跟龙哥学真AI-AI大模型应用开发模型训练-AI项目实战

学习方式|网盘在线

《跟龙哥学真AI：大模型应用开发实战营》

模型训练 | RAG | Agent | AI项目落地 | 行业实战

✨ 通过本课程，您将学到什么？

🚀 核心技能全面掌握：

🎓 深入理解人工智能和大模型（LLM）的核心原理、发展路径与未来趋势。
⚙️ 精通大模型微调（LoRA, QLoRA）的流程、技术与工具（如 Llama-Factory），学会构建自己的定制化模型。
💡 掌握先进的检索增强生成（RAG）技术，从基础Naive RAG到高级模块化RAG，有效解决大模型知识更新与幻觉问题。
🤖 具备设计和实现智能 AI Agent 的能力，理解 Agent 的规划、记忆、工具使用等核心机制。
📊 熟练运用主流 AI/LLM 应用开发框架（如 Langchain, Langgraph, Autogen, CrewAI），高效构建复杂AI应用。
📚 理解并实践 Embedding、Rerank、向量数据库等 RAG 关键支撑技术。
✅ 学会对大模型、RAG系统进行科学评估，确保项目效果。
💼 获得宝贵的 AI 项目实战与行业落地经验，了解企业级应用的最佳实践。

🎯 解决实际问题能力：

构建能够准确回答特定领域问题的智能问答系统。
开发具备自主决策和工具调用能力的AI助手。
优化大模型在特定任务上的表现，提升生成内容的质量与相关性。
搭建稳定高效的AI应用基础设施（向量数据库等）。

📚 课程目录详情：

第一部分：AI 与大模型基础认知

🔹 Lesson 1: 人工智能发展历程、大模型进化树与技术分类概览 🚀
🔹 Lesson 2: 柏拉图表征假说与大模型 Scaling Law 深入解析 ✨
🔹 Lesson 3: 高效 AI 开发环境搭建与工具使用指南 (Python, Conda, VSCode) 🛠️

第二部分：大模型微调与本地部署实战

🔹 Lesson 4: 基于 Llama-Factory 的大模型微调环境准备 ⚙️
🔹 Lesson 5: 微调数据集准备：SFT、继续预训练与偏好优化方法 📊
🔹 Lesson 6: LoRA 与 QLoRA 低成本高效微调技术详解与实操 💪
🔹 Lesson 7: 大模型评估方法：批量推理与自动评估 Benchmark 应用 🔬
🔹 Lesson 8: 模型合并、量化与本地化部署完整流程 🚀

第三部分：RAG (检索增强生成) 技术深度探索与实践

子模块 3.1: RAG 核心原理与基础实现
- 🔹 Lesson 9: RAG 技术原理剖析与 RAGFlow 项目实操入门 🌐
- 🔹 Lesson 10: 基于 Langchain 实现 Naive RAG 实践 🔗
子模块 3.2: 高级 RAG 技术与策略
- 🔹 Lesson 11: 高级 RAG (一): 层次索引、句子窗口、子查询、HyDE 等技巧应用 🧠
- 🔹 Lesson 12: 高级 RAG (二): 提示词压缩、融合检索、LlamaIndex 高级应用 💡
- 🔹 Lesson 13: 模块化 RAG (一): 构建顺序、条件、分支模式 RAG 流 🧱
- 🔹 Lesson 14: 模块化 RAG (二): 实现迭代、递归检索、FLARE、ToC 等高级功能 🔄
子模块 3.3: RAG 支撑核心技术：Embedding 与 Rerank
- 🔹 Lesson 15: Embedding 原理详解：Word2Vec、CBOW 等经典模型 📝
- 🔹 Lesson 16: Embedding 模型训练与微调实践 (基于 LlamaIndex) 📈
- 🔹 Lesson 17: Embedding 模型评估方法：MRR、MTEB 评测体系 📊
- 🔹 Lesson 18: Rerank 技术原理与实践 (一)：交叉编码与双编码对比 🏆
- 🔹 Lesson 19: Rerank 模型微调与实践 (二)：RankGPT 应用示例 🎯
子模块 3.4: RAG 基础设施：向量数据库
- 🔹 Lesson 20: 向量数据库简介与相似性测量 (欧式距离、余弦相似度) 📏
- 🔹 Lesson 21: 相似性搜索算法基础：K-Means 与肘部法则 🔍
- 🔹 Lesson 22: 近似最近邻 (ANN) 算法详解：PQ 量化、HNSW、LSH ⚡
- 🔹 Lesson 23: 向量数据库选型指南：专用 vs 传统数据库支持 🤔
- 🔹 Lesson 24: 主流向量数据库实战：Chroma 与 Qdrant 代码示例 💻
子模块 3.5: RAG 评估与行业落地
- 🔹 Lesson 25: RAG 系统评估指标与工具：RAGAs、TruLens 应用实践 ✅
- 🔹 Lesson 26: RAG 行业落地经验分享：实践心得、业务场景与挑战 💼

第四部分：AI Agent 设计、模式与框架实践

子模块 4.1: Agent 核心原理与提示词工程
- 🔹 Lesson 27: AI Agent 原理简介：Planning、Memory 等核心概念 🧠
- 🔹 Lesson 28: 提示词工程进阶：软提示词、Few-shot、CoT、ToT 等高级技巧 🔥
子模块 4.2: Agent 设计模式与工具应用
- 🔹 Lesson 29: 主流 Agent 平台介绍与 Coze 智能客服搭建示例 🤖
- 🔹 Lesson 30: Agent 工具使用与 Function Calling 实现 🛠️
- 🔹 Lesson 31: Agent 设计模式 (一): Few-shot 与 ReAct 模型 🔄
- 🔹 Lesson 32: Agent 设计模式 (二): REWOO 与 LLMCompiler 模型 ⚙️
- 🔹 Lesson 33: Agent 设计模式 (三): Reflexion 与 LAT 模型 ✨
子模块 4.3: Agent 框架实战
- 🔹 Lesson 34: Agent 框架概述：Single Agent 与 Multi-Agent 架构比较 🤝
- 🔹 Lesson 35: Langchain 项目原理与实战应用 🦜🔗
- 🔹 Lesson 36: Langgraph 项目原理与复杂流程编排实战 📈🔗
- 🔹 Lesson 37: 基于 Langgraph 构建多 Agent 协作架构 🧑‍🤝‍🧑🔗
- 🔹 Lesson 38: AutoGen 项目原理与多 Agent 交互实战 (一) 🤖✍️
- 🔹 Lesson 39: AutoGen 项目原理与实战 (二): 代码执行与工具集成 💻🔧
- 🔹 Lesson 40: CrewAI 项目原理与 Agent Crew, Task, Agent 协同实战 🧑‍🔬🤝