极客时间 徐文浩-AI大模型之美（完结）

这门课解决什么工作场景

大模型技术迭代极快，很多职场人面临这样的困境：看新闻知道原理，但遇到实际业务时不知道如何落地。这门课的核心价值在于搭建从“技术原理”到“工程应用”的桥梁。它不只讲什么是 Transformer 或 Attention，而是深入讲解 LLM 的训练机制、向量数据库的原理以及 RAG（检索增强生成）的架构设计。对于从事产品经理、开发者或数字化转型岗位的人来说，这门课能帮你理清为什么模型会“幻觉”、如何用 Prompt 工程规范输出、以及如何构建企业级的知识库应用。读完你能建立一套完整的技术判断力，不再被营销概念带偏，能在工作中准确评估 AI 方案的可行性与成本。

适合什么基础、建议先看哪几块

课程面向具备一定计算机基础或已有 AI 入门认知的读者。如果你完全不懂编程或从未接触过 Python，直接上手可能会感到吃力，建议先补充基础的 Python 语法和机器学习常识。如果你已经有 PyTorch 经验或跑过简单的 Demo，这门课非常适合系统梳理知识盲区。建议学习顺序如下：首先攻克基础篇，重点理解自注意力机制、位置编码和模型层级结构，这是所有后续技术的基石；接着进入进阶篇，深入研究预训练与微调的区别，特别是 LoRA 等高效微调技术，这对节省算力成本至关重要；最后聚焦应用篇，动手实践向量检索和 Agent 构建。资料包中的图片资源丰富，配合课程观看有助于直观理解复杂的网络拓扑结构和数据流向，切忌跳过图示直接看代码。

学完能独立做什么、资料怎么配合练习

完成本课程后，你将具备独立设计和部署私有化大模型应用的能力。具体而言，你可以从零搭建一个基于企业内部文档的智能问答系统，理解如何清洗数据、构建 Embedding 索引，并解决长上下文遗忘的问题；你也能熟练运用微调工具对开源模型进行垂直领域适配，提升特定任务的表现。此外，你能够独立评估市面上的 AI API 服务，选择最适合业务场景的模型组合。在资料使用上，不要仅仅下载了事。课程配套的多维度图示是理解抽象概念的利器，遇到晦涩的算法推导时，对照相关章节的图解反复推敲。对于提到的代码示例，务必亲手运行并修改参数，观察不同超参数对模型效果的影响。只有将理论与动手实践相结合，才能真正将这套技术栈转化为你的职场核心竞争力。