九天菜菜-大模型与Agent开发实战
课程简介
这门课的主题很明确：把大模型问答系统的工程链路拆开，从 RAG 的语料构建一路做到 Agent 编排，而不是停留在调 API 的层面。如果你已经能跑通一个简单的 LLM 调用，但说不清检索质量怎么评估、百万级语料怎么清洗入库、Agent 的工具调用边界在哪里，那这份资料正好可以用来对照实践。 技术栈与工程定位 课程以 RAG 问答系统为主线，围绕大模型应用…
这门课的主题很明确：把大模型问答系统的工程链路拆开，从 RAG 的语料构建一路做到 Agent 编排，而不是停留在调 API 的层面。如果你已经能跑通一个简单的 LLM 调用，但说不清检索质量怎么评估、百万级语料怎么清洗入库、Agent 的工具调用边界在哪里，那这份资料正好可以用来对照实践。
技术栈与工程定位
课程以 RAG 问答系统为主线，围绕大模型应用开发中几个绕不开的环节展开。语料侧涉及公有 wiki 数据的抓取与构建，量级到百万级，这里面会碰到去重、分块、元数据设计、向量化入库等具体问题；检索侧涉及召回与重排的取舍；评估侧引入了 TruLens 和 Ragas 这类框架，用来量化回答的忠实度与相关性，而不是靠肉眼看几条结果拍脑袋。生成侧覆盖到 DeepSeek V3 这类模型的接入方式，包括提示词组织和参数控制。
Agent 部分不是孤立的演示，而是接在 RAG 之后：把检索能力封装成工具，让模型自主决定何时调用、调用几次，再处理多轮状态和工具返回的解析。这种「先检索、后编排」的顺序对自学者比较友好，因为每一层都有可观测的输入输出，出问题容易定位是检索坏了还是编排逻辑错了。
项目结构与代码组织
企业篇的 RAG 项目是整份资料里最值得逐行读的部分。项目启动文件的说明和流程复现，实际上给了一套可以照着搭的骨架：配置管理、数据管道、检索服务、评估脚本各自分离，替换任意一环不需要动其他部分。这种分层在真实项目里很关键——语料换了、模型换了、评估指标换了，改动应该收敛在单个模块内。
看这部分代码时建议带着三个问题：数据从原始文本到向量库经历了哪些阶段，每个阶段的产物是否可缓存复用；检索结果如何与提示词拼接，上下文长度超限时怎么裁剪；评估框架是接入在管道末端还是可以作为独立步骤重跑。把这三点搞清楚，就能把这套结构迁移到自己的业务语料上。
可复用的模块
- 语料构建管道：抓取、清洗、分块、元数据标注、向量化的完整链路，可替换成自己的数据源。
- 检索与重排：召回策略与排序逻辑分离，方便做 A/B 对比。
- 评估脚本：基于 TruLens 和 Ragas 的指标计算，可以固化成回归测试。
- Agent 工具封装：把检索、计算、外部接口统一成工具描述格式，便于扩展新工具。
- 模型接入层：不同模型供应商的调用差异被收敛在配置里，切换成本低。
这些模块的价值在于边界清晰。评估部分尤其容易被忽视，但它是把「能跑」变成「能维护」的分水岭——有了可重复的指标，改分块大小或换 embedding 模型时才有依据判断是变好还是变坏。
自学路径建议
不建议从第一集顺序看到最后。更有效的方式是先跑通企业篇的项目启动流程，把最小闭环搭起来，确认数据能进、问题能答；然后回头补语料构建的细节，替换成自己关心的一批文档；接着接入评估框架，给当前效果打一个基线分数；最后再进 Agent 部分，把检索包装成工具，观察模型自主调用的行为是否符合预期。
每个阶段都留一个可验证的产物：能检索到的片段、能算出的指标、能复现的问答记录。这样即使某个环节卡住，也不会整条链路瘫痪。资料里的视频讲解偏向操作演示，配合源码对照看效率更高，遇到关键函数直接跳到实现处读参数和异常处理，比反复看演示更能建立工程直觉。
九天菜菜-大模型与Agent开发实战
实战大模型与Agent开发，掌握问答系统核心技术
编辑点评
深入浅出讲解大模型与Agent开发，实战项目丰富，适合AI领域初学者及进阶者。
⭐ 编辑推荐
九天菜菜带你实战大模型与Agent开发，从RAG项目到DeepSeekV3，掌握问答系统核心技术。
✨ 课程亮点
✦实战项目丰富
✦深入浅出讲解
✦适合AI领域学习
课程目录
5-RAG项目实战企业篇31 集
- week_2_2_part_3_项目启动文件详细说明及流程复现.mp4 [175.2 MB]
- week_3_2_part_2_RAG评估框架-TruLens实践.mp4 [164.8 MB]
- week_3_1_part_3_百万量级的wiki公有语料构建方法实践.mp4 [122.3 MB]
- week_3_2_part_3_RAG评估框架-Ragas的使用及借助GLM4生成评估数据.mp4 [244.3 MB]
- week_2_1_part_2_Naive RAG介绍及借助LangChain实现RAG流.mp4 [292.8 MB]
- week_2_1_part_3_RAG集成历史对话信息及SqlalChemy持久化存储的使.mp4 [229.2 MB]
- week_2_2_part_2_FastChat项目说明及Python多进程.mp4 [170.4 MB]
- week_1_1_part_2_本地私有化部署glm4-9b-chat模型.mp4 [140.6 MB]
- week_4_1_part_3_自定义RAG评估Pipeline-整体逻辑实现及细节说明.mp4 [149.7 MB]
- week_3_1_part_4_yolox + orc 识别私有PDF语料的方案实践.mp4 [158.6 MB]
- week_1_2_part_3_FastAPI项目介绍.mp4 [50.1 MB]
- week_5_part_5_Docker介绍及借助Docker打包部署完整项目的流程.mp4 [142.9 MB]
- week_2_2_part_1_通用问答流程整体流程介绍及参数说明.mp4 [221.9 MB]
- week_5_part_2_大模型用于特征工程及实现推荐系统的整体逻辑代码.MP4 [411.4 MB]
- week_4_1_part_5_自定义RAG评估Pipeline-ReRanker原理及实.mp4 [85.3 MB]
