本课程网盘免费观看
本课程聚焦AI领域前沿技术，围绕RAG（检索增强生成）、大模型微调、多Agent架构三大核心模块，提供从理论到实战的体系化培训。包含：
1️⃣ 基础认知：人工智能迭代路径、柏拉图表征假说等理论奠基
2️⃣ 核心技术：Embedding训练与优化、Rerank模型调优、向量数据库选型等
3️⃣ 工具实战：Langchain/AutoGen/CrewAI等主流框架深度解析与项目实操
4️⃣ 行业落地：智能客服搭建、RAG评估体系、业务场景实践等
5️⃣ 扩展能力：多Agent协作架构、模型量化部署、提示词工程优化等
│ ├── 📁企业RAG技术实战.pdf
│ ├── 🧠ai认知课.pdf
│ ├── 🧩embedding技术.pdf
│ ├── 🔄rerank技术.pdf
│ ├── 🛠️llama-factory微调.pdf
├── 🎥13_第五课：模块化RAG（一）顺序模式，条件模式，分支模式
├── 🎥11_第三课：高级RAG（一）层次索引，句子窗口，子查询，HyDE
├── 🎥37_第十一课：Langgraph多Agent架构：协作多Age
├── 🎥8_第五课：模型部署（模型合并导出与量化，本地部署）
├── 🎥29_第三课：Agent平台：国内外主流平台，Coze搭建智能客服
├── 🎥33_第七课：Agent设计模式（三）：Reflexion，LAT
├── 🎥15_第七课：Embedding原理：word2vec、CBOW
├── 🎥16_第八课：Embedding模型训练：llamaindex微调
├── 🎥21_第十三课：相似性搜索算法：k-means，肘部法则
├── 🎥1_第一课：人工智能介绍：迭代路径，大模型进化树，技术分类
├── 🎥35_第九课：Langchain项目原理与实战
├── 🎥5_第二课：微调数据集准备（SFT 继续预训练，偏好优化）
├── 🎥17_第九课：Embedding模型评估：MRR评测，MTEB评测
├── 🎥23_第十五课：向量数据库选型：专用向量数据库，传统数据库支持向量
├── 🎥10_第二课：NaiveRAG与langchain实践
├── 🎥39_第十三课：AutoGen项目原理与实战（二）：代码执行，工具
├── 🎥12_第四课：高级RAG（二）提示词压缩，融合，llamainde
├── 🎥30_第四课：Agent工具使用与functioncall：MR
├── 🎥9_第一课：RAG技术原理与RAGFlow项目实操
├── 🎥27_第一课：Agent原理简介：planning、memory
├── 🎥22_第十四课：近似邻近算法与过滤向量：PQ量化，HNSW，LSH
├── 🎥24_第十六课：向量数据库代码示例：chroma与qdrant代码
├── 🎥20_第十二课：向量数据库简介与相似性测量：欧式距离，余弦相似度
├── 🎥28_第二课：提示词工程：软提示词，fewshot，COT TOT
├── 🎥34_第八课：Agent框架：SingleAgent，Multi
├── 🎥25_第十七课：RAG评估：评估指标，RAGAs，TruLens
├── 🎥6_第三课：微调过程lora微调与Qlora微调
├── 🎥7_第四课：模型评估（批量推理与自动评估benchmark）
├── 🎥31_第五课：Agent设计模式（一）：Fewshot，ReAct
├── 🎥40_第十四课：CrewAI项目原理与实战：Crew Task A
├── 🎥14_第六课：模块化RAG（二）迭代，递归检索，FLARE，Toc
├── 🎥19_第十一课：Rerank模型微调与实践（二）rankGPT
├── 🎥26_第十八课：RAG行业落地：实践心得，落地经验，业务场景
├── 🎥38_第十二课：AutoGen项目原理与实战（一）：AutoGen
├── 🎥18_第十课：Rerank技术原理与实践（一）交叉编码与双编码
├── 🎥2_第二课：柏拉图表征假说与scalinglaw：KM缩放定律
├── 🎥4_第一课：大模型微调llama-factory环境准备
├── 🎥32_第六课：Agent设计模式（二）：REWOO，LLMComp
├── 🎥3_第三课：AI开发环境（python、conda、vscode）
├── 🎥36_第十课：Langgraph项目原理与实战
暂无评论内容