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

课程核心：从0到1掌握AI大模型开发全流程

这门课程旨在帮助你从零基础逐步进阶，系统掌握AI大模型开发的核心技能。课程内容覆盖了模型训练、RAG（检索增强生成）以及Agent（智能体）三大关键领域，非常适合希望转行进入AI开发领域的学习者。无论你是刚刚接触人工智能，还是已有一定基础，这门课都能为你提供一条清晰、扎实的学习路径。

课程从人工智能的基本概念讲起，带你回顾大模型的发展迭代路径、技术分类以及进化树，帮助你建立起对整个领域的宏观认知。随后，课程会引导你搭建AI开发环境，包括Python、Conda、VSCode等工具的配置，为后续的动手实践做好充分准备。

模型训练：从微调准备到部署评估的完整闭环

在模型训练部分，课程深入讲解了微调数据集的准备工作，涵盖SFT（监督微调）、继续预训练以及偏好优化等不同策略。你会学习如何使用llama-factory等工具进行环境准备，并掌握LoRA微调与Q-LoRA微调的具体方法，从而在有限的资源下高效完成模型定制。

训练完成后，课程还会教你如何进行模型评估，包括批量推理和自动评估benchmark的使用。此外，模型部署环节会介绍模型合并、导出、量化以及本地部署的技巧，确保你能够将训练好的模型真正应用到实际场景中。

RAG技术：从原理到高级应用与行业落地

RAG是当前大模型应用中的热门技术。课程从最基础的Naive RAG和LangChain实践开始，逐步深入到高级RAG技术，如层次索引、句子窗口、子查询、HyDE（假设文档嵌入）以及提示词压缩和融合等。你还会学习模块化RAG的多种模式，包括顺序模式、条件模式和分支模式，以及迭代检索、FLARE、Toc等高级策略。

为了提升检索质量，课程专门讲解了Rerank技术（包括交叉编码与双编码）及其微调方法，并介绍了Embedding模型的原理（如word2vec、CBOW）与训练方法。向量数据库部分，你会学习欧式距离、余弦相似度等相似性测量方法，以及k-means、肘部法则、PQ量化、HNSW、LSH等相似性搜索与过滤算法。课程还提供了Chroma和Qdrant等向量数据库的代码示例，并教你如何使用RAGAs、TruLens等工具对RAG系统进行全面评估。最后，课程分享了RAG在行业中的落地经验、实践心得与常见业务场景。

知识图谱与GraphRAG：构建深度语义理解

为了让RAG系统具备更强的语义推理能力，课程引入了知识图谱技术。你会学习RDF、RDFS、OWL等知识图谱架构核心概念，并掌握实体识别等关键步骤。在此基础上，课程重点讲解了GraphRAG的原理、部署与使用方法，包括索引原理、Leiden算法、全局查询与局部查询，以及解决漂移问题（drift）的策略。

此外，课程还介绍了LightRAG与Neo4j图数据库的使用，通过示例代码和参数解读，帮助你快速上手图增强的检索生成系统。

Agent智能体：从原理到多Agent协作实战

Agent是课程的另一大亮点。首先，你会了解Agent的基本原理，包括规划（planning）、记忆（memory）和工具使用等核心组件。接着，课程会带你熟悉提示词工程，如软提示词、Few-shot、思维链（COT）和思维树（TOT）等技巧，提升Agent的智能表现。

在Agent平台方面，课程会介绍国内外主流平台，并演示如何使用Coze搭建智能客服。你还会学习Agent工具的使用与function call（如MRKL框架），以及多种Agent设计模式，包括Few-shot、ReAct、REWOO、LLMCompiler、Reflexion、LAT等。课程进一步涵盖了Single Agent与Multi-Agent框架，并通过LangGraph、AutoGen和CrewAI等项目的原理与实战，让你亲手实现多Agent协作架构、代码执行与工具调用，真正掌握构建复杂AI系统的能力。