- week_4_1_part_1_自定义RAG评估Pipeline-构建统一的数据集格式.mp4 [134.0 MB]
- week_4_1_part_2_自定义RAG评估Pipeline-构建统一的提示模板.mp4 [30.2 MB]
- week_5_part_1_大模型融入推荐系统一种思路_1.MP4 [54.4 MB]
- week_5_part_4_项目整体框架下实现基于Agent的问答流程代码实践.ts [93.1 MB]
- week_1_2_part_1_GLM在线API调用方法.mp4 [222.7 MB]
- week_5_part_3_基于Langchain实现基于ReAct的代码实践及TOT提示.MP4 [415.4 MB]
- week_1_1_part_1_课程说明及大模型问答功能复现.mp4 [135.8 MB]
- week_3_1_part_2_结合Faiss向量数据的RAG Indexing构建流程.mp4 [175.9 MB]
- week_3_1_part_1_企业级RAG的构建架构和思路.mp4 [92.5 MB]
- week_2_1_part_1_本周开发任务说明.mp4 [31.4 MB]
- week_4_1_part_4_自定义RAG评估Pipeline-评估指标及评估流程实现.mp4 [94.2 MB]
- week_4_2_part_2_基于Serper实现系统架构下的联网实时检索功能.mp4 [279.0 MB]
- week_1_1_part_3_调用本地启动的glm4模型的方法.mp4 [109.0 MB]
- week_1_2_part_2_Langchain应用框架整体介绍.mp4 [229.0 MB]
- week_4_2_part_1_Serper API联网检索数据预处理过程拆解.mp4 [167.0 MB]
- week_3_2_part_1_本地RAG知识库问答功能链路详解与复现.mp4 [127.3 MB]
PART4：DeepSeekV3 (5小节)5 集
- 【DeepSeekv3】2 分布式嵌入层与投影层.mp4 [154.6 MB]
- 【DeepSeekv3】1 整体架构与分布式基础概念.mp4 [145.3 MB]
- 【DeepSeekv3】4 MLA潜在注意力 (2) 针对KV缓存的改进.mp4 [94.2 MB]
- 【DeepSeekv3】3 MLA潜在注意力 (1) 从自回归掩码看KV缓存机制.mp4 [99.3 MB]
- 【DeepSeekv3】5 DeepSeekMOE的MOE架构与创新.mp4 [165.8 MB]
4-大模型Agent开发实战81 集
- Ch 5.4 在Assistant和Thread定义File Search工具的四种策略.ts [178.4 MB]
- Ch 14.2 案例：基于 Supervisor 架构实现多代理系统.ts [170.5 MB]
- Ch 12.3 标准图结构中如何添加断点.ts [348.8 MB]
- Ch 8.4 MessageGraph源码功能解析.ts [223.7 MB]
- Ch 2.5 Function Calling并行调用和多函数调用的应用方法.ts [129.6 MB]
- Ch 2.2 AI Agent三种应用类型及Python实现可交互的聊天机器人.ts [192.0 MB]
- 【MateGenPro】Ch 2. 本地运行MateGen Pro项目流程.ts [155.3 MB]
- Ch 3.1 Funcation Calling 与 AI Agent的本质区别.ts [63.3 MB]
- 【MateGenPro】Ch 6 API_Key接口初始化与校验.ts [138.9 MB]
- Ch 1.4 AI Agent 经典核心架构与 AgentExcuter.ts [200.4 MB]
- Ch 12.1 LangGraph知识点概述总结.ts [106.3 MB]
- Ch 12.2 LangGraph中的HIL实现思路.ts [157.0 MB]
- Ch 5.1 Assistant API 进阶应用方法介绍.ts [56.6 MB]
- Ch 6.5 应用案例（1）：异步构建Assistant对象的工程化代码.ts [89.2 MB]
- Ch 11.3 检查点的特定实现类型-MemorySaver.ts [153.1 MB]
- Ch 9.3 结合结构化输出构建Router Agent（数据库）.ts [194.9 MB]
- Ch 7.1 LangChain的AI Agent开发框架架构设计.ts [87.9 MB]
- Ch 6.6 应用案例（2）：集成外部函数方法及项目完整功能介绍.ts [156.0 MB]
- Ch 6.2 Assistant API中流式输出的开启方法.ts [104.2 MB]
- Ch 9.2 LangGraph中可应用的三种结构化输出方法.ts [144.1 MB]
- Ch 4.2 Assistant对象的创建方法.ts [198.8 MB]
- Ch 5.7 基于Funcation Calling实现本地代码解释器.ts [207.4 MB]
- Ch 6.4 如何在 Assistant API 流式传输中接入外部函数.ts [175.8 MB]
- Ch 9.1 LangGraph代理架构及Router Agent介绍.ts [185.1 MB]
- Ch 1.3 AI Agent爆发的根本原因.ts [133.1 MB]
- Ch 2.3 Funcation Calling 完整生命周期细节复现.ts [222.8 MB]
- Ch 14.4 案例：Multi-Agent实现混合多知识库检索.ts [329.1 MB]
- Ch 13.2 Multi-Agent 架构分类及子图的通信模式 - 副本.ts [239.3 MB]
- Ch 14.1 Supervisor 架构介绍与基本构建原理.ts [317.2 MB]
- LangGraph 多代理与 GraphRAG 综合应用实战.ts [3.1 GB]
