极客学院 金融领域大模型实战

这套《金融领域大模型实战》把落点放在了一个具体行业上：金融。它不讲通用聊天机器人的花活，而是围绕金融场景对准确性、可追溯性和合规性的要求，去拆 RAG 检索增强生成和 Prompt 提示词工程这两条主线。对于已经会调 API、但不知道怎么把模型接进真实业务系统的开发者，这类以行业为边界的课程比泛泛的入门课更有参照价值。

技术栈落在哪一层

课程覆盖的核心不是模型训练，而是模型应用层。金融场景里，直接让大模型凭参数记忆回答问题风险很高——数据时效、口径统一、引用来源都得管住，所以重心自然落在检索增强生成上。围绕 RAG 会涉及文档切分、向量化、向量库检索、上下文拼装、答案生成这一整条链路，以及每一环在金融语料下的调参取舍。Prompt 部分则偏向结构化约束：让模型按既定格式输出、控制幻觉、在缺少依据时明确拒答。这两块合起来，构成了一套可复用的问答系统骨架，换到法务、医疗等同样重准确性的领域，结构基本能平移。

项目结构可以怎么对照

资料以实战推进，从基础概念过渡到综合项目。学习时建议把注意力放在模块边界上，而不是逐行抄代码：数据接入层负责把 PDF、公告、研报等异构文档转成可检索的文本块；检索层管理向量库和召回策略；编排层决定 Prompt 模板、上下文窗口和调用顺序；输出层处理引用标注与格式校验。把这几层画成一张图，再对照自己的业务往里填，比跟着视频敲一遍更能留下东西。章节笔记适合复盘时用，尤其是面试前快速回忆关键决策点。

可复用的几个模块

• 文档预处理与切分策略：金融文本表格多、层级深，切分粒度直接影响召回质量，这块的经验可以沉淀成通用组件。
• 检索与重排：向量召回之后如何做相关性过滤，是控制噪声的关键，值得单独抽出来复用。
• Prompt 模板管理：把模板与业务逻辑解耦，便于按场景切换和版本迭代。
• 引用与溯源：让每个答案能对回原文片段，这是金融场景的硬要求，也是很多 Demo 缺失的一环。

自学路径建议

建议先按顺序把基础概念过一遍，确认检索、嵌入、生成这几个概念之间的关系清楚，再进入综合实战。每完成两到三节，用笔记整理一份自己的小结，重点记录“为什么这么设计”而不是“代码长什么样”。最后一步是脱离教程独立复现一套问答流程：自己选一批金融文档，跑通切分、入库、检索、生成，再针对错误案例调 Prompt 和召回参数。只有走到这一步，课程里的结构才会真正变成你自己的工程判断。

整体看，这份资料适合当作对照实践的脚手架，而不是看完就完的连续剧。带着具体问题去看，收获会比被动跟练大得多。