来，而不是让你去做医疗行业。你把它当成一个「检索加推理加多轮交互」的案例来拆解即可。

适合什么基础，先看哪几块

前提是 Python 要熟练，能读懂异步代码和基本的数据处理；对深度学习只要有个印象就够，不必先啃论文。如果你完全没有神经网络概念，建议先把深度学习基础和人工神经网络那两节过一遍，主要目的是理解 Embedding 到底在表达什么，而不是去推公式。HuggingFace 组件和 BERT 相关的部分属于补充背景，时间紧可以后置。

建议的进入顺序是：先看环境搭建和 Embedding 与向量数据库，把本地跑通；接着是 RAG 技术与应用，再到 RAG 高级技术与实践，这两块是整门课的地基；评估与 LlamaIndex 放在之后，用来检验前面的效果；最后再进 LangChain、Function Calling 与 Agent、LangGraph。这样安排的好处是，每一步都有能立刻验证的产出，不容易中途放弃。

学完能独立做什么，资料怎么用

跟完并动手做完练习，你应该能独立完成这些事：给一批私有文档建索引并做出可用的问答接口；针对召回不准的问题做切分策略和重排上的调整，并用评估指标说明改动是否有效；用 LangChain 组织链路，用 LangGraph 编排带分支和循环的智能体流程；把外部工具通过 Function Calling 接进模型，让它完成查询、计算一类动作。

资料以视频讲解为主，配合课件。用法上建议一课一练：每看完一节，自己换一份数据重做一遍，比如把示例里的文档换成你所在行业的资料。向量库、评估、编排这几块尤其要动手，光看会误以为懂了。项目部分不要照抄，先自己设计一遍流程，再对照讲解找差距，收获会比跟着敲大得多。