金融领域大模型实战

这门课解决的核心工程问题

金融场景下，大模型往往停留在 Demo 阶段，难以真正交付到业务侧。本课聚焦从"能对话"到"能交付"的工程跨越，系统讲解如何在金融领域落地大模型——从本地化部署、知识检索增强、参数高效微调到性能评估与合规治理，覆盖一套可复用的完整链路。

适合什么基础

建议具备 Python 编程基础和机器学习入门认知。对大模型 API 调用、Prompt 编排有一定了解者可直接进入工程实践环节。课程从 FinGPT 本地化部署切入，逐步深入到 RAG 架构设计、LoRA 微调与 P-Tuning 方案对比，适合希望将大模型能力真正嵌入金融业务系统的开发者。

建议学习顺序

先理解大模型基础结构与 Prompt 工程原理，再掌握 RAG 构建金融知识库的工程方法，随后学习参数高效微调方案（LoRA 与 P-Tuning）实现领域适配，最后关注性能评估与成本、合规、伦理的平衡。课程按"基础 → 部署 → 检索增强 → 微调 → 评估 → 治理"的递进逻辑编排，建议按此顺序推进。

学完能独立做什么

学完可独立完成金融领域大模型的端到端落地：搭建本地化部署环境、构建领域知识库、通过微调适配业务场景、评估模型表现并控制合规风险。不再是"只会调 API"，而是具备从数据准备到模型交付的完整工程能力。

资料怎么配合练习

资料以视频为主，配合动手实践环节使用。建议边学边在本地复现 FinGPT 部署、搭建 RAG 知识库、执行 LoRA 微调，将每个环节的代码与配置独立跑通。遇到微调效果不达预期时，对照课程中的评估方法定位问题，而非跳过评估直接上线。