- Ch 8.5 LangSmith基本原理与使用入门.ts [112.9 MB]
- Ch 4.4 Run运行时的状态转移机制.ts [119.5 MB]
- Ch 1.1 大模型应用发展与Agent前沿技术趋势.ts [162.8 MB]
- Ch 9.4 Tool Calling Agent 中ToolNode的使用.ts [163.7 MB]
- Ch 11.4 检查点的特定实现类型-SqliteSaver.ts [172.7 MB]
- Ch 1.2 大模型应用的本地知识库问答核心技术-RAG.ts [136.1 MB]
- Ch 10.2 案例实操：构建复杂工具应用的ReAct自治代理.ts [279.1 MB]
- Ch 2.6 加餐：OpenAI最新推出的结构化输出功能介绍.ts [43.6 MB]
- Ch 10.3 LangGraph中如何使用流式输出.ts [211.0 MB]
- 【MateGenPro】Ch 4. SQLAlchemy原理与项目接入.ts [198.7 MB]
- Ch 8.3 LangGraph状态管理中Reducer函数的使用.ts [141.6 MB]
- Ch 3.2 提示工程到代理工程的平滑过度.ts [113.1 MB]
- Ch 11.5 长期记忆和Store（仓库）.ts [102.5 MB]
- 项目开发实战一：从零搭建多功能智能体 MateGen Pro（第二部分）.ts [3.4 GB]
- Ch 14.3 GraphRAG 基本介绍与核心架构.ts [179.1 MB]
- Ch 5.5 如何处理Assistant API输出响应中的注释.ts [62.6 MB]
- Ch 9.5 Tool Calling Agent的完整实现案例：实时搜索与数据库集成.ts [207.6 MB]
- Ch 3.5 项目：基于ReAct Agent构建电商智能客服_batch.ts [218.5 MB]
- Ch 8.2 使用字典类型定义状态的方法与优劣势.ts [196.7 MB]
- Ch 7.4 LangGraph中如何接入大模型做问答流程.ts [163.9 MB]
- 【MateGenPro】Ch 5. MateGen 数据库初始化逻辑.ts [55.7 MB]
- Ch 11.2 LangGraph的短期记忆及Checkpointer(检查点).ts [183.4 MB]
- Ch 4.5 实现Run状态的轮询方法，并实现Assistant API完整链路.ts [177.4 MB]
- Ch 5.3 基于 Assistant API 创建在线私有知识库.ts [142.1 MB]
- Ch 13.5 案例：基于网络架构实现智能BI数据分析多代理系统（下）.ts [168.2 MB]
- 大模型应用发展及Agent前沿技术趋势.MP4 [1.5 GB]
- 【MateGenPro】Ch 7 缓存池与系统初始化逻辑.ts [356.4 MB]
- Ch 10.1 LangGraph中ReAct的构建原理.ts [157.6 MB]
- Ch 13.3 父、子图状态中无共同键的通信方式.ts [92.4 MB]
- Ch 4.1 Assistant API 框架的整体介绍.ts [114.3 MB]
- Ch 2.1 AI Agent与LLMs + RAG的本质区别.ts [73.1 MB]
- Ch 5.2 File Search内置工具说明及文件管理.ts [172.5 MB]
- Ch 12.5 案例：具备人机交互的完整Agent信息管理系统.ts [346.3 MB]
- Ch 13.1 Single-Agent 存在的局限.ts [181.7 MB]
- Ch 7.2 LangGraph 的底层构建原理.ts [201.6 MB]
- Ch 10.4 LangGraph中的事件流.ts [101.0 MB]
- Ch 5.6 Code Interpreter（代码解释器）的应用技巧.ts [86.7 MB]
- Ch 6.1 为什么企业级应用必须接入流式输出.ts [140.6 MB]
- Ch 8.1 LangGraph中State的定义模式.ts [123.2 MB]
- Ch 4.3 Thread、Messges及Run应用方法.ts [72.5 MB]
- Ch 3.3 ReAct Agent框架的基础理论.ts [90.4 MB]
- 【MateGenPro】Ch 1. MateGen Pro 项目整体架构介绍.ts [66.7 MB]
- 【MateGenPro】Ch 3. MateGen Pro 后端API核心模块设计.ts [73.3 MB]
- Ch 13.4 案例：基于网络架构实现智能BI数据分析多代理系统（上）.ts [163.1 MB]
- Ch 6.3 Assistant API 流式传输中的事件流原理细节.ts [121.6 MB]
- 【MateGenPro】Ch 8 会话管理模块表结构设计与代码讲解.ts [205.4 MB]
- Ch 2.4 实现具备Funcation Calling的智能电商客服.ts [88.2 MB]
- Ch 11.1 Agent长短期记忆认知.ts [123.0 MB]
- Ch 12.4 复杂代理架构中如何添加动态断点.ts [163.2 MB]
- Ch 7.3 Langgraph底层源码解析.ts [138.2 MB]
- Ch 3.4 案例：从零复现ReAct Agent的完整流程.ts [297.5 MB]
2-开源大模型部署调用64 集
- 【Qwen2.5Coder&Math】03_Coder技术文章分析.ts [82.6 MB]
- 【Llama3.1】06_ModelScope本地部署.ts [63.1 MB]
- 【Qwen2.5】02_ModelScope本地化部署流程.ts [82.6 MB]
- 【ChatGLM3-6B】12_PEFT高效微调原理浅析.ts [259.6 MB]
