这门课的名字里有“训练实战”四个字，容易让人误以为要从零预训练一个基座模型。实际翻一遍资料会发现，它的重心落在应用侧：把已经开源的大模型拿过来，改造成能回答你手头业务问题的系统。所以它更适合这样一类人——已经能调通几次 API，但一被问“怎么让模型答得准、答得稳、答得便宜”就卡壳。

先看清自己的缺口在哪

很多人做大模型应用，卡的不是写代码，而是不知道问题出在哪一层。用户问“公司年假怎么算”，模型答得离谱，是检索没召回对的段落？是召回了一堆但排序把正确那条挤到后面？还是上下文里明明有、模型自己没看进去？这三个问题对应三种完全不同的修法，用错方向就是白加班。

这门课把 RAG、Rerank、Embedding 拆开讲，本质上就是让你建立这种分层归因的能力。Embedding 决定“找不找得到”，Rerank 决定“排不排得对”，RAG 的整体流程决定“拼给模型的那段上下文长什么样”。资料里单独给了企业 RAG 实战的篇幅，说明讲的不只是玩具级 demo，而是带业务约束的场景。

微调这部分该怎么用

llama-factory 微调那份材料对应的，是另一条常被混淆的路线。不少人的第一反应是“效果不好就微调”，但微调更擅长解决的是风格、格式、领域表达习惯的问题，而不是塞进一堆会变动的事实知识。事实类知识交给检索，行为类要求交给微调，这个分工想不清楚，就会陷入反复调参却不见效的循环。

另外还有一部分内容涉及柏拉图表征假说与 scaling law、KM 缩放定律。这段看起来偏理论，作用却是帮你判断预期：什么规模的模型配什么量级的数据，收益大概会停在哪里。知道天花板在哪，才不会把时间耗在注定没回报的方向上。

配套练习建议这样安排

拿一份你熟悉的文档（产品手册、内部规章都行）建索引，先只做 Embedding 检索，观察召回质量。
给同一个问题加上 Rerank，对比前后排序变化，记录哪几条被救回来了。
把召回的片段直接拼进提示词，故意留一条干扰内容，看模型会不会被带偏。
挑一个格式要求严格的输出任务（比如固定 JSON 字段），用少量样本走一遍微调流程。
对同一个问题，分别用“纯提示词”和“检索+提示词”跑一遍，把差异写下来。

这样练下来，你会对每个环节的边际收益有手感，而不是照抄一套流程却说不清哪一步在起作用。

看完应该能回答的问题

检索结果明明相关，模型却答错，你会按什么顺序排查？
什么情况下该上 Rerank，什么情况下加它反而是浪费？
Embedding 模型换一个，需要重建索引吗，为什么？
同一个需求，微调和 RAG 各自的边界在哪里？
上下文塞得越多越好吗，token 成本和准确率怎么权衡？

如果这些问题你现在答不完整，这门课值得按顺序过一遍；如果大部分能答上来，可以直接跳到 Rerank 和企业 RAG 那两块，查漏即可。别假装什么都会，缺哪补哪才是省时间的做法。

