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
有需要联系v；加客服窗口的联系方式
摘要：本文旨在从0到1全面掌握AI大模型开发，涵盖模型训练、RAG、Agent等关键技术，为转行AI开发者提供实用指南。通过深入剖析AI大模型开发的各个环节，助力读者快速入门并掌握核心技能，实现职业转型。
1、模型训练
模型训练是AI大模型开发的基础，它涉及数据预处理、模型选择、训练过程优化等多个方面。首先，数据预处理是确保模型训练质量的关键步骤，包括数据清洗、数据增强等。其次，选择合适的模型对于提高模型性能至关重要，如深度学习、强化学习等。最后，通过调整超参数、优化训练策略等方法，可以进一步提升模型性能。
在实际应用中，模型训练需要考虑计算资源、训练时间等因素。因此，合理配置计算资源、采用分布式训练等方法，可以提高模型训练效率。此外，针对不同场景，还可以采用迁移学习、多任务学习等技术，进一步提升模型泛化能力。
总之，模型训练是AI大模型开发的核心环节，掌握相关技术对于开发者来说至关重要。
2、RAG
检索增强生成（RAG）是一种结合检索和生成技术的AI模型，它能够根据用户输入的查询，从大量数据中检索出相关内容，并生成高质量的回答。RAG模型在问答系统、信息检索等领域具有广泛应用。
在RAG模型中，检索和生成两个模块相互协作。检索模块负责从海量数据中检索出与用户查询相关的信息，生成模块则根据检索结果生成回答。为了提高RAG模型的性能，需要关注以下几个方面：检索效果、生成质量、模型效率等。
在实际应用中，RAG模型需要解决数据稀疏、长尾问题等挑战。通过采用多模态数据、知识图谱等技术，可以有效提升RAG模型的性能。
3、Agent
智能体（Agent）是AI领域的一个重要概念，它指的是能够感知环境、制定决策并采取行动的实体。在AI大模型开发中，Agent技术可以应用于智能推荐、自动驾驶、人机交互等领域。
Agent技术主要包括感知、决策、执行三个环节。感知环节负责获取环境信息，决策环节根据感知信息制定行动策略，执行环节则将决策转化为实际行动。为了提高Agent的性能，需要关注以下几个方面：感知能力、决策能力、执行能力等。
在实际应用中，Agent技术需要解决环境复杂性、决策不确定性等挑战。通过采用强化学习、深度学习等技术，可以有效提升Agent的性能。
4、助力转行AI开发
从0到1掌握AI大模型开发，对于转行AI开发者来说具有重要意义。本文从模型训练、RAG、Agent等方面，为读者提供了实用的学习路径和技能提升方法。
首先，通过学习模型训练技术，开发者可以掌握AI模型的基本原理和训练方法，为后续开发打下坚实基础。其次，学习RAG和Agent技术，有助于开发者拓展AI应用场景，提升项目竞争力。最后，结合实际项目经验，不断优化和改进技术，实现职业转型。
总结：
本文从模型训练、RAG、Agent等方面，详细阐述了AI大模型开发的关键技术。通过掌握这些技术，开发者可以快速入门AI领域，实现职业转型。在未来的AI发展中，不断学习和创新，将为我国AI产业注入新的活力。
本文由nayona.cn整理
联系我们
关注公众号
微信扫一扫
支付宝扫一扫
