AI大模型应用开发模型训练

后端开发

课程简介

技术栈与工程结构解析本课程并非停留在理论层面，而是构建了一套完整的LLM应用落地工作流，涵盖了从模型准备、微调训练到最终部署的全生命周期。技术栈以Python为核心，依赖Conda进行环境隔离，核心开发工具为VSCode。在模型训练环节，课程重点讲解了Llama Factory框架的使用，这是目前开源社区中最为成熟的微调工具之一，支持LoRA和QLoRA…

已有 0 人浏览发布 2026-10-07 更新 2026-10-07

技术栈与工程结构解析

本课程并非停留在理论层面，而是构建了一套完整的LLM应用落地工作流，涵盖了从模型准备、微调训练到最终部署的全生命周期。技术栈以Python为核心，依赖Conda进行环境隔离，核心开发工具为VSCode。在模型训练环节，课程重点讲解了Llama Factory框架的使用，这是目前开源社区中最为成熟的微调工具之一，支持LoRA和QLoRA等多种参数高效微调（PEFT）方案。在应用层，课程深入结合了RAG（检索增强生成）技术，引入了LlamaIndex、LangChain等主流编排框架，并特别引入了RAGFlow项目进行实操。这种设计使得学习者能够同时掌握底层的模型定制能力与上层的业务逻辑构建能力，形成了一个闭环的工程化知识体系。

适合人群与核心问题解答

本课程主要解决的是开发者在面对开源大模型时“会用但不会改、懂原理但难落地”的痛点。它适合具备一定Python编程基础，且对大模型原理有初步认知的后端开发或算法工程师。内容并未止步于简单的API调用，而是深入到了Scaling Law、柏拉图表征假说等底层理论，帮助学员建立严谨的技术直觉。课程结构清晰，建议初学者优先从“AI开发环境搭建”和“微调数据集准备”入手，理解数据格式是微调成功的关键；随后重点攻克“LoRA与QLoRA微调”章节，这是成本控制与效果平衡的核心技术点；最后通过“RAG高级技巧”与“模型部署”章节，完成从实验到生产的最后一公里跨越。

实践路径与资料配合建议

学完本课程后，学习者将能够独立在本地或云端完成基于LlamaFactory的模型微调工作，包括数据清洗、Prompt模板设计、训练参数调优及评估，并能熟练搭建包含向量检索、混合查询（HyDE）、子查询重构等高级策略的RAG系统。资料包中的视频与代码资源高度对应，建议采取“对照源码同步实践”的学习模式。在观看微调环境配置的视频时，务必同步在本地复现conda环境安装过程；在处理数据集章节，应手动构造小规模的SFT或DPO数据集进行实验，观察Loss变化；在学习RAG高级技巧时，应结合提供的代码片段，逐步替换其中的检索策略模块。这种以工程实战为导向的资料配合方式，能确保将理论知识转化为可复用的代码模块，真正实现技能的落地。

课程介绍

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 2_第二课：柏拉图表征假说与scalinglaw：KM缩放定律.mp4 3_第三课：AI开发环境（python、conda、vscode.mp4 4_第一课：大模型微调llama-factory环境准备.mp4 5_第二课：微调数据集准备（SFT 继续预训练，偏好优化）.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 8_第五课：模型部署（模型合并导出与量化，本地部署）.mp4 9_第一课：RAG技术原理与RAGFlow项目实操.mp4 10_第二课：NaiveRAG与langchain实践.mp4 11_第三课：高级RAG（一）层次索引，句子窗口，子查询，HyDE.mp4 12_第四课：高级RAG（二）提示词压缩，融合，llamain

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.mp4 2_第二课：柏拉图表征假说与scalinglaw：KM缩放定律.mp4 3_第三课：AI开发环境（python、conda、vscode.mp4 4_第一课：大模型微调llama-factory环境准备.mp4 5_第二课：微调数据集准备（SFT 继续预训练，偏好优化）.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 8_第五课：模型部署（模型合并导出与量化，本地部署）.mp4 9_第一课：RAG技术原理与RAGFlow项目实操.mp4 10_第二课：NaiveRAG与langchain实践.mp4 11_第三课：高级RAG（一）层次索引，句子窗口，子查询，HyDE.mp4 12_第四课：高级RAG（二）提示词压缩，融合，llamainde.mp4 13_第五课：模块化RAG（一）顺序模式，条件模式，分支模式.mp4 14_第六课：模块化RAG（二）迭代，递归检索，FLARE，Toc.mp4 15_第七课：Embedding原理：word2vec、CBOW.mp4 16_第八课：Embedding模型训练：llamaindex微调.mp4 17_第九课：Embedding模型评估：MRR评测，MTEB评测.mp4 18_第十课：Rerank技术原理与实践（一）交叉编码与双编码.mp4 19_第十一课：Rerank模型微调与实践（二）rankGPT.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 21_第十三课：相似性搜索算法：k-means，肘部法则.mp4 22_第十四课：近似邻近算法与过滤向量：PQ量化，HNSW，LSH.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 24_第十六课：向量数据库代码示例：chroma与qdrant代码.mp4 25_第十七课：RAG评估：评估指标，RAGAs，TruLens.mp4 26_第十八课：RAG行业落地：实践心得，落地经验，业务场景.mp4 27_第一课：Agent原理简介：planning、memory、.mp4 28_第二课：提示词工程：软提示词，fewshot，COT TOT.mp4 29_第三课：Agent平台：国内外主流平台，Coze搭建智能客服.mp4 30_第四课：Agent工具使用与functioncall：MR.mp4 31_第五课：Agent设计模式（一）：Fewshot，ReAct.mp4 32_第六课：Agent设计模式（二）：REWOO，LLMComp.mp4 33_第七课：Agent设计模式（三）：Reflexion，LAT.mp4 34_第八课：Agent框架：SingleAgent，Multi.mp4 35_第九课：Langchain项目原理与实战.mp4 36_第十课：Langgraph项目原理与实战.mp4 37_第十一课：Langgraph多Agent架构：协作多Age.mp4 38_第十二课：AutoGen项目原理与实战（一）：AutoGen.mp4 39_第十三课：AutoGen项目原理与实战（二）：代码执行，工具.mp4 40_第十四课：CrewAI项目原理与实战：Crew Task A.mp4 ai认知课.pdf embedding技术.pdf llama-factory微调.pdf rerank技术.pdf 企业RAG技术实战.pdf