课程概览：从基础到进阶的AI学习路径
这套课程内容非常丰富，覆盖了从人工智能基础概念到前沿技术实践的完整学习路径。课程从最初的AI介绍开始，沿着大模型进化树逐步深入，帮助学习者建立起对AI技术体系的全景认知。课程内容编排循序渐进，既有理论讲解也有实战操作，适合不同层次的学习者按需选择。
课程体系主要分为几大板块：大模型基础与微调、RAG检索增强生成、Agent智能体开发、知识图谱与GraphRAG，以及向量数据库与相似性搜索等核心技术。每一板块都配有对应的理论讲解和代码实战，确保学习者能够真正掌握并应用这些技术。
大模型基础与微调：从环境搭建到模型部署
在模型微调方面，课程从环境准备开始，详细讲解了使用llama-factory进行大模型微调的完整流程。学习者将了解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类型的数据准备方法。课程还深入讲解了LoRA和QLoRA两种高效微调技术，让学习者能够根据实际需求选择最合适的微调方案。
模型评估与部署也是重点内容。课程介绍了批量推理与自动评估的benchmark方法，帮助学习者科学地评估微调效果。在部署环节，详细讲解了模型合并导出、量化处理以及本地部署的具体操作步骤，确保模型能够真正落地使用。
RAG技术体系：从基础原理到高级应用
RAG（检索增强生成）是这套课程的核心内容之一。课程从最基础的RAG技术原理讲起，配合RAGFlow项目的实际操作，让学习者快速上手。随后逐步深入到Naive RAG的langchain实践，以及高级RAG技术，包括层次索引、句子窗口、子查询和HyDE等优化方法。
在模块化RAG部分，课程详细讲解了顺序模式、条件模式、分支模式等不同架构设计，以及迭代检索、递归检索、FLARE和Toc-cur等高级技术。此外，还特别强调了RAG评估的重要性，介绍了RAGAs和TruLens等评估工具，帮助学习者全面掌握RAG系统的性能优化方法。
Embedding与向量数据库：构建高效检索基础
Embedding技术是RAG系统的基石。课程从最基础的word2vec和CBOW原理讲起，帮助学习者理解Embedding的本质。随后深入讲解了Embedding模型的训练方法，包括使用llamaindex进行微调，以及如何通过MRR评测和MTEB评测来评估Embedding模型的效果。
向量数据库部分同样内容丰富。课程介绍了向量数据库的基本概念和相似性测量方法，包括欧式距离和余弦相似度等。学习者还将掌握chroma与qdrant的实际代码操作，以及k-means、肘部法则等相似性搜索算法。对于更高级的技术，如PQ量化、HNSW和LSH等近似邻近算法，课程也都有详细的讲解和实践指导。
Agent智能体开发：从原理到多Agent协作
Agent技术是当前AI应用的重要方向。课程从Agent的基本原理讲起，详细介绍了planning、memory等核心组件。在提示词工程部分，学习者将学习软提示词、fewshot、COT和TOT等实用技巧，为构建高效Agent打下基础。
课程还深入讲解了Agent设计模式，包括Fewshot、ReAct、REWOO、LLMCompiler、Reflexion和LAT等多种模式，让学习者能够根据不同场景选择合适的设计方案。在框架实践方面，详细介绍了Langgraph、AutoGen和CrewAI三个主流Agent框架的原理与实战应用，包括多Agent架构的协作方式、代码执行和工具使用等关键功能。
知识图谱与GraphRAG：探索结构化知识应用
知识图谱部分从基础概念开始，详细讲解了RDF、RDFS和OWL等知识表示标准，以及知识图谱的整体架构。在GraphRAG方面，课程分为多讲深入展开：第一讲介绍原理、部署使用和基本概念；第二讲深入索引原理和Leiden算法；第三讲讲解全局查询、局部查询以及drifting检测等高级功能。
LightRAG作为轻量级RAG方案，课程也有专门讲解，包括示例代码、参数解读以及Neo4j图数据库的使用和API服务配置。这些内容让学习者能够根据项目需求选择合适的图增强检索方案。
RAG行业落地与实战经验
课程最后特别安排了RAG行业落地的专题分享，从实践心得、落地经验到业务场景分析，为学习者提供了宝贵的实战视角。这些内容帮助学习者理解RAG技术在实际业务中的应用难点和解决方案，为将来在真实项目中应用这些技术做好充分准备。
整体而言，这套课程体系完整、层次分明，既有扎实的理论基础，又有丰富的实战案例，是AI技术学习者的优质学习资源。
资源下载区域
本站会员可免费下载和查看此资源升级会员