从0到1把握AI大模型开发，包含模型推理、RAG、Agent，助推改行AI开发设计

后端开发

课程简介

从原理到工程的闭环路径这份资料的核心在于打通从底层算法逻辑到上层应用落地的完整链路。它并非孤立地讲解某个 API 调用，而是试图回答“为什么选这个模型”以及“RAG 检索失败如何归因”等深层问题。课程首先梳理了人工智能的技术分类与大模型的生成机制，重点引入 Scaling Law 等表现假设，帮助建立对模型能力边界的量化认知。随后深入 AI 开发工具链，…

已有 0 人浏览发布 2026-10-07 更新 2026-10-07

从原理到工程的闭环路径

这份资料的核心在于打通从底层算法逻辑到上层应用落地的完整链路。它并非孤立地讲解某个 API 调用，而是试图回答“为什么选这个模型”以及“RAG 检索失败如何归因”等深层问题。课程首先梳理了人工智能的技术分类与大模型的生成机制，重点引入 Scaling Law 等表现假设，帮助建立对模型能力边界的量化认知。随后深入 AI 开发工具链，通过 Python 环境与 VSCode 配置夯实基础。在工程实战阶段，课程拆解了 LangGraph 的状态机原理与 LightRAG 的图谱增强检索架构，并专门设置了 Rerank 模块讲解交叉编码器与双塔模型的差异。对于希望转入 AI 后端开发领域的工程师，这种从“知其然”到“知其所以然”的递进结构，能有效避免陷入只会调包而不懂调参的困境，让代码逻辑具备可解释性。

适配基础与优先阅读模块

该资料适合具备中等 Python 基础、熟悉基本数据结构但缺乏 LLM 工程化经验的开发者。无需深厚的数学推导背景，但要求对线性代数有直观理解，以便跟进 Scaling Law 部分。建议的学习路径并非线性从头到尾，而是先跳过部分理论推导，直接定位到 AI 开发工具配置章节，快速搭建起可运行的本地实验环境。接着重点研读 Agent 基本原理中的 Planning 与 Memory 机制，这是目前大模型应用中最复杂的逻辑部分。在动手前，务必先理解 Rerank 的两种编码架构，因为检索精排的质量直接决定了最终回答的准确率。若对分布式部署不感兴趣，可略过部分基础设施章节，将精力集中在 LangGraph 的状态管理与 LightRAG 的参数调优上，这两块内容直接对应实际业务中“长上下文管理”与“知识更新”的痛点，具有极高的复用价值。

独立实践与资料配合策略

学完这套内容后，你应当能够独立构建一个带有记忆检索能力的智能体应用，并针对特定领域数据实现基于图谱的增强检索系统。关键在于如何将资料中的代码片段转化为可维护的工程模块。建议在本地复现 LangGraph 的最小可行示例，重点观察其状态图节点间的跳转逻辑，尝试修改条件分支以模拟不同的业务流。在 RAG 部分，不要只跑通默认参数，而是利用资料中的 LightRAG 实例，对比不同 chunk 大小和 rerank 阈值对召回率的影响，记录实验数据。配合练习时，应建立个人知识库测试用例，模拟用户提问，通过调整检索策略来验证效果。最终目标是产出两份产物：一份是包含错误处理与日志监控的 Agent 服务代码，另一份是涵盖数据清洗、索引构建到检索评估的 RAG 流水线脚本。这种以输出为导向的学习方式，能确保知识真正内化为工程能力，而非停留在概念层面。

课程介绍

QQ_1781925571053.png (110.97 KB, 下载次数: 0) 2026-6-20 11:20 上传课程大纲： ├── [2]-第二课：亚里士多德表现假设与scaling law：KM放大基本定律.mp4 ├── [1]-第一课：人工智能技术详细介绍：迭代更新途径，大模型基因组，技术分类.mp4 ├── [3]-第三课：AI开发工具（python、conda、vscode.mp4 ├── [36]-第十课：Langgraph新项目原理和实战演练_ev.mp4 ├── [27]-第一课：Agent基本原理介绍：planning、memory、_ev.mp4 ├── [46]-第六课：LightRAG（二）：实例编码，主要参数讲解，grap_ev.mp4 ├── [18]-第十课：Rerank原理和实践（一）交叉式编号与双编码_ev.mp4 ├── [43]-第三课：Gr

