课程目录

• 01 课程导学
• 01 Ai的十年我们如何快速成长起来？
• 02 课程导学（前端赠送视频不包含在本课程内，本课程是AI架构课内容）
• 03 如何交作业？
• 04 0基础同学看01
• 05 0基础同学看02
• 02 Python从入门到精通（选看）
• Ai版
• 【赠送】Python编程训练营之从数据采集到机器学习
• 入门级
• 基础版
• 03 零基础到AI上手
• 01 0基础为什么自己学不会Ai？
• 02 前端和后台到底是啥玩意？
• 03 html、css、js分别作用是啥？
• 04 如何系统性学习前端
• 05 后台是什么，如何和前端通信的？
• 06 后台如何系统学习？
• 07 什么是Ai应用？
• 04 AI Agent 技术架构解析
• 01 到底什么是Ai应用？
• 02 Ai应用目前的主流形态
• 03 Ai购买机票业务流程梳理
• 04 我们Ai应用学习的重点
• 05 Rag到底是什么？
• 06 LLM选型与对比
• 07 LLM在Ai应用中目前充当什么角色？
• 08 prompt提示词的5大要素
• 09 什么是MCP？
• 10 LangChian的作用？
• 05 LLM 技术原理解析
• 01 LLM原理学习思路
• 02 神经网络如何用向量解决语义问题？
• 03 神经网络的参数与权重设计
• 04 什么是反向传播？
• 05 如何解决过拟合的问题？
• 06 数据标注是反向传播吗？
• 07 什么梯度下降？解决了什么问题
• 08 神经网络调参的目的到底是什么？
• 09 LLM模型训练的核心流程
• 10 LLM的参数越多越聪明吗？
• 11 LLM参数到底作用于学习还是回答阶段？
• 12 LLM如何回答床前明月光下一句？
• 13 什么是蒸馏模型？
• 14 700亿参数的LLM大概需要什么配置的机器跑？
• 15 为什么LLM需要大量GPU运算？
• 16 什么前馈神经网络？解决什么问题
• 17 transformer架构中的残差连接
• 18 transformer中的问责机制
• 19 GPT为什么是纯解码器方案？
• 20 解码器+编码器的混合架构为什么不是主流？
• 21 LLM中的自回归
• 22 无监督学习的两种常见方案
• 23 为什么主流大模型都用NTP方案？
• 24 指令微调解决的核心问题
• 25 奖励打分机制和强化学习的核心区别？
• 26 700亿模型训练大概需要花多少成本？
• 27 Rag属于强化学习范畴吗？
• 28 大模型的安全与合规性
• 29 LLM神奇的涌现
• 30 如何理解LLM上下文窗口？
• 31 当问答太多，上下文不够咋办？
• 32 LLM为什么对话轮数变多了会变蠢？
• 33 LLM是如何配合Rag工作的？
• 34 LLM是如何识别图像的？学习和训练过程
• 35 transformer进行VIT图像处理的核心流程
• 36 LLM是如何学习和训练音频的？
• 37 LLM是如何理解和学习视频的？
• 06 LLM 技术架构解析
• 01 LLM Api目前主流技术方案
• 02 LLM Api购买
• 03 安装SDK环境与技术选型
• 04 图片识别的应用场景
• 05 数据的结构化处理
• 06 使用系统提示词进行结构化输出
• 07 系统提示词和用户提示词的区别？
• 08 大模型如何保持历史会话？
• 09 如何追加assistant历史回复？
• 10 真实后端业务场景中提问追加如何设计？
• 11 LLM对回复进行stream流式输出
• 12 LLM调用工具方法逐行解读
• 13 为什么非深度思考会产生幻觉？
• 14 如何看到LLM的深度思考过程
• 15 一些常见优化建议
• 16 调节思考长度
• 17 回答长度和思维链长度限制
• 18 续写模式的应用场景
• 19 对JSON进行续写
• 20 对续写模式的残缺json进行修复
• 21 如果回复达到限制如何进行续写？
• 22 如果输入和输出都超过长度限制如何处理？
• 23 使用json schema进行格式化输出
• 24 使用json object模型格式化输出
• 25 Respense Api和Chat Api的区别？
• 26 本地图片解析与错误排查技巧
• 27 使用Files Api解析图片
• 28 在线图片url解析
• 29 图片的多种解析方式以及图片消耗token计算
• 30 使用流式输出查看图片解析消耗的token
• 31 多模态中视频的解析与原理
• 32 标注图片的位置
• 33 Reponse Api缓存机制
• 34 session缓存和前缀缓存的区别？
• 35 LLM联网搜索
