课程内容：
资料
企业RAG技术实战.pdf
ai认知课.pdf
embedding技术.pdf
rerank技术.pdf
llama-factory微调.pdf
13_第五课：模块化RAG（一）顺序模式，条件模式，分支模式.mp4
11_第三课：高级RAG（一）层次索引，句子窗口，子查询，HyDE.mp4
37_第十一课：Langgraph多Agent架构：协作多Age.mp4
8_第五课：模型部署（模型合并导出与量化，本地部署）.mp4
29_第三课：Agent平台：国内外主流平台，Coze搭建智能客服.mp4
33_第七课：Agent设计模式（三）：Reflexion，LAT.mp4
15_第七课：Embedding原理：word2vec、CBOW.mp4
16_第八课：Embedding模型训练：llamaindex微调.mp4
21_第十三课：相似性搜索算法：k-means，肘部法则.mp4
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
35_第九课：Langchain项目原理与实战.mp4
5_第二课：微调数据集准备（SFT继续预训练，偏好优化）.mp4
17_第九课：Embedding模型评估：MRR评测，MTEB评测.mp4
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
10_第二课：NaiveRAG与langchain实践.mp4
39_第十三课：AutoGen项目原理与实战（二）：代码执行，工具.mp4
12_第四课：高级RAG（二）提示词压缩，融合，llamainde.mp4
30_第四课：Agent工具使用与functioncall：MR.mp4
9_第一课：RAG技术原理与RAGFlow项目实操.mp4
27_第一课：Agent原理简介：planning、memory、.mp4
22_第十四课：近似邻近算法与过滤向量：PQ量化，HNSW，LSH.mp4
24_第十六课：向量数据库代码示例：chroma与qdrant代码.mp4
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
28_第二课：提示词工程：软提示词，fewshot，COT TOT.mp4
34_第八课：Agent框架：SingleAgent，Multi.mp4
25_第十七课：RAG评估：评估指标，RAGAs，TruLens.mp4
6_第三课：微调过程lora微调与Qlora微调.mp4
7_第四课：模型评估（批量推理与自动评估benchmark）.mp4
31_第五课：Agent设计模式（一）：Fewshot，ReAct.mp4
40_第十四课：CrewAI项目原理与实战：Crew Task A.mp4
14_第六课：模块化RAG（二）迭代，递归检索，FLARE，Toc.mp4
19_第十一课：Rerank模型微调与实践（二）rankGPT.mp4
26_第十八课：RAG行业落地：实践心得，落地经验，业务场景.mp4
38_第十二课：AutoGen项目原理与实战（一）：AutoGen.mp4
18_第十课：Rerank技术原理与实践（一）交叉编码与双编码.mp4
2_第二课：柏拉图表征假说与scalinglaw：KM缩放定律.mp4
4_第一课：大模型微调llama-factory环境准备.mp4
32_第六课：Agent设计模式（二）：REWOO，LLMComp.mp4
3_第三课：AI开发环境（python、conda、vscode.mp4
36_第十课：Langgraph项目原理与实战.mp4
人工智能开发实战路线图
那些想真正搞懂AI落地的家伙们得从基础开始啃起，大模型进化树和柏拉图假说这种理论玩意儿其实比想象中重要得多，毕竟没理论支撑的实践就像蒙眼开车；环境配置这块儿很多人栽跟头，Python和Conda的环境冲突能把人逼疯，VSCode插件装不对连调试都成问题。
RAG技术深度拆解
检索增强生成这套东西现在火得发烫，企业级应用里NaiveRAG根本不够看，得玩转层次索引和子查询这些高阶操作；模块化设计里头分支模式特别适合金融风控场景，递归检索配合FLARE框架处理长文档简直绝配，评估环节用RAGAs指标才靠谱，光看召回率会被业务方骂死。
Embedding实战黑科技
词向量这块CBOW模型老掉牙了但还得学明白，微调embedding时loss曲线震荡太剧烈就得调整学习率；相似度计算用余弦还是欧氏距离得看数据分布，HNSW索引的速度提升明显不过内存占用吓人，chroma数据库的批量插入操作有坑要避开。
向量数据库的选型陷阱
专用向量库查询快可是贵得要命，传统数据库扩展向量功能又怕扛不住高并发，生产环境里混合架构可能是更聪明的选择。
Agent系统搭建秘籍
多智能体协作现在是大趋势，Langgraph的并行处理机制能榨干GPU性能；Coze平台做客服机器人省事但定制化弱，REWOO模式处理复杂任务链时要注意状态同步问题，反射式设计让Agent具备纠错能力这个很关键。
工具调用那些糟心事
Function calling的响应延迟超过3秒用户体验直接崩盘，MRKL框架要配合异步IO优化才行。
模型微调魔鬼细节
LoRA微调比全参数训练省显存这事儿大家都知道，但QLoRA的4-bit量化在边缘设备部署才是真本事；偏好数据集清洗不干净会导致奖励模型崩溃，benchmark跑分时候注意温度系数设定别掉进局部最优。
工业落地生死线
医疗行业的RAG应用必须过HIPAA认证，检索时差超过800毫秒医生就直接关页面了；制造业知识库构建要处理非结构化图纸，传统OCR加上embedding混合检索才能搞定，业务场景适配度不够的技术方案都是耍流氓。
