黑马程序员-AI大模型RAG与Agent智能体开发项目

这门课解决什么实际问题

企业私有知识库问答是当前RAG技术最核心的落地场景。通用大模型由于缺乏内部文档数据，往往无法回答涉及特定业务知识的问题，容易产生幻觉或给出过时答案。本课程围绕LangChain框架，系统讲解如何将PDF、CSV、JSON等多种格式的本地文档进行切片处理、向量化Embedding，并存入向量数据库。通过余弦相似度算法检索与用户问题最相关的文档片段，将其拼接进提示词，让大模型基于检索到的事实生成准确回答。同时课程还涵盖了会话记忆Memory的管理机制，以及Ollama本地模型与通义千问云端模型的双轨接入方案，适合需要从工程落地角度全面理解RAG原理的开发者。

入门门槛与学习路径建议

学员需具备Python编程基础，了解基本的API调用概念，无需深入机器学习或深度学习理论。课程前置部分详细讲解了环境变量保护API Key、Ollama本地部署及蒸馏模型运行，强烈建议先完整观看P1前置准备模块，确保开发环境就绪后再进入核心内容。LangChain部分从环境部署、嵌入模型调用、聊天模型接口到模板类format与invoke方法，逻辑链条清晰，适合有一定代码经验但从未接触过LLM应用开发的初学者。扩展章节如向量基础、余弦相似度算法和运算符重写等内容，供需要理解底层原理的读者补充阅读，非必需学习环节。

学完能独立做什么及资料配合方法

完成本课程后，能够独立构建一个基于私有文档的智能问答系统。你可以熟练运用PyPDFLoader、TextLoader加载不同格式文档，利用Document Splitter进行文本分割，将内容转化为向量存储至Vector Stores，并通过Runnable接口串联链式处理流程。课程最后的项目实战模块包含聊天页面开发，引导你将后端检索逻辑与前端交互结合，形成一个可运行的完整应用。建议边观看P4 RAG开发模块边动手敲代码，重点练习向量检索构建提示词和Memory记忆管理，再进入P5项目阶段进行整体联调。视频资源容量较大，注意按顺序观看，避免跳过LangChain核心组件的基础讲解，确保每个知识点都能扎实掌握。

这门课适合希望进入AI应用开发领域的程序员或技术人员。学习过程中应当注重理解向量检索的原理和LangChain各组件的配合方式，而不是仅仅复制代码。通过系统学习，你将掌握当前最热门的企业级AI应用开发技能，为后续从事相关项目开发奠定坚实基础。实践中遇到问题时，可以回顾前置准备和环境配置部分，检查API调用是否正确，向量存储是否生效，逐步排查并解决问题。