• 36 联网搜索实现边想边搜功能
• 37 开通新的模型提供image工具调用能力
• 38 使用image工具数草莓
• 39 提示词prompt优化思路
• 07 深入浅出RAG检索增强技术
• 01 到底什么Rag检索增强？
• 02 市面主流Ai应用架构设计解析
• 03 为什么现在云服务是主流趋势？
• 08 深入浅出向量数据库技术
• 01 到底什么是向量？
• 02 点乘查询机制
• 03 向量数据库的索引机制
• 04 数据最终变成向量的产物与特征
• 05 数据转化向量的核心算法
• 06 向量查询点乘算法机制
• 07 向量维度是越多越好吗？
• 08 一本10w字的书是如何进行向量化的？
• 09 返回的内容太长了怎么办？
• 10 面试的核心是吹解决方案
• 11 大量短句如何向量化？
• 09 LangChain深度解析
• 01 环境准备
• 02 用一段代码来看langchain的全貌
• 03 LangChain是什么？
• 04 agent返回的response包含哪些内容？
• 05 agent返回的response数据类型到底是什么？
• 06 中间件中的request到底长啥样？
• 07 利用中间件动态选择LLM
• 08 提示词进行结构化输出和toolStrategy的区别
• 09 stream流式输出
• 10 stream的几种不同模式
• 11 我控制台的chunk打字机效果是如何实现的？
• 12 利用tools去查询今天的天气
• 13 使用value模式对tools调用进行流式输出
• 14 使用update模式对tools调用进行流式输出
• 15 message格式定义与建议
• 16 查看message内部结构到底长啥样？
• 17 llm Invoke和agent invoke有啥区别？
• 18 tools状态传递的三种方式
• 19 tools合并优化性能监控
• 20 tools调用性能优化从28s到9s
• 21 max token的核心作用
• 22 看LLM的决策推理和调用tools的过程
• 23 短期记忆state的metadata解析
• 24 短期记忆state全量数据解析
• 25 内置工具解读01
• 26 内置工具解读02
• 27 agent调用的生命周期
• 28 wrap tools和model的生命周期
• 29 动态提示词生命周期钩子
• 30 生命周期钩子的各种应用场景
• 31 定义个最小化的mcp服务
• 32 到底什么是MCP？
• 33 在langchain中调用天气查询mcp服务
• 34 mcp改成http服务
• 10 LangGraph深度解析2
• 01 LangGraph你好
• 02 LangGraph条件判断
• 03 逐行解读LangGraph入门案例
• 04 checkpointer属性解读
• 05 查看LLM、tools调用之后的checkpointer
• 06 中断流程业务与思路梳理
• 07 用graph实现一个完整的中断恢复案例01
• 08 用graph实现一个完整的中断恢复案例02
• 09 用graph实现一个完整的中断恢复案例03
• 10 用graph实现一个完整的中断恢复案例04
• 11 用graph实现一个完整的中断恢复案例05
• 12 InMemoryStore和InMemorySaver的区别？
• 13 SubGraph是什么以及应用场景
• 11 LangGraph深度解析3
• 01 node和edge核心概念
• 02 流程条件判断
• 03 langGraph意图识别回复邮件案例
• 04 讲笑话流程案例
• 05 并行讲故事、合并案例
• 06 用路由决定讲故事案例
• 07 工作流程-剩余内容
• 08 持久化-存档点位信息
• 09 持久化-命名空间
• 10 持久化-对store进行向量存储
• 11 持久化工作流
• 12 graph中的stream
• 13 中断实际场景中3方的配合
• 14 中断在Ai应用中前端、后台、Ai是如何配合的？
• 15 关于中断有几点要特别注意的
• 16 利用时间旅行恢复节点运行
• 17 graph中子图的作用
• 12 LangChain实战案例演练
• 01 跑通豆包embedding模型api
• 02 利用豆包进行store向量化模糊搜索
• 03 ChromaDB向量数据库-补充
• 04 向量数据库的训练过程
• 05 向量数据库的存储和查询过程
• 06 ChromaDB最简案例
• 07 向量数据库中的距离表示
• 08 为什么笔记本屏幕不错和笔记本毫不相关？
• 09 如何提升向量数据库的检索精度？