AI大模型应用开发模型训练实战

大模型应用实战课程

编辑点评

深入浅出讲解大模型应用开发，涵盖RAG、Rerank、Embedding等技术，实战性强。

⭐ 编辑推荐

本课程聚焦AI大模型应用开发，从模型训练到实战应用，助你掌握核心技能。

课程亮点

• 大模型应用实战

• RAG技术讲解

• 实战性强

课程目录

📁 资料
    资料说明.png  [493.5 KB]
    rerank技术.pdf  [242.0 KB]
    llama-factory微调.pdf  [428.8 KB]
    ai认知课.pdf  [140.0 KB]
    企业RAG技术实战.pdf  [1.1 MB]
    embedding技术.pdf  [842.8 KB]
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 .mp4  [73.6 MB]
28_第二课：提示词工程：软提示词，fewshot，COT TOT .mp4  [128.0 MB]
33_第七课：Agent设计模式（三）：Reflexion，LAT .mp4  [164.2 MB]
2_第二课：柏拉图表征假说与scalinglaw：KM缩放定律 .mp4  [255.2 MB]
24_第十六课：向量数据库代码示例：chroma与qdrant代码 .mp4  [54.5 MB]
38_第十二课：AutoGen项目原理与实战（一）：AutoGen .mp4  [130.6 MB]
9_第一课：RAG技术原理与RAGFlow项目实操 .mp4  [350.5 MB]
14_第六课：模块化RAG（二）迭代，递归检索，FLARE，Toc .mp4  [134.0 MB]
19_第十一课：Rerank模型微调与实践（二）rankGPT .mp4  [108.4 MB]
4_第一课：大模型微调llama-factory环境准备 .mp4  [353.5 MB]
31_第五课：Agent设计模式（一）：Fewshot，ReAct .mp4  [134.9 MB]
35_第九课：Langchain项目原理与实战 .mp4  [146.5 MB]
21_第十三课：相似性搜索算法：k-means，肘部法则 .mp4  [123.4 MB]
10_第二课：NaiveRAG与langchain实践 .mp4  [230.0 MB]
40_第十四课：CrewAI项目原理与实战：Crew Task A .mp4  [120.6 MB]
26_第十八课：RAG行业落地：实践心得，落地经验，业务场景 .mp4  [110.5 MB]
30_第四课：Agent工具使用与functioncall：MR .mp4  [121.8 MB]
11_第三课：高级RAG（一）层次索引，句子窗口，子查询，HyDE .mp4  [307.0 MB]
12_第四课：高级RAG（二）提示词压缩，融合，llamainde .mp4  [98.2 MB]
3_第三课：AI开发环境（python、conda、vscode .mp4  [231.5 MB]
34_第八课：Agent框架：SingleAgent，Multi .mp4  [123.9 MB]
29_第三课：Agent平台：国内外主流平台，Coze搭建智能客服 .mp4  [108.7 MB]
17_第九课：Embedding模型评估：MRR评测，MTEB评测 .mp4  [154.4 MB]
13_第五课：模块化RAG（一）顺序模式，条件模式，分支模式 .mp4  [87.1 MB]
8_第五课：模型部署（模型合并导出与量化，本地部署） .mp4  [394.2 MB]
37_第十一课：Langgraph多Agent架构：协作多Age .mp4  [111.6 MB]
36_第十课：Langgraph项目原理与实战 .mp4  [84.8 MB]
15_第七课：Embedding原理：word2vec、CBOW .mp4  [111.4 MB]
18_第十课：Rerank技术原理与实践（一）交叉编码与双编码 .mp4  [97.7 MB]
7_第四课：模型评估（批量推理与自动评估benchmark） .mp4  [382.4 MB]
5_第二课：微调数据集准备（SFT 继续预训练，偏好优化） .mp4  [447.6 MB]
1_第一课：人工智能介绍：迭代路径，大模型进化树，技术分类 .mp4  [233.4 MB]
39_第十三课：AutoGen项目原理与实战（二）：代码执行，工具 .mp4  [119.3 MB]
25_第十七课：RAG评估：评估指标，RAGAs，TruLens .mp4  [153.2 MB]
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 .mp4  [98.4 MB]
6_第三课：微调过程lora微调与Qlora微调 .mp4  [527.4 MB]
32_第六课：Agent设计模式（二）：REWOO，LLMComp .mp4  [142.0 MB]
16_第八课：Embedding模型训练：llamaindex微调 .mp4  [147.6 MB]
22_第十四课：近似邻近算法与过滤向量：PQ量化，HNSW，LSH .mp4  [175.5 MB]
27_第一课：Agent原理简介：planning、memory、 .mp4  [87.5 MB]