从0到1掌握AI大模型开发，涵盖模型训练、RAG、Agent，助力转行AI开发

课程概览：从零开始，系统掌握AI大模型开发

这门课程专为希望转行AI开发的学习者设计，内容覆盖了从基础理论到实战项目的完整路径。无论你是刚入门的新手，还是有一定基础想进阶的开发者，都能在这里找到适合自己的内容。课程从人工智能的发展脉络讲起，逐步深入到模型训练、RAG（检索增强生成）以及Agent（智能体）等前沿技术，帮助你真正实现从0到1的跨越。

课程的第一部分带你了解人工智能的迭代路径、大模型进化树和技术分类，让你对整个领域有一个宏观的认知。紧接着，你会接触到“柏拉图表征假说”与“Scaling Law”等核心理论，理解大模型背后的缩放定律，为后续的学习打下坚实的理论基础。

环境搭建与基础准备：

在正式进入开发之前，课程专门安排了一节课来指导你搭建AI开发环境，包括Python、Conda和VSCode的配置。这部分内容非常实用，能帮助你避免很多初学者容易遇到的“环境配置”问题，让你能更快地投入到实际编码中。

有了环境之后，你会学习如何使用llama-factory进行大模型微调的环境准备。这是后续所有模型训练和微调工作的基础，确保你能顺利地进行实验和项目开发。

模型训练与微调实战：

课程在模型训练方面提供了非常详细的指导。你会学习如何准备微调数据集，包括SFT（监督微调）、继续预训练和偏好优化等不同策略。通过Lora微调和QLora微调的实战讲解，你能掌握高效微调大模型的核心技巧。

训练完成后，课程还会带你进行模型评估，包括批量推理和自动评估benchmark的使用。此外，模型合并、导出、量化以及本地部署的步骤也会一一展开，让你真正拥有一个可用的、属于自己的模型。

RAG技术深度解析：

RAG是当前大模型应用中的热门技术，课程对此进行了系统性的拆解。从Naive RAG的基础原理与Langchain实践，到高级RAG技术如层次索引、句子窗口、子查询和HyDE，你都能学到。课程还涵盖了模块化RAG的多种模式，包括顺序模式、条件模式和分支模式，帮助你应对不同的业务场景。

为了提升RAG系统的效果，课程专门讲解了Rerank技术，包括交叉编码与双编码的原理，以及RankGPT的微调实践。此外，向量数据库的相关知识也是重点，你会学习到相似性搜索算法（如k-means、肘部法则）、近似邻近算法（如HNSW、LSH）以及Chroma和Qdrant等向量数据库的代码示例。

课程最后还分享了RAG行业落地的实践心得、落地经验和业务场景，并介绍了如何通过RAGAs和TruLens等工具对RAG系统进行评估，确保你的应用既高效又可靠。

Agent原理与设计模式：

Agent是课程的另一大亮点。你会从原理层面理解Agent的Planning（规划）、Memory（记忆）和Tool Use（工具使用）等核心组件。课程还介绍了国内外主流的Agent平台，并指导你如何使用Coze搭建智能客服。

在Agent设计模式方面，课程涵盖了Fewshot、ReAct、REWOO、LLMCompiler、Reflexion等经典模式，以及Single Agent和Multi-Agent架构的设计思路。通过Langgraph、AutoGen和CrewAI等项目的原理与实战，你能亲手搭建出具备协作能力的多Agent系统，真正体验智能体的强大能力。

知识图谱与GraphRAG：

为了进一步拓展你的知识面，课程还引入了知识图谱和GraphRAG的内容。你会学习RDF、RDFS、OWL等知识图谱架构，并掌握GraphRAG的索引原理、Leiden算法以及全局查询和局部查询的实现方式。LightRAG的使用、参数解读以及与Neo4j的结合，也会通过代码示例一一呈现。

通过这部分学习，你将能够利用图结构来增强大模型的检索和生成能力，解决更复杂的业务问题。

Embedding与相似性搜索：

课程深入讲解了Embedding的原理，包括word2vec、CBOW等经典模型，并教你如何使用llamaindex进行Embedding模型的微调。你还会学习到如何通过MRR和MTEB等评测指标来评估Embedding模型的效果。

在相似性搜索部分，课程介绍了欧式距离、余弦相似度等基本测量方法，以及k-means、PQ量化、HNSW等算法。这些内容将帮助你构建高效的检索系统，为RAG和Agent应用提供底层支持。