• 10 改成cosine方式优化文本检索精度
• 11 ChromaDB中的查询操作符
• 12 ChromaDB查询、删除操作
• 13 长文本切片存储与向量查询
• 14 为什么我用ChromaDB查询原文都查不到？
• 15 解决ChromaDB查询中文不精准问题
• 16 为什么distance最小的结果反而不准？
• 17 ChromaDB查询之后给到什么数据LLM？
• 18 向量存储的ID设计
• 19 ChromaDB实现文搜图
• 20 如何理解机器学习中的张量？
• 21 ChromaDB实现图搜图
• 22 观察图片处理之后实际存储到向量数据库中的大小
• 13 LangSmith链路追踪监控
• 01 开通langSmith账户
• 02 用LangSmith对火山引擎的数据进行监控
• 03 改写LangChain底层的Embbeding类兼容火山引擎
• 04 traceable中支持的run_type类型
• 05 改进之后的trace追踪
• 06 逐行断点解读trace业务代码
• 07 Rag检索增强架构改造
• 08 查看Smith检索LLM数据
• 14 项目1：AI实时语音对话-智能客服
• 01 项目规划
• 02 项目架构设计与梳理
• 03 Ai应用开发前端、后台、Ai是如何配合工作的？
• 04 复杂的Ai应用开发到底应该做什么？
• 05 我们的项目结构设计
• 06 环境安装，运行前端、后台项目
• 07 项目底座介绍
• 08 使用Trae和Cursor改写Nodejs服务为Python版本
• 09 使用Gemini3 Por生成Python版本服务
• 10 优化Gemini3生成版本
• 11 api密钥与服务开通
• 12 逐行解读python main流程1
• 13 逐行解读python main流程2
• 14 RTC业务逻辑梳理1
• 15 Rtc业务架构设计2
• 16 RTC业务流程梳理3
• 17 RTC业务流程梳理4
• 18 RTC业务流程梳理5
• 19 RTC业务梳理6
• 20 RTC业务流程梳理7
• 21 RTC业务流程梳理8
• 22 RTC业务流程梳理9
• 23 RTC业务流程梳理10
• 24 RTC业务流程梳理11
• 15 项目1：LLM RAG架构
• 01 项目架构设计核心思路
• 02 将LLM部分独立出来
• 03 Rtc给第三方LLM推流架构解析
• 04 uv和ngrok环境准备
• 05 LLM的欢迎语是哪里来的？
• 06 项目改造的核心第一步
• 07 getScenes接口逻辑梳理
• 08 配置密钥环境
• 09 远程启动、停止agent接口服务实现
• 10 指挥ai生成符合sse协议llm回复
• 11 callback生成sse协议stream流
• 12 什么是sse协议？
• 13 梳理前端数据交互逻辑1
• 14 梳理前端数据交互逻辑2
• 15 客户端接收rtc推送的二进制message消息
• 16 安装浏览器插件查看状态变化
• 16 项目1：LLM改造
• 01 利用swagger搭建LLM调试环境
• 02 定制LLM系统提示词与欢迎语
• 03 设置temperature对回复的影响
• 04 优化提示词格式
• 05 创建知识库环境
• 06 rag知识库技术选型思路
• 07 对LLM的调用时长进行时间监控
• 08 Ai帮我参考知识库文档生成可运行业务代码
• 09 添加知识库service服务
• 10 知识库检索返回的原始信息
• 11 跑通Rag服务并兼容多条数据返回
• 12 将Rag服务接入到测试Api
• 13 修复Rag接入实时对话bug1
• 14 修复Rag接入实时对话bug2
• 15 修复Rag接入实时对话bug3
• 16 修复Rag接入实时对话bug4
• 16 项目1：LLM改造文档
• 17 Ai应用开发工程师的核心职能和在企业的工作流程
• 17 项目1：难点亮点与优化
• 01 利用prompt pilot优化提示词
• 02 LLM中的Temperature和Top P参数的区别？
• 03 temperature参数为何可以设置0-2
• 04 利用pilot的测试集去优化prompt提示词提示词
• 05 利用Pilot自动对回复进行评分
• 06 如何将pilot提示词优化写进简历
• 07 知识库检索优化的思路与方向
• 08 稠密向量和稀疏向量的区别
• 09 知识库检索支持的字段与解读
• 10 知识库文档切片优化与辩证思维
• 11 知识库index索引优化
• 12 知识库指定索引算法优化
• 13 知识库检索参数极致优化
• 14 ReRank重排开启和关闭带来的性能影响
