这门课解决什么痛点
大模型热度的核心矛盾在于：通用基座虽强，但无法直接处理企业私有数据或垂直领域专业问题。单纯调用 API 成本高且数据不隐私，自己从头训练算力又是不够的。本课程聚焦于“应用开发”与“模型训练”的中间地带——即如何基于开源基座（如 Llama），通过微调（SFT/LoRA）赋予模型特定领域的专业能力，并配合 RAG 技术解决知识时效性与幻觉问题。它填补了“只会用 API”和“懂底层原理但不会落地”之间的巨大空白，适合希望构建独立 AI 应用、而非仅做提示词工程师的职场人。
适合什么基础与先修准备
本课程属于体系化进阶内容，要求读者具备 Python 基础编程能力，理解基本的命令行操作（Linux/CMD）及 Git 版本控制概念。无需深厚的数学推导背景，因为课程侧重于工程落地（Llama-Factory 框架），而非算法发明。若你从未配置过 CUDA 环境或使用过 Conda 管理虚拟环境，建议先花少量时间补齐第三课的基础设施部分，否则后续微调与部署环节会因环境报错而阻断学习流。对于完全零基础的小白，直接跟进会有较大挫败感；但对于已有开发经验的转行者，这是进入 AI 应用层最高效的路径之一。
学习路径与资料配合建议
建议采用“环境先行、微调核心、RAG 拓展、部署收尾”的四段式学习策略。首先，务必完整消化前三课的环境搭建，确保 Python、Conda 及 VSCode 调试环境正常，这是后续所有实操的前提。进入核心阶段后，重点攻克第二、三课的数据集构造与 LoRA/Qlora 微调流程，这是模型获得领域能力的關鍵，需动手修改配置文件并观察 loss 变化。随后，第四、五课的评估与部署环节至关重要，学习如何将微调后的权重合并、量化并本地运行，这能让你真正体会到模型落地的完整性。最后，利用后续关于 RAG（检索增强生成）的系列课程，补足长尾知识与外部数据接入的能力。资料包中的视频演示了从数据清洗到最终部署的全链路，建议边看边复现，特别是 Llama-Factory 的配置细节，切勿只看不练。
学完能独立做什么
完成本课程后，你将具备以下独立工作能力：能够从零搭建 AI 开发环境；掌握基于 Llama-Factory 对开源大模型进行 SFT 微调的完整流程，包括数据集格式转换（JSONL）、超参数调整及显存优化（Qlora）；能够使用 benchmark 对模型效果进行量化评估；具备将微调模型导出、量化并在本地或服务器部署运行的能力；同时理解 RAG 架构原理，能结合 LangChain 或 RAGFlow 构建具备私有知识库问答能力的 AI 应用。这些技能足以应对大部分垂直领域的 AI 应用开发岗位需求，或为个人创业项目提供技术底座。
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.mp4 2_第二课：柏拉图表征假说与scalinglaw：KM缩放定律.mp4 3_第三课：AI开发环境（python、conda、vscode.mp4 4_第一课：大模型微调llama-factory环境准备.mp4 5_第二课：微调数据集准备（SFT 继续预训练，偏好优化）.mp4 6_第三课：微调过程lora微调与Qlora微调.mp4 7_第四课：模型评估（批量推理与自动评估benchmark）.mp4 8_第五课：模型部署（模型合并导出与量化，本地部署）.mp4 9_第一课：RAG技术原理与RAGFlow项目实操.mp4 10_第二课：NaiveRAG与langchain实践.mp4 11_第三课：高级RAG（一）层次索引，句子窗口，子查询，HyDE.mp4 12_第四课：高级RAG（二）提示词压缩，融合，llamainde.mp4 13_第五课：模块化RAG（一）顺序模式，条件模式，分支模式.mp4 14_第六课：模块化RAG（二）迭代，递归检索，FLARE，Toc.mp4 15_第七课：Embedding原理：word2vec、CBOW.mp4 16_第八课：Embedding模型训练：llamaindex微调.mp4 17_第九课：Embedding模型评估：MRR评测，MTEB评测.mp4 18_第十课：Rerank技术原理与实践（一）交叉编码与双编码.mp4 19_第十一课：Rerank模型微调与实践（二）rankGPT.mp4 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.mp4 21_第十三课：相似性搜索算法：k-means，肘部法则.mp4 22_第十四课：近似邻近算法与过滤向量：PQ量化，HNSW，LSH.mp4 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.mp4 24_第十六课：向量数据库代码示例：chroma与qdrant代码.mp4 25_第十七课：RAG评估：评估指标，RAGAs，TruLens.mp4 26_第十八课：RAG行业落地：实践心得，落地经验，业务场景.mp4 27_第一课：Agent原理简介：planning、memory、.mp4 28_第二课：提示词工程：软提示词，fewshot，COT TOT.mp4 29_第三课：Agent平台：国内外主流平台，Coze搭建智能客服.mp4 30_第四课：Agent工具使用与functioncall：MR.mp4 31_第五课：Agent设计模式（一）：Fewshot，ReAct.mp4 32_第六课：Agent设计模式（二）：REWOO，LLMComp.mp4 33_第七课：Agent设计模式（三）：Reflexion，LAT.mp4 34_第八课：Agent框架：SingleAgent，Multi.mp4 35_第九课：Langchain项目原理与实战.mp4 36_第十课：Langgraph项目原理与实战.mp4 37_第十一课：Langgraph多Agent架构：协作多Age.mp4 38_第十二课：AutoGen项目原理与实战（一）：AutoGen.mp4 39_第十三课：AutoGen项目原理与实战（二）：代码执行，工具.mp4 40_第十四课：CrewAI项目原理与实战：Crew Task A.mp4 ai认知课.pdf embedding技术.pdf llama-factory微调.pdf rerank技术.pdf 企业RAG技术实战.pdf
