课程目录：
├── [2]-第二课：柏拉图表征假说与scaling law：KM缩放定律.mp4
├── [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
├── [3]-第三课：AI开发环境（python、conda、vscode.mp4
├── [36]-第十课：Langgraph项目原理与实战_ev.mp4
├── [27]-第一课：Agent原理简介：planning、memory、_ev.mp4
├── [46]-第六课：LightRAG（二）：示例代码，参数解读，grap_ev.mp4
├── [18]-第十课：Rerank技术原理与实践（一）交叉编码与双编码_ev.mp4
├── [43]-第三课：GraphRAG（二）：索引原理，Leiden算法，_ev.mp4
├── [26]-第十八课：RAG行业落地：实践心得，落地经验，业务场景_ev.mp4
├── [24]-第十六课：向量数据库代码示例：chroma与qdrant代码_ev.mp4
├── [41]-第一课：知识图谱：RDF,RDFS,OWL，知识图谱架构,实_ev.mp4
├── [9]-第一课：RAG技术原理与RAGFlow项目实操_ev.mp4
├── [34]-第八课：Agent框架：Single Agent，Multi_ev.mp4
├── [19]-第十一课：Rerank模型微调与实践（二）rankGPT_ev.mp4
├── [21]-第十三课：相似性搜索算法：k-means，肘部法则_ev.mp4
├── [5]-第二课：微调数据集准备（SFT,继续预训练，偏好优化）_ev.mp4
├── [25]-第十七课：RAG评估：评估指标，RAGAs，TruLens_ev.mp4
├── [44]-第四课：GraphRAG（三）：全局查询，局部查询，drif_ev.mp4
├── [47]-第七课：LightRAG（三）：Neo4j使用，API Se_ev.mp4
├── [4]-第一课：大模型微调llama-factory环境准备_ev.mp4
├── [7]-第四课：模型评估（批量推理与自动评估benchmark）_ev.mp4
├── [33]-第七课：Agent设计模式（三）：Reflexion，LAT_ev.mp4
├── [12]-第四课：高级RAG（二）提示词压缩，融合，llamainde_ev.mp4
├── [39]-第十三课：AutoGen项目原理与实战（二）：代码执行，工具_ev.mp4
├── [17]-第九课：Embedding模型评估：MRR评测，MTEB评测_ev.mp4
├── [37]-第十一课：Langgraph 多Agent架构：协作多Age_ev.mp4
├── [13]-第五课：模块化RAG（一）顺序模式，条件模式，分支模式_ev.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_ev.mp4
├── [8]-第五课：模型部署（模型合并导出与量化，本地部署）_ev.mp4
├── [42]-第二课：GraphRAG（一）：原理，部署使用，GraphR_ev.mp4
├── [40]-第十四课：CrewAI项目原理与实战：Crew,Task,A_ev.mp4
├── [38]-第十二课：AutoGen项目原理与实战（一）：AutoGen_ev.mp4
├── [15]-第七课：Embedding原理：word2vec、CBOW_ev.mp4
├── [10]-第二课：Naive RAG与langchain实践_ev.mp4
├── [28]-第二课：提示词工程：软提示词，fewshot，COT,TOT_ev.mp4
├── [22]-第十四课：近似邻近算法与过滤向量：PQ量化，HNSW，LSH_ev.mp4
├── [30]-第四课：Agent工具使用与function call：MR_ev.mp4
├── [11]-第三课：高级RAG（一）层次索引，句子窗口，子查询，HyDE_ev.mp4
├── [29]-第三课：Agent平台：国内外主流平台，Coze搭建智能客服_ev.mp4
├── [6]-第三课：微调过程lora微调与Qlora微调_ev.mp4
├── [14]-第六课：模块化RAG（二）迭代，递归检索，FLARE，Toc_ev.mp4
├── [16]-第八课：Embedding模型训练：llamaindex微调_ev.mp4
├── [31]-第五课：Agent设计模式（一）：Fewshot，ReAct_ev.mp4
├── [32]-第六课：Agent设计模式（二）：REWOO，LLMComp_ev.mp4
——————————————–
！！！！！！！！！！！！！！！！！！！！！
以下内容与本视频课程无关，
仅是AI对视频课程目录的总结，可以无视。
！！！！！！！！！！！！！！！！！！！！！
