这门课解决什么痛点

很多转行者面对“AI开发”这四个字，最常遇到的困境不是听不懂概念，而是手里有理论却无从下手。市面上教程往往两极分化：要么只讲Transformer原理和数学推导，让人晕头转向；要么只给一段能跑的代码，但一旦业务逻辑稍微变化，就不知道怎么改。

这门课的核心价值，在于它刻意绕开了纯理论的泥潭，直接瞄准了当前企业级落地最主流的三块硬骨头：模型推理优化、RAG（检索增强生成）以及Agent（智能体）。它解决的是“如何从零构建一个可运行的AI应用”的问题。如果你已经知道什么是大模型，但不知道在项目中如何串联起Prompt、向量库和逻辑控制，这门课就是为你准备的。

适合什么基础，建议先看哪几块

课程对基础的要求比较务实，不要求你精通算法公式，但需要你对Python编程有基本了解，至少能看懂逻辑结构，能够安装和使用conda环境。如果你是纯文科背景且从未写过代码，建议先补一下Python基础，否则后续实操环节会比较吃力；如果你是前端或后端开发出身，想要切入AI赛道，这门课的门槛你是够的。

学习顺序上，不要一上来就跳进最复杂的Agent代码里。建议按照以下顺序突破：

  • 先打地基：前几课关于技术迭代、Scaling Law以及开发工具（Python/Conda/VSCode）的安装配置是必须的。这部分看起来枯燥，但决定了你后面能不能把环境搭起来。如果连环境都跑不通，后面的课都是空谈。
  • 再啃硬骨头：RAG部分是重中之重。重点看LightRAG的原理和实例编码，以及Rerank（重排序）的交叉编码与双编码原理。这是目前解决大模型“幻觉”和知识更新滞后最有效的工程手段，也是面试中的高频考点。
  • 最后攻高阶：等理解了数据怎么进来、怎么检索，再去看LangGraph和Agent的Planning（规划）与Memory（记忆）机制。Agent是调用前面的工具来完成复杂任务，逻辑层级更高，放在最后消化效果最好。

学完能独立做什么，资料怎么配合练习

跟着课程完整走一遍，你应具备独立搭建一个具备知识库问答能力的初级AI助手的能力。具体来说，你可以独立完成以下工作：第一，配置好本地或服务器的Python开发环境，不再依赖云笔记的临时调试；第二，理解并实现一个基础的RAG流程，包括文本切片、向量存入、检索以及重排序打分，让模型能基于特定文档回答准确问题；第三，初步掌握LangGraph的图结构思维，尝试设计一个简单的多步骤任务流程，比如“用户提问-检索文档-总结回答-记录历史”的闭环。

资料包里并没有现成的完美项目让你抄，每一块视频下面都对应着具体的参数讲解和编码实战。请务必边看边动手，特别是LightRAG的参数调整部分，不要只看视频，要自己去改参数看效果差异。代码报错是常态，解决问题的过程才是你真正掌握这门技能的时刻。建议准备一台配置尚可的电脑，本地跑通核心Demo，再考虑是否迁移到云端部署。

课程目录

QQ_1781925571053.png (110.

