AI大模型应用开发 模型训练
这是一套面向后端工程师转型 AI 应用开发的工程化实战资料，核心不在于讲解 Transformer 的数学推导，而是聚焦于如何将大模型能力转化为可落地、可维护的生产级服务。对于熟悉 Python 和后端架构，但缺乏 LLM 工程经验，或者希望从调用 API 进阶到模型微调与自主部署的开发者来说，这份材料提供了具体的代码参照和架构思路。它解决的核心问题是：在…
这是一套面向后端工程师转型 AI 应用开发的工程化实战资料，核心不在于讲解 Transformer 的数学推导，而是聚焦于如何将大模型能力转化为可落地、可维护的生产级服务。对于熟悉 Python 和后端架构，但缺乏 LLM 工程经验，或者希望从调用 API 进阶到模型微调与自主部署的开发者来说，这份材料提供了具体的代码参照和架构思路。它解决的核心问题是：在资源有限或数据私有场景下，如何高效完成模型微调（Fine-tuning）、构建检索增强生成（RAG）系统，并集成 Agent 逻辑以处理复杂业务流。
建议的学习路径应遵循“环境-微调-检索-智能体”的递进结构。首先，不要跳过开发环境搭建与基础概念部分，重点理解 HuggingFace 生态、深度学习框架配置以及数据预处理流水线，这是后续所有工作的基石。其次，进入模型训练模块，这里并非泛泛而谈，而是具体展示了如何使用 LoRA 等参数高效微调技术对开源基座模型进行领域适配。你需要关注训练脚本中的超参数设置、评估指标的选择（如 BLEU、ROUGE 或自定义业务指标），以及模型量化与部署（如使用 vLLM 或 TGI 推理引擎）的工程细节。这部分代码可以直接作为你本地实验的脚手架，通过修改数据集和配置来验证不同微调策略的效果。
在掌握基础微调后，资料重点转向 RAG 与 Agent 的实战。RAG 模块详细拆解了文档解析、向量化存储、混合检索策略以及提示词工程，旨在解决大模型幻觉和知识时效性问题。你需要对照源码理解向量数据库的选型逻辑、Chunking 策略对检索精度的影响，以及如何通过重排序（Rerank）提升最终回答质量。Agent 部分则展示了如何通过函数调用（Function Calling）让模型规划任务、调用外部工具并迭代执行，适合学习如何设计状态机或图结构来管理复杂的多步推理流程。此外，资料中涉及的知识图谱构建与集成，为结构化数据与 LLM 的融合提供了参考方案，这在企业级知识管理中极具价值。
学完这套资料，你应当具备独立搭建企业级 AI 应用后端的能力。具体而言，你能够从零开始构建一个包含私有知识库问答、智能客服或代码辅助功能的 Web 服务，并负责其模型层的选型、微调、评估与高并发部署。你不仅能读懂社区开源项目的核心代码，还能根据业务需求修改 RAG 管道或 Agent 逻辑，解决实时性、准确性和成本之间的平衡问题。建议在学习过程中，不要仅停留在观看演示，而是将资料中的代码片段克隆到本地，替换为你自己的业务数据进行微调实验，观察指标变化；同时，尝试将 RAG 模块封装为微服务，通过 API 网关与其他后端服务交互，以此锻炼全链路工程化能力。这种“对照源码+本地复现+业务改造”的模式，是掌握大模型应用开发最扎实的路径。
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 (134.63 KB, 下载次数: 0) 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
![[衡天云]爆款云服务器 低至12元/月](/hty.png)