rk0865-金融领域大语言模型实战

课程要帮你补齐什么能力

金融业务正在从「流程驱动」转向「知识+决策驱动」，但很多技术人员面对大模型时只会调 API，遇到合规、数据安全、成本、评估指标就发懵。这门课的任务是帮你把金融场景的真实需求翻译成可落地的技术能力：能讲清楚大模型的边界在哪里，能把对话、风控、投研、客服这类需求拆成 Prompt、RAG、微调、部署的完整链条，并且知道每个环节用什么指标衡量好坏。

适合谁学、门槛在哪

适合有后端或数据工程基础、准备往金融 AI 方向发展的同学。不需要你先精通 NLP，但要会 Python，熟悉 Linux 和命令行，了解 HTTP/REST 的基本用法，能看懂模型评估里常见指标的含义。如果你是纯业务背景，建议先把基础结构和本地化部署的视频看一遍，再进后面的实战环节。

建议的学习顺序

先看历史与现状部分建立直觉，再听金融在体验、资管、风控三个场景的定位；接着补课大模型基础结构，这一步别跳过，后面的 RAG 和微调都会反复用到。然后进入实操主线：先掌握 Prompt 编写，再学知识库构建，接着对比 LoRA 与 P-Tuning 两种微调思路，最后做性能评估与伦理合规复盘。这样安排能避免你一开始就扎进代码，却不知道为什么这样设计。

学完能独立做什么

学完后你应该能独立完成一件完整的事：给一个金融问题场景，先写需求与约束清单，再做 Prompt 或知识库方案，跑一次本地化部署或微调实验，给出评估报告并判断是否上线。具体来说，你能设计一个内部问答助手、做一个基础的风控文档检索系统，或者对一个已有金融模型做轻量微调并解释改动带来的效果差异。

资料怎么用才有效

视频负责把概念讲清楚，配套笔记负责补充细节，练习负责检验你是否真会。建议每看完一节就对照自己的实际项目做一次迁移：比如把公司现有 FAQ 改造成一个 RAG 原型，或者用公开金融语料做一段 LoRA 训练，再把结果写成评估文档。不要只看不练，也不要一上来就追求复杂度；先把一个小闭环跑通，再逐步叠加评估、合规与成本分析。