解决“调包侠”困境，深入大模型底层逻辑

很多开发者在接触大模型后，往往停留在调用 API 或简单提示词工程的层面，一旦遇到复杂业务场景，如需要结合私有数据、多步任务推理或特定行业合规性要求时，便显得力不从心。这门课的核心价值，在于补齐从“应用层”到“模型层”的认知断层。它不满足于教你如何使用现成的 Agent 框架，而是深入剖析模型微调、评估指标与部署优化的具体流程。通过讲解 RAG（检索增强生成）与知识图谱的融合机制，以及 Agent 的规划与记忆模块设计，课程试图解决“如何让大模型在特定领域具备可解释性和稳定性”这一痛点。对于担心技术昙花一现的学习者，这门体系课通过原理剖析与实战结合的方式，帮助你建立对 AI 技术栈的全局掌控力，而非仅仅掌握几个零散的 API 接口。

适合具备编程基础与 Python 经验的职场人

这门课并非面向完全零基础的初学者，它默认你已经熟悉了 Python 语言，并能够理解基本的线性代数或概率统计概念。资料包线索显示课程包含从环境搭建到项目落地的完整链路，这意味着学习者需要具备较强的工程落地能力。如果你是前端开发、数据分析师或传统后端工程师，希望转型为 AI 工程师，且对底层原理感兴趣，那么这门课非常适合作为你进阶的系统性教材。但对于只希望快速上手几个热门工具、不愿深入代码逻辑的用户，可能会觉得内容过于硬核且学习曲线陡峭。建议你在开始前，确保你的开发环境已安装好 PyTorch 等常用框架，并熟悉 Docker 基础操作，这样能避免在前期环境配置上浪费过多精力，从而更专注于核心算法与架构的理解。

学习路径：先懂微调评估，再攻 RAG 与 Agent 实战

建议的学习策略是遵循“由内而外”的逻辑。首先，不要跳过模型训练与微调章节，这是理解模型“黑盒”的关键。你需要重点掌握数据清洗、微调策略（如 LoRA 等高效方法）以及模型评估体系的建立，因为后续所有应用效果的好坏，根源都在于基础模型的质量。其次，集中攻克 RAG 模块，这是目前企业落地大模型最常见的场景。资料中涉及的知识图谱内容，应结合具体的行业案例进行理解，重点关注如何构建高质量向量库以及优化检索召回率。最后，进入 Agent 与项目实战环节，这部分内容难度最大，需要你将前面学到的微调、评估、检索能力串联起来，构建一个具备多轮对话、工具调用能力的智能体。学完此课，你应能独立完成一个结合私有知识库的垂直领域 AI 应用开发，具备从数据准备、模型微调、RAG 检索优化到最终部署上线的全流程独立交付能力。

课程目录

acc5f4a4834ff505d0d19234a9f31ef0.jpg (134.

63 KB,  ) 2025-11-12 08:

57 上传 课程介绍： 跟龙哥学真AI-AI大模型应用开发​模型训练-RAG-Agent-AI项目实战-行业落地课 本课程聚焦AI大模型应用开发，带你深入AI领域核心。从人工智能基础概念、开发环境搭建讲起，到模型训练的微调、评估、部署，再到RAG、Agent、知识图谱等前沿技术的原理剖析与项目实战，配以丰富的资料辅助。无论是想掌握大模型开发技能，还是探索AI项目落地应用，都能在此获得系统学习与实践指导，助力成为AI领域的专业人才。 课程目录： 1_第一课：人工智能介绍：迭代路径，大模型进化树，技术分类 2_第二课：柏拉图表征假说与scalinglaw：KM缩放定律 3_第三课：AI开发环境（python、conda、vscode 4_第一课：大模型微调llama-factory环境准备 5_第二课：微调数据集准备（SFT 继续预训练，偏好优化） 6_第三课：微调过程lora微调与Qlora微调 7_第四课：模型评估（批量推理与自动评估benchmark） 8_第五课：模型部署（模型合并导出与量化，本地部署 9_第一课：RAG技术原理与RAGFlow项目实操 10_第二课：NaiveRAG与langchain实践 .mp4
 98.44M 11_第三课：高级RAG（一）层次索引，句子窗口，子查询，HyDE 12_第四课：高级RAG（二）提示词压缩，融合，llamainde 13_第五课：模块化RAG（一）顺序模式，条件模式，分支模式 14_第六课：模块化RAG（二）迭代，递归检索，FLARE，Toc 15_第七课：Embedding原理：word2vec、CBOW 16_第八课：Embedding模型训练：llamaindex微调 17_第九课：Embedding模型评估：MRR评测，MTEB评测 18_第十课：Rerank技术原理与实践（一）交叉编码与双编码 19_第十一课：Rerank模型微调与实践（二）rankGPT 20_第十二课：向量数据库简介与相似性测量：欧式距离，余弦相似度 21_第十三课：相似性搜索算法：k-means，肘部法则 22_第十四课：近似邻近算法与过滤向量：PQ量化，HNSW，LSH 23_第十五课：向量数据库选型：专用向量数据库，传统数据库支持向量 24_第十六课：向量数据库代码示例：chroma与qdrant代码 25_第十七课：RAG评估：评估指标，RAGAs，TruLens 26_第十八课：RAG行业落地：实践心得，落地经验，业务场景 27_第一课：Agent原理简介：planning、memory、 28_第二课：提示词工程：软提示词，fewshot，COT TOT 29_第三课：Agent平台：国内外主流平台，Coze搭建智能客服 30_第四课：Agent工具使用与functioncall：MR 31_第五课：Agent设计模式（一）：Fewshot，ReAct 32_第六课：Agent设计模式（二）：REWOO，LLMComp 33_第七课：Agent设计模式（三）：Reflexion，LAT 34_第八课：Agent框架：SingleAgent，Multi 35_第九课：Langchain项目原理与实战 36_第十课：Langgraph项目原理与实战 37_第十一课：Langgraph多Agent架构：协作多Age 38_第十二课：AutoGen项目原理与实战（一）：AutoGen 39_第十三课：AutoGen项目原理与实战（二）：代码执行，工具 40_第十四课：CrewAI项目原理与实战：Crew Task A 资料 ai认知课.pdf
 140.00kb embedding技术.pdf
 842.78kb llama-factory微调.pdf
 428.79kb rerank技术.pdf
 242.05kb 企业RAG技术实战.pdf
 1.05M