——————————————–
本课程系统地介绍了人工智能领域的多个重要技术和应用，涵盖了从基础理论到实战项目操作的丰富内容。课程内容围绕人工智能的核心技术展开，包括但不限于大模型微调、RAG技术、Agent原理、知识图谱、向量数据库以及模型评估等多个方面。
在课程的第一部分，主要聚焦于人工智能的基础知识和开发环境搭建。课程首先对人工智能进行了全面介绍，包括其迭代路径、大模型的进化树以及技术分类，为后续的深入学习奠定了坚实的理论基础。紧接着，课程转向开发环境的搭建，详细讲解了Python、conda以及VSCode等开发工具的使用，为学员提供了实用的实践指导。此外，课程还涉及了大模型微调环境的准备，特别是llama-factory环境的搭建，进一步强化了学员对开发环境的理解和应用能力。
在课程的第二部分，课程深入探讨了RAG技术及其相关应用。RAG技术作为人工智能领域的一个重要分支，其原理和实践操作是本课程的重点内容之一。课程从RAG技术的基本原理讲起，逐步深入到RAGFlow项目的实操，让学员能够系统地掌握RAG技术的精髓。此外，课程还涉及了高级RAG技术，包括提示词压缩、融合以及索引原理等内容，进一步拓展了学员对RAG技术的理解和应用能力。在RAG技术的实战应用方面，课程通过多个案例，如Langgraph项目、GraphRAG项目等，详细讲解了RAG技术在不同场景下的应用，包括全局查询、局部查询、Neo4j的使用以及API的开发等，让学员能够将理论知识与实践操作相结合，更好地掌握RAG技术的实际应用。
在课程的第三部分，课程转向Agent原理和设计模式的讲解。Agent作为人工智能领域的一个重要概念，其原理和设计模式是本课程的另一个重点内容。课程首先对Agent原理进行了全面介绍，包括planning、memory等关键概念，让学员能够对Agent有一个清晰的认识。随后，课程深入讲解了Agent的设计模式，包括Fewshot、ReAct、Reflexion、LAT、REWOO、LLMComp等多种模式，通过这些设计模式的学习，学员能够更好地理解和应用Agent技术。此外，课程还涉及了Agent框架的搭建，包括Single Agent和Multi Agent的架构设计，以及Agent工具的使用和function call等内容，进一步强化了学员对Agent技术的理解和应用能力。
在课程的第四部分，课程聚焦于知识图谱和向量数据库的构建与应用。知识图谱作为人工智能领域的一个重要应用，其构建和应用是本课程的重要内容之一。课程详细讲解了知识图谱的基本概念，包括RDF、RDFS、OWL等，以及知识图谱的架构设计和实现方法，让学员能够系统地掌握知识图谱的构建技术。此外，课程还涉及了向量数据库的简介和相似性测量方法，包括欧式距离、余弦相似度等，以及向量数据库代码示例的讲解，如chroma与qdrant代码的使用，进一步拓展了学员对向量数据库的理解和应用能力。
在课程的第五部分，课程转向模型评估和微调技术的讲解。模型评估作为人工智能领域的一个重要环节，其方法和技巧是本课程的重要内容之一。课程详细讲解了模型评估的方法，包括批量推理与自动评估benchmark等，以及评估指标的设定和使用，让学员能够系统地掌握模型评估的技术。此外，课程还涉及了模型微调技术，包括lora微调、Qlora微调等，以及微调数据集的准备方法，如SFT、继续预训练、偏好优化等，进一步强化了学员对模型微调技术的理解和应用能力。
在课程的第六部分，课程聚焦于相似性搜索算法和近似邻近算法的讲解。相似性搜索算法作为人工智能领域的一个重要技术，其原理和应用是本课程的重要内容之一。课程详细讲解了相似性搜索算法的基本原理，包括k-means、肘部法则等，以及近似邻近算法的实现方法，如PQ量化、HNSW、LSH等，让学员能够系统地掌握相似性搜索算法和近似邻近算法的技术。此外，课程还涉及了这些算法在实际应用中的优化和改进方法，进一步拓展了学员对这些算法的理解和应用能力。
在课程的第七部分，课程转向AutoGen项目和CrewAI项目的原理与实战操作。AutoGen项目和CrewAI项目作为人工智能领域的两个重要应用，其原理和实战操作是本课程的重要内容之一。课程详细讲解了AutoGen项目的原理和实战操作，包括代码执行、工具使用等内容，以及CrewAI项目的原理和实战操作，包括Crew、Task、Agent等概念的讲解，让学员能够系统地掌握这两个项目的技术和应用。此外，课程还涉及了这两个项目在实际应用中的优化和改进方法，进一步强化了学员对这两个项目的技术和应用能力。
总体而言，本课程内容丰富，涵盖了人工智能领域的多个重要技术和应用，从基础理论到实战项目操作，为学员提供了一个系统的学习路径。通过本课程的学习，学员能够全面掌握人工智能的核心技术，包括大模型微调、RAG技术、Agent原理、知识图谱、向量数据库以及模型评估等，并能够将这些技术应用到实际项目中，解决实际问题。【焦圣希|18818568866】