- 【Llama3.2】02_官网下载流程.ts [62.3 MB]
- Cursor&Coder高效低代码开发办法.ts [90.1 MB]
- 【ChatGLM3-6B】03_服务器环境下部署ChatGLM3-6b.ts [163.2 MB]
- 【Llama3.1】01_Llama家族系列模型生态介绍.ts [125.4 MB]
- 【GLM4-9B】02_安装部署流程展示.ts [87.7 MB]
- 【Qwen2.5Coder&Math】06_Coder本地部署推理流程.ts [91.0 MB]
- 【GLM4-Voice】05_开源大模型比拼-排行榜介绍.ts [121.6 MB]
- 【Llama.cpp】以Qwen2.5为例实现量化模型启动与API调用.ts [99.8 MB]
- 【ChatGLM3-6B】11_DeepSpeed原理浅析.ts [141.7 MB]
- 【Qwen2.5】03_ModelScope线上部署办法.ts [41.2 MB]
- 【Llama3.2】01_基本介绍与线上测试办法.ts [64.7 MB]
- 【ChatGLM3-6B】07_以ChatGLM3-6b为例的大模型更新办法.ts [50.2 MB]
- 【Llama3.1】05_ModelScope线上部署.ts [92.3 MB]
- 【ChatGLM3-6B】08_单机多卡启动大模型办法.ts [110.1 MB]
- 【Qwen2.5Coder&Math】01_Coder介绍.ts [96.6 MB]
- 【Llama3.2】03_Ollama在Linux和Windows部署方法.ts [49.0 MB]
- 【Qwen2.5Coder&Math】07_vLLM推理Coder流程.ts [41.4 MB]
- 【Qwen2.5】04_Ollama框架部署流程.ts [43.7 MB]
- 【ChatGLM3-6B】15_LangChain0.3安装部署与调用方法.ts [157.5 MB]
- 【GLM4-Voice】02_多模态与AGI技术展望.ts [75.4 MB]
- Glm-Edge-v-5B模型介绍与本地部署.ts [35.6 MB]
- 【Llama3.1】03_技术论文解读.ts [167.3 MB]
- 【ChatGLM3-6B】05_AutoDL快速部署ChatGLM3-6b办法.ts [64.5 MB]
- 【GLM4-9B】03_多种启动方式流程展示.ts [115.5 MB]
- 【Qwen2.5】01_基本介绍与线上体验办法.ts [98.7 MB]
- 【Cursor】调用QWQ实现辅助编程--调用本地模型全流程.ts [70.1 MB]
- 【GLM4-9B】05_WSL部署流程.ts [55.5 MB]
- 【ChatGLM3-6B】04_ChatGLM3-6b的多种启动方法.ts [99.7 MB]
- 【Qwen2.5Coder&Math】10_Math部署流程.ts [13.9 MB]
- Qwen2--5Coder本地部署使用全流程.ts [178.0 MB]
- 【GLM4-Voice】04_线上部署流程.ts [100.8 MB]
- 【ChatGLM3-6B】14_LangChian体系详解.ts [188.2 MB]
- Ollama最新版本启动多模态模型Llama3.2Vision全流程[Linux环境].ts [128.5 MB]
- 【Cursor】在Windows环境下调用QWQ线上API实现辅助编程方法.ts [31.6 MB]
- Marco-o1模型介绍与本地部署.ts [224.8 MB]
- Qwen2VL多模态模型参数介绍&部署使用全流程.ts [96.1 MB]
- 【Qwen2.5Coder&Math】04_Math技术文章分析.ts [22.7 MB]
- 【Qwen2.5Coder&Math】09_线上部署推理Coder流程.ts [92.4 MB]
- 【ChatGLM3-6B】06_Git方法简洁下载ChatGLM3-6b.ts [62.1 MB]
- 【ChatGLM3-6B】02_Ubuntu环境下ChatGLM3-6b命令行安装办法.MP4 [182.7 MB]
- 【Qwen2.5】06_vLLM部署与调用流程.ts [124.3 MB]
- 【ChatGLM3-6B】01_Ubuntu双系统安装.MP4 [199.7 MB]
- Qwen2--5Coder：32B基本介绍和测试.ts [196.8 MB]
- 【GLM4-Voice】03_本地化部署流程.ts [108.2 MB]
- 【Llama3.1】07_LlamaFactory中文能力微调实例.ts [172.4 MB]
- 【Llama.cpp】以Qwen2VL为例实现GGUF模型量化与调用办法.ts [44.2 MB]
- 【Qwen2.5Coder&Math】05_Math线上体验.ts [27.6 MB]
- 【Qwen2.5Coder&Math】02_Math介绍.ts [35.8 MB]
- 【Llama3.1】02_线上体验办法.ts [42.9 MB]
- 【Llama3.1】04_官网以及Ollama部署流程.ts [160.8 MB]
- 【GLM4-9B】01_模型基本介绍.ts [53.5 MB]
- 【ChatGLM3-6B】13_P-Tuning V2微调实战.ts [95.1 MB]
- Ollama最新版本保姆级指南.ts [185.8 MB]
- 【GLM4-9B】04_vLLM介绍和部署应用.ts [167.3 MB]
- 在Windows环境下使用Ollama启动多模态模型llama3.2Vision全流程.ts [50.3 MB]
- 【ChatGLM3-6B】09_LoRA原理浅析.ts [160.7 MB]
- 【ChatGLM3-6B】10_LoRA微调实战训练.ts [142.2 MB]
- 【Qwen2.5】05_在Windows系统中使用Ollama框架部署流程.ts [26.3 MB]
