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

这套课程聚焦大模型应用落地的核心链路，旨在解决开发者从理论概念到工程实现的断层问题。它不局限于调用 API 的浅层应用，而是深入探讨检索增强生成（RAG）的架构演进与智能体（Agent）的构建逻辑。内容覆盖了从基础 RAG 到模块化、高级 RAG 的完整技术栈，并结合企业级实战场景，帮助开发者理解如何在复杂业务中部署稳定、高效的大模型应用。对于希望突破 Prompt Engineering 局限，掌握底层检索优化与模型微调协同工作的工程师而言，这是一份具备实操价值的参考。

技术栈与前置基础

课程深度依赖 Python 生态，核心框架涉及 LangChain 及 LlamaIndex。学习者需具备扎实的 Python 编程能力，熟悉异步编程与 API 调试，并对 Transformer 架构有基本认知。资料包中提供的 PDF 文档针对 Embedding 技术、Rerank 重排序机制以及 Llama-Factory 微调流程进行了理论补充，建议在读视频前先行通读这些文档，建立对向量检索原理和微调参数的概念框架。这种“理论文档先行，视频实操跟进”的模式，能有效避免在代码调试时因底层原理不清导致的盲目试错。

核心模块与学习路径

建议按以下顺序切入：首先攻克 NaiveRAG 与 LangChain 的基础实践，理解数据切分、向量化与检索的基本闭环；随后进入高级 RAG 部分，重点研究层次索引、句子窗口、子查询策略以及 HyDE（假设文档嵌入）技术，这些是提升检索精度的关键；最后深入模块化 RAG，掌握顺序、条件、分支及递归检索模式，这是构建复杂 Agent 工作流的基础。资料中的企业 RAG 实战文档可作为对照案例，帮助理解生产环境下的架构设计。学完这些模块，你应能独立设计并部署一个具备多路召回、重排序及动态提示词优化能力的企业级 RAG 系统，并能利用 Llama-Factory 针对特定领域数据进行模型微调，实现从通用模型到垂直领域应用的转化。