从“调用 API”到“让模型懂你”：跨越应用开发的最后一公里
很多开发者卡在大模型应用的瓶颈上，不是因为不会写 Python 或调接口，而是缺乏对模型“灵魂”的掌控力。当通用大模型在面对垂直领域知识时产生幻觉，或者在复杂任务中执行力不足时，单纯依赖 Prompt Engineering 已经难以满足生产级需求。本课程直击这一核心痛点，聚焦于 AI 大模型应用开发中的关键环节：模型训练与微调、检索增强生成（RAG）以及智能体（Agent）构建。它旨在帮助你打破“只会调包”的局限，建立起从数据准备、模型适配到系统部署的完整工程化思维，真正掌握让大模型在特定场景下“懂业务、能执行”的核心能力。
适合具备 Python 基础、熟悉主流深度学习框架（如 PyTorch）并有初步大模型使用经验的开发者。无论你是希望转岗进入 AI 应用层的技术人员，还是希望在现有项目中集成智能能力的后端工程师，本路线都能为你提供从理论原理到代码落地的系统性补充。课程不追求泛泛而谈的概念科普，而是针对实际开发中遇到的痛点——如上下文限制、知识滞后、任务复杂度过高——给出经过验证的解决方案和实战路径。
学习路径与实战建议
建议先夯实基础，快速过完人工智能基础概念与开发环境搭建部分，确保本地训练环境就绪。随后重点攻克模型微调技术，这是理解如何让基座模型适应特定领域的关键，务必亲手完成一次参数高效微调（PEFT）实验，体会数据清洗与评估指标的重要性。在此基础上，深入钻研 RAG 架构，这是目前企业级知识库应用的主流方案，需掌握向量数据库集成、文档切片策略及检索优化技巧。最后挑战 Agent 系统，理解工具调用（Function Calling）与工作流编排，这是迈向自主智能应用的必经之路。
资料包中包含了丰富的实战案例与行业落地素材，切勿只看不练。建议在每个模块学习后，利用配套练习复现核心代码，并尝试替换其中的数据集或业务场景，例如将通用的问答 RAG 改为特定行业的合同审核助手。通过这种“模仿-修改-创新”的循环，你可以逐步构建属于自己的 AI 应用脚手架。学完后，你将能够独立设计并实现一个具备专业领域知识、能处理多步复杂任务的 AI 应用系统，无论是部署私有化知识库，还是开发自动化工作流助手，都能做到心中有数、手上有码，真正具备解决复杂 AI 工程问题的能力。
课程介绍
跟龙哥学真AI-AI大模型应用开发模型训练-RAG-Agent-AI项目实战-行业落地课 本课程聚焦AI大模型应用开发，带你深入AI领域核心。从人工智能基础概念、开发环境搭建讲起，到模型训练的微调、评估、部署，再到RAG、Agent、知识图谱等前沿技术的原理剖析与项目实战，配以丰富的资料辅助。无论是想掌握大模型开发技能，还是探索AI项目落地应用，都能在此获得系统学习与实践指导，助力成为AI领域的专业人才。
课程目录
acc5f4a4834ff505d0d19234a9f31ef0.jpg 2025-11-12 08:57 上传 课程介绍： 跟龙哥学真AI-AI大模型应用开发模型训练-RAG-Agent-AI项目实战-行业落地课 本课程聚焦AI大模型应用开发，带你深入AI领域核心。从人工智能基础概念、开发环境搭建讲起，到模型训练的微调、评估、部署，再到RAG、Agent、知识图谱等前沿技术的原理剖析与项目实战，配以丰富的资料辅助。无论是想掌握大模型开发技能，还是探索AI项目落地应用，都能在此获得系统学习与实践指导，助力成为AI领域的专业人才。 课程目录： 1_第一课：人工智能介绍：迭代路径，大模型进化树，技术分类 2_第二课：柏拉图表征假说与scalinglaw：KM缩放定律 3_第三课：AI开发环境（python、conda、vscode 4_第一课：大模型微调llama-factory环境准备 5_第二课：微调数据集准备（SFT 继续预训练，偏好优化） 6_第三课：微调过程lora微调与Qlora微调 7_第四课：模型评估（批量推理与自动评估benchmark） 8_第五课：模型部署（模型合并导出与量化，本地部署 9_第一课：RAG技术原理与RAGFlow项目实操 10_第二课：NaiveRAG与langchain实践 .mp4 98.44M 11_第三课：高级RAG（一）层次索引，句子窗口，子查询，HyDE 12_第四课：高级RAG（二）提示词压缩，融合，llamainde 13_第五课：模块化RAG（一）顺序模式，条件模式，分支模式 14_第六课：模块化RAG（二）迭代，递归检索，FLARE，Toc 15_第七课：Embedding原理：word2vec、CBOW 16_第八课：Embedding模型训练：llamaindex微调 17_第九课：Embedding模型评估：MRR评测，MTEB评测 18_第十课：Rerank技术原理与实践（一）交叉编码与双编码 19_第十一课：Rerank模型微调与实践（二）rankGPT 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 21_第十三课：相似性搜索算法：k-means，肘部法则 22_第十四课：近似邻近算法与过滤向量：PQ量化，HNSW，LSH 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 24_第十六课：向量数据库代码示例：chroma与qdrant代码 25_第十七课：RAG评估：评估指标，RAGAs，TruLens 26_第十八课：RAG行业落地：实践心得，落地经验，业务场景 27_第一课：Agent原理简介：planning、memory、 28_第二课：提示词工程：软提示词，fewshot，COT TOT 29_第三课：Agent平台：国内外主流平台，Coze搭建智能客服 30_第四课：Agent工具使用与functioncall：MR 31_第五课：Agent设计模式（一）：Fewshot，ReAct 32_第六课：Agent设计模式（二）：REWOO，LLMComp 33_第七课：Agent设计模式（三）：Reflexion，LAT 34_第八课：Agent框架：SingleAgent，Multi 35_第九课：Langchain项目原理与实战 36_第十课：Langgraph项目原理与实战 37_第十一课：Langgraph多Agent架构：协作多Age 38_第十二课：AutoGen项目原理与实战（一）：AutoGen 39_第十三课：AutoGen项目原理与实战（二）：代码执行，工具 40_第十四课：CrewAI项目原理与实战：Crew Task A 资料 ai认知课.pdf 140.00kb embedding技术.pdf 842.78kb llama-factory微调.pdf 428.79kb rerank技术.pdf 242.05kb 企业RAG技术实战.pdf 1.05M