- 【Qwen2.5Coder&Math】08_Ollama推理Coder流程.ts [32.1 MB]
- 【GLM4-Voice】01_模型基本介绍.ts [105.8 MB]
直播回放14 条
- GPT4o的函数调用实战与结构化生成回答与提示缓存原理.ts [1.2 GB]
- Llama 3.1&2部署微调.ts [1.2 GB]
- LangGraph 长短期记忆实现机制及检查点的使用.ts [3.7 GB]
- OPENAI的Streaming流式响应与API微调双实战，Claude computer use接入自己的电脑.ts [1.4 GB]
- LangGraph 实现自治循环代理（ReAct）及事件流的应用.ts [3.1 GB]
- Qwen2.5-Coder&Math介绍与部署.ts [1.0 GB]
- Qwen2.5介绍与部署流程.ts [923.8 MB]
- LangGraph 中 Human-in-the-loop 应用实战.ts [3.7 GB]
- LangGraph中State状态模式与LangSmith基础使用入门.ts [3.0 GB]
- GPT4o的API基本调用、精细生成控制与多模态实操.ts [1.2 GB]
- o1模型详解与模型蒸馏实战.ts [1.2 GB]
- ChatGPT的注册与ChatGPT API充值.ts [1.0 GB]
- Llama 3.1介绍与部署流程.ts [1.1 GB]
- GLM-4-Video-9b 介绍与部署流程.ts [1.1 GB]
加餐-前沿技术追更9 条
- 【加餐】03 Computer Use API 详解（3）对话函数下.ts [53.8 MB]
- 【加餐】06 Computer use实战初窥.ts [67.1 MB]
- 【加餐】04 Computer Use API 详解（4）多轮对话及tool use.ts [84.1 MB]
- 【加餐】07 Computer Use docker安装部署全流程.ts [63.2 MB]
- 【加餐】09 Computer Use源码详解.ts [25.3 MB]
- 【加餐】08 Computer Use项目启动&实战案例.ts [39.2 MB]
- 【加餐】05 Computer Use API 详解（5）全组件总结.ts [43.1 MB]
- 【加餐】01 Computer Use API 详解（1）准备工作.ts [46.8 MB]
- 【加餐】02 Computer Use API 详解（2）对话函数上.ts [73.9 MB]
1-在线大模型部署调用68 集
- 【GLM】09_CogVideoX视频生成大模型.ts [111.4 MB]
- 【GPT4o】04_精细控制生成可选参数系列讲解.ts [140.2 MB]
- DSPy优化器优化LLM程序.ts [1.1 GB]
- 【GPTo1】04_2种加载模型o1没有的Json结构功能与【实战】.ts [84.0 MB]
- 【Gemini】02_生态体验攻略与微调实战.ts [95.4 MB]
- 【GPT4o】06_3步的 tool use基础讲解与【实战】社交媒体情绪数据分析.ts [129.0 MB]
- 【GLMAssistantAPI】01_调用assistantAPI流程与效果.ts [117.0 MB]
- 【GPT4o】08_tool use 维基百科实时写作助手【实战】.ts [120.2 MB]
- 【GLMAssistantAPI】02_多个assistant演示解析使用.ts [45.8 MB]
- 【GPT】01_OPENAI的账号注册速通.ts [147.0 MB]
- 【GLM】04_十分钟速通GLM的可选参数.ts [39.1 MB]
- 【Gemini】04_掌握原生generate_content函数多轮对话技巧.ts [64.6 MB]
- 【GLM】07_tooluse下-两次api调用的tooluse.ts [89.3 MB]
- 【GPT4o】03_多轮对话历史及面向对象多轮对话机器人实战.ts [120.3 MB]
- 【GPTo1】06_用o1蒸馏模型实战（下）.ts [104.7 MB]
- 【GLM】02_GLM模型API初次调用与响应解析.ts [62.5 MB]
- 【Claude】13_异步的API调用的讲解与实践.ts [172.0 MB]
- 【Claude】07_tool use全流程讲解与wiki搜索实战.ts [245.4 MB]
- 【GLM】05_GLM的stream流式响应讲解.ts [70.0 MB]
- 【Claude】09_揭秘prompt Cache提示缓存：节省成本加快响应的绝技.ts [124.1 MB]
- 【Claude】03_API_KEY领取及调用.ts [83.9 MB]
- 【GPTo1】01_o1大模型原理介绍 从4o到o1实际上发生了什么.ts [88.2 MB]
- 【Gemini】06_API精细化控制生成之System Instruction.ts [62.2 MB]
- 【GLMAssistantAPI】05_复刻AssistantAPI.ts [46.8 MB]
- 【Gemini】10_API精细化控制生成结构化与Json参数.ts [120.5 MB]
- 【GLMAssistantAPI】03_将智能体集成Agent类使用.ts [69.4 MB]
- 【GPTo1】02_o1模型的API调用详解与总结.ts [133.0 MB]
- 【Claude】06_API生成定制化与提示工程实战长文档.mp4 [136.1 MB]
- 【GLM】03_大模型API调用的消息和构建多轮对话机器人.ts [104.3 MB]
- 【Gemini】09_提示工程之长文档实战.ts [107.5 MB]
- 【GPT4o】12_Streaming流式响应详解.ts [196.6 MB]
- 【Gemini】05_API内置简化多轮对话的start_chat函数与ChatSessi.ts [136.1 MB]