• 15 Ai应用项目的性能优化核心思想方针
• 16 在简历中写上项目经历2、3
• 17 python热更新速度优化
• 18 使用Swagger UI构Ai业务调试环境
• 19 从15s到2s极致深度优化LLM推理 01
• 20 从15s到2s极致深度优化LLM推理 02
• 21 利用LLM批量推理构建评测集
• 22 LLM flash、lite、标准版区别
• 23 LLM4种思考模式区别minimal、low、medium、high
• 24 从15s到2s极致深度优化LLM推理 03
• 25 从15s到2s极致深度优化LLM推理 04
• 26 从15s到2s极致深度优化LLM推理 05
• 27 从15s到2s极致深度优化LLM推理 06
• 28 从15s到2s极致深度优化LLM推理 07
• 29 KV缓存和前缀缓存的核心区别
• 30 利用前缀缓存优化LLM性能
• 31 Chat Api和Response Api的区别？
• 32 补充简历经历4、5条
• 33 豆包1.8版本LLM参数解析
• 34 max token调整的意义与作用
• 35 Ai实时对话的Max token设置多少合适？
• 36 Asr双向流优化版带来的性能影响
• 37 Asr情绪检测、敏感词、热词优化
• 38 Asr上层参数调节
• 39 TTS业务参数调节
• 40 TTS上层业务参数解析
• 41 TTS1.0 和 2.0端到端版本的区别
• 42 声音复刻服务开通与配置
• 18 项目2：自媒体运营Agent
• 00000.bat (19.00 B)
• 018 01 项目介绍
• 018 02 项目方案架构设计
• 018 03 让Gemini生成喂给Claude4.5的提示词
• 018 04 cursor实现业务功能01
• 018 05 cursor实现业务功能02
• 018 06 cursor实现业务功能03
• 018 07 cursor实现业务功能04
• 018 08 Main.py生命周期管理
• 018 09 workflow入口逻辑解读
• 018 10 graph业务流程图梳理
• 018 11 逐行解读start接口调用流程与状态流转01
• 018 12 逐行解读start接口调用流程与状态流转02
• 018 13 逐行解读resume中断恢复流程与状态流转
• 018 14 逐行解读审核通过流程结束
• 018 15 逐行解读审核拒绝流程
• 018 16 项目版本切换学习方法
• 018 17 接入LLM Api版本01
• 018 18 接入LLM Api版本02
• 018 19 接入LLM Api版本03
• 018 20 接入LLM Api版本04
• 018 21 接入LLM Api版本05
• 018 22 接入LLM Api版本06
• 018 23 接入LLM Api版本07
• 018 24 Claude生成vue3.0前端界面
• 018 25 前端完整流程功能演示
• 018 26 使用PostgreSQL持久化graph状态01
• 018 27 postgresql数据库安装
• 018 28 使用PostgreSQL持久化graph状态02
• 018 29 使用PostgreSQL持久化graph状态03
• 018 30 AsyncConnectionPool数据库连接池的作用
• 018 31 PostgreSQL同步Checkpointer数据核心4个步骤
• 018 32 postgre中的4张表到底存的啥？01
• 018 33 postgre中的4张表到底存的啥？02
• 018 34 新增graph历史记录功能
• 018 35 新增graph历史记录功能02
• 018 36 新增graph历史记录功能03
• 018 37 项目重点梳理与学习重点
• list.txt
• 19 项目2：难点亮点与优化
• 019 01 难点亮点梳理
• 019 02 难点亮点梳理
• 019 03 LLM耗时统计与token使用量核心逻辑梳理
• 019 04 SubGraph子图设计模式解析
• 019 05 将选题流程抽象为subgraph
• 019 06 将图片生成改为并行模式
• 019 07 新增流式输出功能
• 019 08 流式输出核心思路解析与踩坑
• 019 09 多模型路由策略针对性优化链路性能
• 019 10 流式输出和非流式输出影响checkpointer存储的结果吗？
• 019 11 graph流式输出逐行解读_01
• 019 12 LLM结构化输出优化
• 019 13 LLM结构化输出功能验证