课程目录

QQ_1781925571053.png (110.97 KB, 下载次数: 0) 2026-6-20 11:20 上传 课程大纲： ├── [2]-第二课：亚里士多德表现假设与scaling law：KM放大基本定律.mp4 ├── [1]-第一课：人工智能技术详细介绍：迭代更新途径，大模型基因组，技术分类.mp4 ├── [3]-第三课：AI开发工具（python、conda、vscode.mp4 ├── [36]-第十课：Langgraph新项目原理和实战演练_ev.mp4 ├── [27]-第一课：Agent基本原理介绍：planning、memory、_ev.mp4 ├── [46]-第六课：LightRAG（二）：实例编码，主要参数讲解，grap_ev.mp4 ├── [18]-第十课：Rerank原理和实践（一）交叉式编号与双编码_ev.mp4 ├── [43]-第三课：GraphRAG（二）：检索基本原理，Leiden优化算法，_ev.mp4 ├── [26]-第十八课：RAG领域落地式：实践心得，落地式工作经验，需求场景_ev.mp4 ├── [24]-第十六课：空间向量数据库代码实例：chroma与qdrant编码_ev.mp4 ├── [41]-第一课：数据仓库：RDF,RDFS,OWL，数据仓库架构设计,实_ev.mp4 ├── [9]-第一课：RAG原理与RAGFlow新项目实际操作_ev.mp4 ├── [34]-第八课：Agent架构：Single Agent，Multi_ev.mp4 ├── [19]-第十一课：Rerank实体模型调整和实践（二）rankGPT_ev.mp4 ├── [21]-第十三课：相似度优化算法：k-means，手肘规律_ev.mp4 ├── [5]-第二课：调整数据提前准备（SFT,再次预训练，喜好提升）_ev.mp4 ├── [25]-第十七课：RAG评定：评价指标，RAGAs，TruLens_ev.mp4 ├── [44]-第四课：GraphRAG（三）：全局性查看，部分查看，drif_ev.mp4 ├── [47]-第七课：LightRAG（三）：Neo4j应用，API Se_ev.mp4 ├── [4]-第一课：大模型调整llama-factory自然环境提前准备_ev.mp4 ├── [7]-第四课：模型评价（大批量逻辑推理与自动评定benchmark）_ev.mp4 ├── [33]-第七课：Agent程序设计模式（三）：Reflexion，LAT_ev.mp4 ├── [12]-第四课：高端RAG（二）引导词缩小，结合，llamainde_ev.mp4 ├── [39]-第十三课：AutoGen新项目原理和实战演练（二）：执行命令，专用工具_ev.mp4 ├── [17]-第九课：Embedding模型评价：MRR实测，MTEB实测_ev.mp4 ├── [37]-第十一课：Langgraph 多Agent架构设计：合作多Age_ev.mp4 ├── [13]-第五课：模块化设计RAG（一）次序方式，标准方式，支系方式_ev.mp4 ├── [20]-第十二课：空间向量数据库系统介绍与相似度精确测量：欧氏距离，余弦相似度_ev.mp4 ├── [8]-第五课：模型部署（实体模型合拼导出来与量化分析，本地部署）_ev.mp4 ├── [42]-第二课：GraphRAG（一）：基本原理，布署应用，GraphR_ev.mp4 ├── [40]-第十四课：CrewAI新项目原理和实战演练：Crew,Task,A_ev.mp4 ├── [38]-第十二课：AutoGen新项目原理和实战演练（一）：AutoGen_ev.mp4 ├── [15]-第七课：Embedding基本原理：word2vec、CBOW_ev.mp4 ├── [10]-第二课：Naive RAG与langchain实践活动_ev.mp4 ├── [28]-第二课：引导词工程项目：软引导词，fewshot，COT,TOT_ev.mp4 ├── [22]-第十四课：类似相邻算法与过虑空间向量：PQ量化分析，HNSW，LSH_ev.mp4 ├── [30]-第四课：Agent工具的使用与function call：MR_ev.mp4 ├── [11]-第三课：高端RAG（一）层级检索，语句对话框，子查询，HyDE_ev.mp4 ├── [29]-第三课：Agent服务平台：世界各国主流平台，Coze构建智能客服系统_ev.mp4 ├── [6]-第三课：调整全过程lora调整与Qlora微调_ev.mp4 ├── [14]-第六课：模块化设计RAG（二）迭代更新，递归算法查找，FLARE，Toc_ev.mp4 ├── [16]-第八课：Embedding模型推理：llamaindex调整_ev.mp4 ├── [31]-第五课：Agent程序设计模式（一）：Fewshot，ReAct_ev.mp4 ├── [32]-第六课：Agent程序设计模式（二）：REWOO，LLMComp_ev.mp4