- 【Claude】10_stream函数及生成器本质讲解.ts [112.7 MB]
- 【GPT4o】10_输出生成结构化的3种方式（JSON结构化）.ts [143.4 MB]
- 【Claude】11_stream流式概念与使用方法讲解.ts [163.2 MB]
- 【Gemini】08_API精细化控制生成之Temperature与Stop Sequen.ts [103.0 MB]
- 【GPT】02_OPEN AI官网及开发者平台使用指南.ts [182.4 MB]
- 【GLMAssistantAPI】04_构建fastapi的Web项目.ts [106.3 MB]
- 【GLM】06_tooluse上-一次api调用的tooluse.ts [99.1 MB]
- 【GPT】04_API账户充值及领取API_KEY及首次调用API.ts [147.8 MB]
- 【GPT4o】15_风格微调（下）微调作业运行与应用评估.ts [109.8 MB]
- GLM Assistant API集成与FastAPI服务复刻实战指南.ts [927.3 MB]
- GLM 4 工具调用从入门到精通与CogVideoX 文本生成视频 API 全流程.ts [669.3 MB]
- 【GPTo1】05_用o1蒸馏模型实战（上）.ts [117.8 MB]
- 【GPTo1】03_通过COT制作4o-mini版本的o1模型【实战】.ts [102.8 MB]
- 【Claude】01_了解Claude的所有特质.MP4 [145.1 MB]
- 【Claude】02_Claude的注册流程.ts [70.2 MB]
- 【Gemini】03_解锁 Gemini API-开启文本生成之旅.ts [116.9 MB]
- 【GPT4o】02_2个核心必需参数详解与对话消息本质剖析.ts [118.3 MB]
- 提示工程全解指南.ts [775.0 MB]
- 【GPT4o】14_风格微调（上）创建数据集与微调作业.ts [199.2 MB]
- 【GLM】01_GLM大模型API调用介绍与领取APIKEY.ts [22.2 MB]
- 【Claude】12_异步的使用原因与基本语法.ts [120.9 MB]
- 【Claude】05_API多模态的最佳实践.ts [88.4 MB]
- DSPy：斯坦福20k+星标项目 - 革命性的LLM优化框架，从评估到自动优化你的LLM系统（如RAG系统）.ts [1.1 GB]
- 【GPT4o】07_5步的 tool use完整的调用流程与汇总.ts [85.8 MB]
- 【GLM】08_tooluse接入维基百科搜索实战.ts [73.4 MB]
- 【GPT4o】13_函数调用中的Streaming流式响应.ts [114.3 MB]
- 【GPT】03_虚拟信用卡开通与升级GPT_Plus会员.ts [111.4 MB]
- 【GPT4o】01_4o文本生成API基本讲解与调用.ts [101.3 MB]
- GLM模型：流式处理的工具调用、多模态应用及模型微调实战指南.ts [545.6 MB]
- 【GPT4o】05_4o多模态图片的文本生成API调用详解.ts [144.3 MB]
- 【Gemini】07_API精细化控制生成之generation_config与max_t.ts [97.3 MB]
- 【Gemini】01_Gemini注册指南-最新模型免费API调用.ts [109.7 MB]
- 【Claude】04_API必须参数揭秘,多轮对话机器人速成指南_x264.ts [205.2 MB]
- 【GPT4o】09_并行的函数调用与实时股票价格、历史走势绘图与分析【实战】.ts [113.2 MB]
- 【Claude】08_tool_choice与定制Json输出及tool_use大实战.ts [197.2 MB]
- 【GPT4o】11_首token时延与提示缓存原理与最佳实践.ts [101.1 MB]
3-大模型微调实战36 条
- Ch 3.3 模型微调及参数详解.ts [153.8 MB]
- DPO微调Qwen2.5.ts [988.2 MB]
- Ch 3.2 llamafactory中如何使用和注册数据集.ts [215.2 MB]
- Ch 5.1PPO&llama3.2_什么是PPO算法.ts [78.5 MB]
- Ch 4.3如何在windows配置环境.ts [129.3 MB]
- Ch 1.5 强化学习RHLF介绍.ts [80.9 MB]
- Ch 1.3 微调步骤及技术栈.ts [89.9 MB]
- Ch 4.4 Qlor微调实战与验证.ts [153.2 MB]
- Ch 6.6 RLHF挑战与改进方向.ts [83.1 MB]
- window系统微调QLORA.ts [1.9 GB]
- Ch 6.2 RLHF流程拆解与核心.ts [169.4 MB]
- PPO微调Llama-3.2.ts [2.6 GB]
- Ch 1.4 高效微调及范围.ts [205.6 MB]
- Ch 2.5 配置TensorBoard.ts [85.3 MB]
- Ch 6.3 奖励模型原理.ts [59.1 MB]
- Ch 4.2 Qlora核心概念.ts [106.0 MB]
- Ch 5.6 PPO源码解读.ts [113.7 MB]
- Ch 2.4 实战Qwen2.5微调.ts [141.4 MB]
- Ch 3.1 如何获取数据源及使用解析.ts [170.9 MB]
- Ch 1.2 微调与其他技术的区别和关联.ts [102.1 MB]
- Ch 1.6 主流微调框架.ts [81.7 MB]
- Ch 4.1 win&Qlora&qwen2.5_Qlora能节约多少内存.ts [79.0 MB]
- Ch 2.3 LLama_factory 安装部署及验证.ts [93.8 MB]
- Ch 1.1 通用模型发展与微调前景.ts [141.2 MB]
- Ch 5.2 如何理解PPO.ts [113.8 MB]