• 019 14 Rag检索增强优化
• 019 15 数据库连接池参数调整与优化
• 019 16. 全链路状态追踪LangSmith接入
• 019 17 B端C端业务指标埋点
• 019 18 业务日志收集与服务
• 019 19 内容安全审查与用户数据脱敏
• 019 20 JWT认证授权机制
• 019 21 JWT补充内容
• 019 22 SSO单点登录与Auth2.0
• 019 23 关于项目面试技巧的思考
• 019 24 配置管理与灰度AB测试
• 019 25 不同业务的模板扩展
• 019 26 MCP服务划分与设计
• 019 27 健康检查与优雅关闭
• 019 28 Api版本控制
• 019 29 Api限流与熔断真实企业的四层架构
• 019 30 用户反馈闭环建立评测集
• 019 31 错误处理降级和熔断的区别？
• 019 32 项目中__init__py的作用？
• 019 33 图片生成失败与敏感信息处理
• 019 34 Graph流程节点性能优化
• 019 35 图片大模型升级到顶级Nano Banan模型
• list.txt
• 20 项目2：逐行解读项目代码
• 020 01 入口文件解读
• 020 02 日志系统 ContextVar管理requestid
• 020 03 逐行解读日志系统
• 020 04 graph主流程源码解析
• 020 05 thread接口解析
• 020 06 流式输出代码解析
• 020 07 文章生成是如何进行六十输出的？
• 020 08 图片生成逻辑解读
• 020 09 系统日志与LLM脱敏设计
• 020 10 整体项目的架构设计
• 020 11 登录逻辑解读 01
• 020 12 登录逻辑解读 02
• 020 13 登录逻辑解读 03
• 020 14 登录逻辑解读 04
• 020 15 为什么现在流行JWT？
• 21 数据标注平台搭建与Label Studio实战
• 021 01 什么是数据标注
• 021 02 标注出来的数据到底是做什么用的？
• 021 03 Label Studio环境安装
• 021 04 案例1： 电商评论情绪识别
• 021 05 案例2：图片标注案例
• 021 06 案例3：用选择题训练模型
• 22 模型微调与主流方案解析
• 022 01 SFT和DPO的区别？
• 022 02 SFT的两种主流训练数据格式
• 022 03 SFT中的数据清洗与数据质量
• 022 04 模型训练Lora方案解读
• 022 05 Lora的4个核心调节参数解析
• 022 05 偏好对齐Dto的数据格式要求
• 022 06 DPO方案的局限与未来展望
• 23 项目3：LLaMA-Factory+Lora模型微调实战
• 022 01 环境安装
• 022 02 lora环境搭建
• 022 03 Cuda环境问题解决与显卡驱动
• 022 04 Lora训练结果解析
• 022 05 案例1 电商评论情感分析
• 022 06 案例1 开始训练Qwen模型
• 022 07 案例1 真实企业场景对数据量的要求？
• 022 08 案例1 学习率参数应该如何调整？
• 022 09 案例1 训练轮数参数调节
• 022 10 案例1 模型参数的选择
• 022 11 案例1 模型训练完的效果
• 022 12 案例1 模型第二次训练效果2
• 022 13 案例1 模型第3、4次训练与优化
• 022 14 案例1 Warmup Ratio参数在哪？
• 24 Agent集群架构与部署
• 01 项目部署方案解读
• 02 集群模式下的Ai服务部署方案
• 03 集群模式下的ai服务部署方案
• 04 Agent集群方案设计
• 05 审核Agent集群方案
• 05 审核Agent集群方案2
• 06 完成项目step1
• 07 环境配置
• 08 验证step1
• 09 MCP服务为什么不用SSE
• 10 遇到Ai解决不掉的Bug怎么办
• 11 解析LLM GateWay
• 12 逐行解读LLm gateway
• 13 LLM gateway完整调用链路梳理
• 13 LLM gateway完整调用链路梳理2
• 14 LLM gateway整体架构梳理
• 15 测试Rag service
• 16 rag service逐行解读
• 17 Rag架构流程解析
• 18 memory_service架构解析
• 19 测试memory功能
• 20 解读memory代码实现
• 21 memory服务业务流程解析
• 22 Memory服务为何要做MCP
• 24 Prompt测试代码
