【宁波银行-大模型基础训练营】直播-主题3作业点评&主题4：数据加工+向量数据库

这门课解决什么工作场景

在金融行业的智能化转型中，大模型的应用已从“概念验证”走向“业务落地”，但许多从业者面临一个核心痛点：通用模型无法直接处理企业内部的高敏感、高专业度数据。宁波银行此次训练营的这部分内容，正是为了打通这一闭环。它聚焦于如何将非结构化的企业文档转化为大模型可理解的向量知识，并解决私有数据的安全隔离与高效检索问题。如果你身处银行、证券或保险等金融机构，负责或参与过内部知识库搭建、智能客服升级、合规文档自动化处理等项目，这部分内容是必修课。它不教你怎么训练底座大模型，而是教你如何让大模型“读懂”并“安全使用”你的专属数据。

适合什么基础与学习路径

本课程模块适合具备 Python 基础、了解机器学习基本流程（如监督/非监督学习概念）的初级至中级工程师、数据分析师或产品人员。无需深入掌握模型底层数学推导，但需对数据处理流程有实际操作经验。建议学习顺序如下：首先回顾主题3的作业点评，理解常见的大模型应用误区，建立正确的工程思维；随后重点攻克主题4的“数据加工”环节，这是向量化的前提，涉及文本清洗、分块策略等关键细节；最后深入“向量数据库”原理，理解 Embedding 向量化存储与语义检索的映射机制。这三个环节环环相扣，跳过数据处理直接学向量库，会导致在实际部署中出现检索精度低、噪声数据干扰严重的后果。

学完能独立做什么与资料配合

完成本课程后，你将能够独立设计并实现一个简单的企业级 RAG（检索增强生成）原型系统。具体而言，你可以独立完成从原始 PDF/Word 文档到最终问答生成的全链路操作：包括数据预处理管道构建、文本向量化调用、向量库的入库与查询优化，以及结合大模型接口进行上下文补全。建议配合课程提供的练习环境进行实操，不要仅停留在观看视频层面。资料包中的示例数据通常模拟了真实的金融报表或合同片段，请尝试修改分块大小参数，观察其对检索结果的影响；同时，重点练习向量数据库的 API 调用，理解相似性搜索的阈值设置逻辑。只有在动手调整参数、解决报错的过程中，才能真正掌握数据加工与向量检索的工程化技巧，避免在实际工作中遇到数据脏乱或检索失效时束手无策。