97 KB,  ) 2026-6-20 11:

20 上传 课程大纲： ├── [2]-第二课：亚里士多德表现假设与scaling law：KM放大基本定律.mp4
 ├── [1]-第一课：人工智能技术详细介绍：迭代更新途径，大模型基因组，技术分类.mp4
 ├── [3]-第三课：AI开发工具（python、conda、vscode.mp4
 ├── [36]-第十课：Langgraph新项目原理和实战演练_ev.mp4
 ├── [27]-第一课：Agent基本原理介绍：planning、memory、_ev.mp4
 ├── [46]-第六课：LightRAG（二）：实例编码，主要参数讲解，grap_ev.mp4
 ├── [18]-第十课：Rerank原理和实践（一）交叉式编号与双编码_ev.mp4
 ├── [43]-第三课：GraphRAG（二）：检索基本原理，Leiden优化算法，_ev.mp4
 ├── [26]-第十八课：RAG领域落地式：实践心得，落地式工作经验，需求场景_ev.mp4
 ├── [24]-第十六课：空间向量数据库代码实例：chroma与qdrant编码_ev.mp4
 ├── [41]-第一课：数据仓库：RDF,RDFS,OWL，数据仓库架构设计,实_ev.mp4
 ├── [9]-第一课：RAG原理与RAGFlow新项目实际操作_ev.mp4
 ├── [34]-第八课：Agent架构：Single Agent，Multi_ev.mp4
 ├── [19]-第十一课：Rerank实体模型调整和实践（二）rankGPT_ev.mp4
 ├── [21]-第十三课：相似度优化算法：k-means，手肘规律_ev.mp4
 ├── [5]-第二课：调整数据提前准备（SFT,再次预训练，喜好提升）_ev.mp4
 ├── [25]-第十七课：RAG评定：评价指标，RAGAs，TruLens_ev.mp4
 ├── [44]-第四课：GraphRAG（三）：全局性查看，部分查看，drif_ev.mp4
 ├── [47]-第七课：LightRAG（三）：Neo4j应用，API Se_ev.mp4
 ├── [4]-第一课：大模型调整llama-factory自然环境提前准备_ev.mp4
 ├── [7]-第四课：模型评价（大批量逻辑推理与自动评定benchmark）_ev.mp4
 ├── [33]-第七课：Agent程序设计模式（三）：Reflexion，LAT_ev.mp4
 ├── [12]-第四课：高端RAG（二）引导词缩小，结合，llamainde_ev.mp4
 ├── [39]-第十三课：AutoGen新项目原理和实战演练（二）：执行命令，专用工具_ev.mp4
 ├── [17]-第九课：Embedding模型评价：MRR实测，MTEB实测_ev.mp4
 ├── [37]-第十一课：Langgraph 多Agent架构设计：合作多Age_ev.mp4
 ├── [13]-第五课：模块化设计RAG（一）次序方式，标准方式，支系方式_ev.mp4
 ├── [20]-第十二课：空间向量数据库系统介绍与相似度精确测量：欧氏距离，余弦相似度_ev.mp4
 ├── [8]-第五课：模型部署（实体模型合拼导出来与量化分析，本地部署）_ev.mp4
 ├── [42]-第二课：GraphRAG（一）：基本原理，布署应用，GraphR_ev.mp4
 ├── [40]-第十四课：CrewAI新项目原理和实战演练：Crew,Task,A_ev.mp4
 ├── [38]-第十二课：AutoGen新项目原理和实战演练（一）：AutoGen_ev.mp4
 ├── [15]-第七课：Embedding基本原理：word2vec、CBOW_ev.mp4
 ├── [10]-第二课：Naive RAG与langchain实践活动_ev.mp4
 ├── [28]-第二课：引导词工程项目：软引导词，fewshot，COT,TOT_ev.mp4
 ├── [22]-第十四课：类似相邻算法与过虑空间向量：PQ量化分析，HNSW，LSH_ev.mp4
 ├── [30]-第四课：Agent工具的使用与function call：MR_ev.mp4
 ├── [11]-第三课：高端RAG（一）层级检索，语句对话框，子查询，HyDE_ev.mp4
 ├── [29]-第三课：Agent服务平台：世界各国主流平台，Coze构建智能客服系统_ev.mp4
 ├── [6]-第三课：调整全过程lora调整与Qlora微调_ev.mp4
 ├── [14]-第六课：模块化设计RAG（二）迭代更新，递归算法查找，FLARE，Toc_ev.mp4
 ├── [16]-第八课：Embedding模型推理：llamaindex调整_ev.mp4
 ├── [31]-第五课：Agent程序设计模式（一）：Fewshot，ReAct_ev.mp4
 ├── [32]-第六课：Agent程序设计模式（二）：REWOO，LLMComp_ev.mp4