AI大模型应用开发模型训练-RAG-Agent-AI项目实战-行业落地课
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。
！！！！！！！！！！！！！！！！！！！！！
——————————————–
本课程是一门系统全面的AI大模型应用开发课程，涵盖了从基础理论到实战落地的多个方面，旨在帮助学习者深入掌握AI大模型在不同场景下的应用开发能力。课程内容丰富多样，包括视频教程、PDF资料以及实战项目，涉及RAG技术、Agent技术、模型微调、部署、向量数据库等多个核心领域，为学员提供了从理论到实践的完整学习路径。
课程首先从人工智能的基础知识入手，介绍了AI的迭代路径、大模型进化树以及技术分类，为后续的学习奠定了坚实的理论基础。接着，课程深入探讨了RAG技术的原理与实战应用。RAG（Retrieval-Augmented Generation）是一种结合检索和生成的模型架构，通过检索相关文档来增强生成任务的性能。课程详细讲解了RAG技术的基本原理，包括检索模块、生成模块以及两者的结合方式，并通过RAGFlow项目实操，让学员能够亲身体验RAG技术的应用过程。此外，课程还介绍了高级RAG技术，如层次索引、句子窗口、子查询、HyDE等优化方法，以及提示词压缩、融合等技巧，进一步提升了RAG模型的性能和效率。
在Agent技术方面，课程从Agent原理简介入手，讲解了Agent的规划、记忆等核心功能，并介绍了国内外主流的Agent平台，如Coze等，以及如何利用这些平台搭建智能客服系统。课程还深入探讨了Agent设计模式，包括Fewshot、ReAct、Reflexion、LAT、REWOO、LLMComp等多种模式，帮助学员理解不同设计模式在Agent开发中的应用场景和优势。此外，课程还涉及了Agent框架，包括SingleAgent和MultiAgent架构，以及Agent工具的使用与functioncall，为学员提供了丰富的Agent开发实战经验。
模型微调是AI开发中的重要环节，本课程详细介绍了微调数据集的准备，包括SFT继续预训练、偏好优化等方法，以及lora微调与Qlora微调等微调技术。通过llama-factory微调、llamaindex微调等实战项目，学员能够掌握如何根据具体任务需求对大模型进行微调，以提升模型的性能和适应性。同时，课程还介绍了模型评估的方法，包括批量推理与自动评估benchmark，以及Embedding模型评估的MRR评测、MTEB评测等指标，帮助学员全面评估模型的性能。
在向量数据库方面，课程从向量数据库的简介与相似性测量入手，讲解了欧式距离、余弦相似度等常用相似性测量方法，并介绍了向量数据库的选型，包括专用向量数据库和传统数据库支持向量的方案。课程还提供了向量数据库代码示例，如chroma与qdrant的代码实现，帮助学员掌握向量数据库的实际应用。此外，课程还涉及了近似邻近算法与过滤向量的技术，如PQ量化、HNSW、LSH等，进一步优化了向量检索的效率和准确性。
课程还介绍了Langchain、Langgraph、AutoGen、CrewAI等多个前沿项目的技术原理与实战应用。通过这些项目的实战演练，学员能够深入了解当前AI领域的最新技术动态和应用实践，提升解决实际问题的能力。例如，Langchain项目原理与实战课程让学员掌握了Langchain在AI开发中的应用方法；Langgraph项目则介绍了多Agent架构的协作方式；AutoGen项目则涉及了代码执行、工具使用等内容；CrewAI项目则通过具体的任务场景，帮助学员理解AI在复杂任务中的应用。
在实战落地方面，课程分享了RAG行业落地的实践心得、落地经验和业务场景，帮助学员将所学知识应用到实际业务中。通过这些实战案例的分析与讨论，学员能够更好地理解AI技术在不同行业中的应用价值和挑战，为未来的职业发展提供有力支持。
总体而言，本课程内容丰富、系统性强，涵盖了AI大模型应用开发的多个核心领域，适合有一定AI基础的学习者深入学习和实践。通过本课程的学习，学员将能够全面掌握AI大模型的开发流程和技术要点，提升在AI领域的专业能力，为未来从事相关工作或开展研究打下坚实的基础。【焦圣希|18818568866】