- Ch 2.1 Lora原理详解.ts [173.8 MB]
- Ch 5.4 PPO模型与数据的选择.ts [122.7 MB]
- Ch 2.2 LLama_factory 介绍.ts [103.4 MB]
- Ch 5.5 PPO微调实操.ts [111.7 MB]
- LLama_Factory+LORA大模型微调.ts [2.4 GB]
- Ch 3.4 数据验证&deepspeed微调.ts [122.1 MB]
- Ch 6.5 RLHF全流程微调.ts [45.6 MB]
- Ch 5.3 各个模型PPO算法的协作关系.ts [98.9 MB]
- Ch 6.4 奖励模型训练流程.ts [137.4 MB]
- LLama_factory&Lora微调Qwen2.5做NL2sql.ts [2.5 GB]
- Ch 6.1 RLHF&Qwen2.5,RLHF背景与意义.ts [93.2 MB]
大模型微调-课件9 条
- Ch 3. LLama_factory&Lora微调Qwen2.5做NL2sql.ipynb [75.9 KB]
- Ch 7. DPO微调Qwen2.5.ipynb [85.3 KB]
- Ch 8 PEFT&医疗领域模型微调实践.ipynb [123.1 KB]
- Ch 2. LLama_Factory+LORA大模型微调.ipynb [72.0 KB]
- Ch 6. RHLF微调Qwen2.5.ipynb [86.3 KB]
- Ch 5. PPO微调LLama-3.2.ipynb [79.5 KB]
- Ch 1. 大模型微调.ipynb [52.2 KB]
- Ch 4. Window微调Qlora.ipynb [72.8 KB]
- CH 1 论文.zip [14.1 MB]
Claude 3.5 系列4 条
- 【Claude3.5】part3_tool_use工具调用全流程与2参数详解.ipynb [169.2 KB]
- 【Claude3.5】part2-API从入门到精通.zip [12.7 MB]
- 【Claude3.5】part4_prompt cache 提示缓存与streaming流式输出.ipynb [234.5 KB]
- 【Claude3.5】part1-Claude介绍及注册流程与API领取.pdf [6.2 MB]
GLM 系列5 条
- 【GLM】part2_Streaming流式响应调用API全解.ipynb [152.7 KB]
- 【GLM】part4_智谱CogVideoX 文生视频.ipynb [25.3 KB]
- 【GLM】part1_GLM-4文本对话大模型API调用指南.ipynb [83.8 KB]
- 【GLM】part0_智谱清言GLM账号注册及APIKEY领取.md [2.6 KB]
- 【GLM】part3_GLM_函数调用讲解与实战.ipynb [42.4 KB]
OpenAI GPT o1 系列5 条
- 【GPT o1】part5_o1蒸馏4o-mini模型实战.zip [18.4 KB]
- 【GPT o1】part1_o1大模型与推理token简介.md [6.0 KB]
- 【GPT o1】part4_使用o1模型生成诺贝尔奖得主的JSON格式数据分析.zip [75.5 KB]
- 【GPT o1】part3_通过COT制作4o-mini版本的o1模型与其局限性.ipynb [22.9 KB]
- 【GPT o1】part2_o1的API调用与总结.ipynb [33.3 KB]
Gemini 系列4 条
- 【Gemini】part2_ API文本生成调用入门到构建多轮对话机器人.ipynb [118.3 KB]
- 【Gemini】part1_甄嬛Gemini微调语料500条.xlsx [101.3 KB]
- 【Gemini】part3_API精细化控制生成参数与长文档实战与生成结构化.ipynb [216.7 KB]
- 【Gemini】part1_Gemini生态之最新模型、免费策略、注册指南、网页端微调实战一网打尽.md [16.9 KB]
OpenAI GPT 4o 系列8 条
- 【GPT 4o】part1_文本生成API调用入门与精细化控制.ipynb [116.7 KB]
- 【GPT 4o】part7_微调实战初窥之写作风格.zip [81.8 KB]
- 【GPT 4o】part4_生成结构化输出.ipynb [16.8 KB]
- 【GPT 4o】part5_首token时延与提示缓存.ipynb [42.4 KB]
- 【GPT 4o】part2_文本生成API的多模态调用.zip [2.2 MB]
- 【GPT 4o】part6_Streaming流式响应调用API全解.ipynb [424.4 KB]
- 【GPT 4o】part3_tool_use工具调用与实战.ipynb [504.9 KB]
- 【GPT 4o】part8_微调实战进阶之tool use微调.zip [45.6 KB]
Dspy4 条
- 【DSPy】part1_核心理念DSPy的核心理念（配置LM、签名、构建模块）.ipynb [151.0 KB]
- 【DsPy】part4_推文生成与优化实战.ipynb [879.3 KB]
- 【DsPy】part3_实战优化_评估GSM8K数据集下模块的表现(优化篇).ipynb [232.4 KB]
- 【DSPy】part2_DSPy的评估体系（Example数据、Metric度量指标、评估）.ipynb [44.2 KB]
提示工程3 条
- 【提示工程】part1_提示工程指南(上).md [9.4 KB]
- 使用 FastAPI 构建后端的 API 服务.pdf [303.2 KB]
- 【提示工程】part2_提示工程指南(下).ipynb [98.7 KB]
OpenAI 账号注册与环境配置4 条
- 【GPT】Part 2. OpenAI官网及开发者平台使用指南.md [18.3 KB]
