大模型应用开发-模型训练-RAG-Agent-AI项目实战(龙哥AI)

这套资料围绕大模型应用开发展开，重点落在三件事上：把模型调得更贴合业务、用检索增强让回答有据可依、把能力封装成能自己干活的 Agent。它不是讲 Transformer 原理推导的理论课，也不是只教你调几次 API 的体验课，而是面向"要做出一个能上线的小系统"这个目标组织的。如果你正卡在"模型答得不对、答得不全、还得人工兜底"这几个环节，它值得花时间；如果你只想了解大模型是什么，先不用急着看。

它解决的是哪几个具体场景

第一类是知识问答答不准。企业内部的文档、规范、产品资料塞不进提示词，直接问模型就会编。资料里 embedding、rerank 和企业 RAG 实战这几块，对应的正是"把私有资料变成可检索的知识库，再让模型基于检索结果回答"这条链路，从向量化、召回、重排到拼装上下文，是完整走一遍的。第二类是通用模型不懂你的行业话术和输出格式。微调部分用 llama-factory 这类工具切入，讲的是怎么准备数据、配参数、跑训练、验证效果，而不是从零写训练框架。第三类是流程要自动化。Agent 部分关注的是让模型自己决定调哪个工具、分几步完成，而不是你写死每一步。

适合什么基础，先看哪几块

比较舒服的起点是：会 Python，能看懂函数和类；知道 HTTP 请求和 JSON 怎么用；跑过至少一次大模型接口调用。不需要你有机器学习背景，也不需要你训过模型。如果连 Python 都不熟，建议先补基础再回来，否则微调和部署部分会很吃力。顺序上，建议先看 AI 认知课那部分，把大模型能做什么、边界在哪、成本大概怎么算建立起来，再进 embedding 和 RAG。RAG 是这套资料里最容易先出成果的一块，跑通之后你就能拿自己的文档试。rerank 放在 RAG 之后看，它是用来提升召回质量的，没有前面的链路，单独看会没感觉。微调放在最后，因为它对数据和算力都有要求，不适合一上来就碰。

学完能独立做什么，资料怎么配合练

按这条线走完，你应该能独立搭出一个基于自己资料库的问答服务：文档切分入库、检索召回、重排筛选、拼上下文交给模型、输出带出处的回答。再往前一步，能把这个问答能力包成一个 Agent，让它按需调用检索、计算或外部接口，处理稍微复杂一点的任务。微调部分的目标不是让你成为训练工程师，而是让你在提示词和 RAG 都解决不了时，知道该怎么用少量数据做一次针对性调整，并判断效果有没有真的变好。

资料以配套文档为主，建议不要通读。正确用法是：先挑一个你手上真实存在的小场景，比如把某份产品手册做成问答，然后按 RAG 那条线边看边搭，遇到哪块卡住再翻对应文档。embedding 和 rerank 的部分，重点看参数怎么选、效果怎么评估，而不是背概念。微调部分先跑通一次小规模流程，理解数据格式和训练配置各管什么，再考虑要不要投入更多数据。每看完一块，都回到你自己的场景里验证一次，这比把文档看完更有用。