课程内容：
资料
企业RAG技术实战.pdf
ai认知课.pdf
embedding技术.pdf
rerank技术.pdf
llama-factory微调.pdf
13_第五课：模块化RAG（一）顺序模式，条件模式，分支模式.mp4
11_第三课：高级RAG（一）层次索引，句子窗口，子查询，HyDE.mp4
37_第十一课：Langgraph多Agent架构：协作多Age.mp4
8_第五课：模型部署（模型合并导出与量化，本地部署）.mp4
29_第三课：Agent平台：国内外主流平台，Coze搭建智能客服.mp4
33_第七课：Agent设计模式（三）：Reflexion，LAT.mp4
15_第七课：Embedding原理：word2vec、CBOW.mp4
16_第八课：Embedding模型训练：llamaindex微调.mp4
21_第十三课：相似性搜索算法：k-means，肘部法则.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
35_第九课：Langchain项目原理与实战.mp4
5_第二课：微调数据集准备（SFT继续预训练，偏好优化）.mp4
17_第九课：Embedding模型评估：MRR评测，MTEB评测.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
10_第二课：NaiveRAG与langchain实践.mp4
39_第十三课：AutoGen项目原理与实战（二）：代码执行，工具.mp4
12_第四课：高级RAG（二）提示词压缩，融合，llamainde.mp4
30_第四课：Agent工具使用与functioncall：MR.mp4
9_第一课：RAG技术原理与RAGFlow项目实操.mp4
27_第一课：Agent原理简介：planning、memory、.mp4
22_第十四课：近似邻近算法与过滤向量：PQ量化，HNSW，LSH.mp4
24_第十六课：向量数据库代码示例：chroma与qdrant代码.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
28_第二课：提示词工程：软提示词，fewshot，COT TOT.mp4
34_第八课：Agent框架：SingleAgent，Multi.mp4
25_第十七课：RAG评估：评估指标，RAGAs，TruLens.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
31_第五课：Agent设计模式（一）：Fewshot，ReAct.mp4
40_第十四课：CrewAI项目原理与实战：Crew Task A.mp4
14_第六课：模块化RAG（二）迭代，递归检索，FLARE，Toc.mp4
19_第十一课：Rerank模型微调与实践（二）rankGPT.mp4
26_第十八课：RAG行业落地：实践心得，落地经验，业务场景.mp4
38_第十二课：AutoGen项目原理与实战（一）：AutoGen.mp4
18_第十课：Rerank技术原理与实践（一）交叉编码与双编码.mp4
2_第二课：柏拉图表征假说与scalinglaw：KM缩放定律.mp4
4_第一课：大模型微调llama-factory环境准备.mp4
32_第六课：Agent设计模式（二）：REWOO，LLMComp.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.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前沿技术和实战应用，涵盖了从基础理论到高级实践的多个方面，旨在为学员提供全面深入的学习体验。课程内容丰富多样，涉及RAG技术、Embedding技术、Agent技术、模型微调与部署、向量数据库等多个热门领域，通过理论讲解与实战案例相结合的方式，帮助学员掌握人工智能技术的核心要点和实际应用方法。
课程首先从人工智能的基础知识入手，介绍了人工智能的迭代路径、大模型进化树以及技术分类，为学员奠定了坚实的理论基础。随后，课程深入探讨了RAG技术，包括其原理、实战应用以及多种高级技术模式，如层次索引、句子窗口、子查询、HyDE等。此外，还介绍了模块化RAG的顺序模式、条件模式和分支模式，以及迭代、递归检索、FLARE等技术，帮助学员全面理解RAG技术的架构和应用场景。
在Embedding技术方面，课程详细讲解了其原理，包括word2vec、CBOW等经典算法，并介绍了Embedding模型的训练方法，如llamaindex微调。同时，课程还涉及了Embedding模型的评估方法，如MRR评测和MTEB评测，以及相似性搜索算法，如k-means和肘部法则，使学员能够掌握如何有效地利用Embedding技术进行信息检索和语义分析。
Agent技术是本课程的另一个重点内容。课程不仅介绍了Agent的原理，包括planning和memory等核心概念，还深入探讨了Agent平台的搭建，如国内外主流平台的使用以及Coze智能客服的实践案例。此外，课程还涉及了Agent设计模式，如Fewshot、ReAct、Reflexion、LAT、REWOO、LLMComp等，以及Agent框架的构建，包括SingleAgent和MultiAgent架构，帮助学员掌握Agent技术的设计与实现方法。
模型微调与部署也是课程的重要组成部分。课程详细介绍了微调数据集的准备方法，包括SFT继续预训练和偏好优化，以及微调过程中的lora微调与Qlora微调技术。此外，课程还讲解了模型评估的方法，如批量推理与自动评估benchmark，以及模型合并导出与量化、本地部署等技术，使学员能够掌握如何将模型有效地应用于实际场景。
向量数据库是本课程的另一个核心内容。课程不仅介绍了向量数据库的选型方法，包括专用向量数据库和传统数据库支持向量的比较，还详细讲解了向量数据库的代码示例，如chroma与qdrant代码。此外，课程还涉及了向量数据库的相似性测量方法，如欧式距离和余弦相似度，以及近似邻近算法与过滤向量技术，如PQ量化、HNSW、LSH等，帮助学员掌握如何高效地管理和查询向量数据。
在实战项目方面，课程涵盖了Langchain项目、Langgraph项目、AutoGen项目和CrewAI项目的原理与实战应用。通过这些项目的实战案例，学员可以深入了解如何将理论知识应用于实际项目中，解决实际问题。此外，课程还分享了RAG技术在行业落地中的实践心得、落地经验和业务场景，帮助学员更好地理解RAG技术在实际业务中的应用价值。
总的来说，本课程通过系统的理论讲解和丰富的实战案例，为学员提供了一个全面深入的人工智能学习平台。学员不仅能够掌握人工智能领域的前沿技术和核心要点，还能够通过实战项目锻炼自己的实践能力，为未来的职业发展打下坚实的基础。【焦圣希|18818568866】
