极客时间 金融领域大语言模型实战

这门课解决什么问题

金融行业对准确性、合规性和风险控制的要求远超通用场景，直接套用开源大模型容易出现幻觉、数据泄露或监管违规。这门课解决的核心矛盾，是**如何让大模型在金融领域真正可用**——不是停留在概念层面，而是围绕风控决策、资产配置、客户智能服务、合规审查等高频场景，给出一套从技术选型到工程落地的完整思路。课程重点回应三个问题：提示词怎么写才能降低误判？微调怎么在性能和成本之间取得平衡？知识库如何既满足检索精度又符合数据安全规范？回答这些问题不需要理论堆砌，而是结合具体案例拆解每一步的技术取舍。

适合什么基础、建议先看哪几块

课程面向有一定技术敏感度的非算法背景从业者，也适合希望将AI能力引入金融业务的产品和运营人员。只要具备基础的Python环境和命令行操作能力，就能跟上主体内容。

建议按以下顺序学习：**先看第1讲**建立对大语言模型发展脉络的整体认知，避免对技术边界产生误解；接着看**第3讲资产管理**和**第4讲智慧风控**，这两节分别对应金融核心业务的两条主线，帮助你明确自己关注的落地方向；然后必须学**第7讲提示工程**，这是所有后续实操的基础，提示词设计的合理与否直接决定输出质量；根据兴趣选择：想搭建知识系统的读**第8讲RAG**，想动手微调的读**第9讲LoRA**和**第10讲P-Tuning**，两者对比讲解让你理解低成本微调的适用边界；最后**第11讲评估方法**和**第12讲合规伦理**是项目收尾的必备知识，缺少这两块在真实业务中很容易返工。

学完能独立做什么、资料怎么配合练习

学完后你可以独立完成以下三件事：设计面向金融场景的提示词体系，减少模型输出的不确定性；在本地或云端部署开源金融大模型并实施LoRA或P-Tuning微调；为团队搭建一套支持RAG检索、符合金融合规要求的知识库系统。

课程配套了完整的视频讲解和可复现的实验素材，建议不要只看不练。第6讲的本地化部署和第9讲的LoRA微调是最需要动手的部分，建议提前在开发机或云算力环境准备好Python依赖和基础模型，边看视频边跟着跑一遍流程。对于非技术背景的读者，重点理解第3、4、7、8讲的场景逻辑和方案选型即可，不必强求代码逐行执行。