- 【GPT】Part 4. 在Jupyter中首次调用OpenAI API.ipynb [12.8 KB]
- 【GPT】Part 3. 开通虚拟信用卡与Plus会员订阅与API账户的充值与领取API_KEY.md [18.5 KB]
- 【GPT】Part 1. OpenAI的账号注册速通.md [20.4 KB]
15_MicroSoft AutoGen 开发框架基础入门2 条
- Ch 15_MicroSoft AutoGen 基础入门.ipynb [248.2 KB]
- autogen.zip [49.8 MB]
06_OpenAI Assistant API 高阶应用 - 流式输出_20241010_1753422 条
- AssistantStreaming.zip [113.8 MB]
- 06_OpenAI Assistant API 高阶应用 - 流式输出.ipynb [521.4 KB]
项目开发实战一：从零搭建多功能智能体 MateGen Pro（第一部分）2 条
- 项目开发实战一：MateGen Pro.ipynb [91.8 KB]
- mategen_pro-main.zip [7.5 MB]
03_ReAct Agent 基础理论与项目实战2 条
- ReAct_AI_Agent.zip [9.8 MB]
- 03_ReAct Agent 基础理论与项目实战.ipynb [66.0 KB]
14_LangGraph 多代理与 GraphRAG 综合应用实战14 条
- company.txt [4.8 KB]
- Ch.14 LangGraph Supervisor 多代理架构与 GrapRAG 综合应用实战.ipynb [290.5 KB]
- 11_LangGrah 长短期记忆实现机制及检查点的使用.ipynb [175.0 KB]
- 12_LangGraph 中 Human-in-the-loop 应用实战.ipynb [164.1 KB]
- 04_OpenAI Assistant API 基本理论与入门实战.ipynb [199.5 KB]
- 01_大模型应用发展及Agent前沿技术趋势.ipynb [44.5 KB]
- 13_LangGraph Multi-Agent Systems 开发实战.ipynb [235.8 KB]
- 16_MicroSoft AutoGen 代理对话与人机交互源码解析.ipynb [293.7 KB]
- 05_OpenAI Assistant API 进阶应用.zip [61.1 MB]
- 10_LangGraph 实现自治循环代理（ReAct）及事件流的应用.ipynb [182.4 KB]
- 09_单代理架构在 LangGraph 中构建复杂图的应用.ipynb [217.7 KB]
- 07_LangGraph底层原理解析与基础应用入门.ipynb [60.6 KB]
- 08_LangGraph中State状态模式与LangSmith基础使用入门(1).ipynb [117.7 KB]
- 02_AI Agent应用类型及Function Calling开发实战.ipynb [137.6 KB]
01_ChatGLM3-6B21 条
- 【ChatGLM3-6B】Part5_单机多卡启动大模型办法.ipynb [24.7 KB]
- 【ChatGLM3-6B】Part3.1_服务器场景下ChatGLM3-6B部署与多种启动方式.ipynb [46.3 KB]
- 【ChatGLM3-6B】Part1_Ubuntu双系统安装教程.ipynb [48.2 KB]
- 【ChatGLM3-6B】Part6_LORA微调原理&实战.ipynb [41.7 KB]
- 【ChatGLM3-6B】Part2_Ubuntu环境ChatGLM3-6B安装办法.ipynb [46.9 KB]
- 【ChatGLM3-6B】Part3.2_在AutoDL中快速部署ChatGLM3-6B模型.pdf [2.1 MB]
- 【ChatGLM3-6B】Part4_以ChatGLM3为例实现本地大模型更新.ipynb [40.9 KB]
- 【ChatGLM3-6B】Part7_PEFT主流高效微调方法介绍&实战.ipynb [69.7 KB]
- 【ChatGLM3-6B】Part8_Langchain体系详解与v0.3安装部署.ipynb [53.9 KB]
- 14_【Cursor】以调用QWQ推理大模型为例实现辅助编程.ipynb [35.5 KB]
- 11_【Qwen2VL】多模态视觉识别模型参数介绍与部署.ipynb [33.2 KB]
- 13_【GLM4-Voice】语音模型参数介绍与部署.ipynb [89.8 KB]
- 03_【Llama3.1】Llama 3.1介绍与部署流程.ipynb [122.4 KB]
- 06_【Qwen2.5】Qwen2.5-Coder&Math介绍部署.ipynb [115.1 KB]
- 09_【Marco-01】推理大模型参数介绍与本地部署.ipynb [74.5 KB]
- 10_【GLM-Edge-V】端侧多模态模型参数介绍与部署流程.ipynb [19.6 KB]
- 12_【Llama.cpp】开源推理框架量化模型使用指南.ipynb [46.2 KB]
- 08_【Ollama】最新版本从入门到进阶攻略.ipynb [64.6 KB]
- 05_【Qwen2.5】Qwen2.5介绍与部署流程.ipynb [79.0 KB]
- 04_【Llama3.2】Llama3.2介绍与部署流程.ipynb [51.6 KB]
- 02_【GLM4-9B-Chat】GLM4-9b部署&vLLM推理.ipynb [101.8 KB]
适合人群
- AI领域初学者
- AI领域进阶者
- 对问答系统感兴趣者
🎯 学习收获
- 掌握大模型与Agent开发
- 精通问答系统核心技术
- 提升AI项目实战能力
🎉 祝您学习愉快！
[衡天云]爆款云服务器 低至12元/月
![[衡天云]爆款云服务器 低至12元/月](/hty.png)