• 25 Prompt MCP服务输入与输出
• 27 Gateway源码设计解析
• 28 gateway整体调用链路解析
• 29 gateway中的3个核心问题2
• 30 服务全部启动脚本
• 31 跨项目功能演示与解析2
• 33 查看日志系统log
• 34 智能客服项目核心代码解析
• 35 智能客服项目核心架构解析
• 25 项目4：线上企业版
• 01 环境配置
• 02 环境配置02
• 26 实战面试（6.0 & 8.0）
• 2.25 武汉18k 教授
• 2.25 武汉25k 电商头部 – Trim
• 2.26 武汉边缘面试官18k
• 2.26 深信服18k （重点看）
• 3.16 深圳30k 两轮已经过了
• 3.9 创业无限画布深圳30k(重点看)-裁切
• 3.9 字节外包-裁切
• 3.9 重庆50k-裁切
• 4.22 上海35K实战面试-1面裁切
• 4.23 上海35K实战面试-2面裁切
• 7.17 30k杭州阿里技术支持
• 7.20 西安35k Ai agent
• 27 深入浅出DeepAgent
• 01 deep agent到底是啥玩意？
• 02 通过案例解读deep agent和agent的区别
• 03 deep agent的off load机制
• 04 deep agent哪些场景适用？
• 05 01 demo
• 06 virtual fs使用
• 07 虚拟fs解决了什么问题？
• 08 虚拟fs长文本的处理办法
• 09 10w字上下文agent如何处理与优化？
• 10 自定义tools
• 11 subagent的设计与使用
• 12 sub_agent一些要注意的问题
• 13 graph和deep agent的应用场景解析
• 14 酒店客服Ai系统意图识别架构解读
• 15 deep agent和graph中断的区别
• 28 你非懂不可的Graph_Rag
• 01 什么是GraphRag
• 02 环境配置
• 03 demo1启动命令
• 04 demo1案例运行示意
• 05 原生实现graphRag解析 01
• 06 原生实现graphRag解析 02
• 07 原生实现graphRag解析 03
• 08 原生实现graphRag解析 04
• 09 原生实现graphRag解析 05
• 10 原生实现graphRag解析 06
• 11 原生实现流程梳理
• 29 Light Rag设计思路解析
• 01 原生构建GraphRag的缺陷
• 02 LightRag设计思路 1
• 03 LightRag设计思路 2
• 04 LightRag设计思路 3
• 05 LightRag设计思路4
• 06 LightRag设计思路5
• 07 LightRag设计思路6
• 08 LightRag设计思路7
• 09 light rag是越用越聪明吗？
• 10 light rag的几种查询模式
• 30 项目5 直播切片agent
• 27 01 环境准备1
• 27 02 修复项目启动问题
• 27 03 环境准备2
• 27 04 环境准备3
• 27 05 环境准备4
• 27 06 环境准备05
• 27 07 项目核心流程
• 27 08 项目业务背景梳理
• 27 09 项目架构解读
• 27 10 阶段A：浏览器处理视频
• 27 11 如何检验自己的学习成果_
• 27 12 上传音频服务我们该考虑哪些问题
• 27 13 音频上传技术实现解析
• 27 14 面试应该怎么说音频上传服务？
• 27 15 创建Asr解析任务task
• 27 16 创建任务task流程梳理
• 27 17 验收task创建成果
• 27 18 SSE订阅服务端task任务进度
• 27 19 sse消息订阅逻辑解析
• 27 20 验收学习成果
• 27 21 创建task主循环流程解析
• 27 22 worker任务调度
• 27 23 并发任务改造
• 27 24 阶段5 并行任务处理逻辑梳理
• 27 25 否决AI的并行改进方案
• 27 26 并行task方案演进1
• 27 27 并行task方案演进2
• 27 28 并行task方案演进3
• 27 29 从Mp3到asr到llm数据流梳理
• 27 30 从Mp3到asr到llm数据流梳理2
• 27 31 从Mp3到asr到llm数据流梳理3
• 27 32 直播切片项目真正的企业价值
• 27 33 视频切片体验优化对比
• 27 34 项目可以补充和升级的功能清单
• 27 35 项目难点亮点思路解析
• 27 36 项目面试准备思路
• 27 37 对项目难点亮点的思路补充
• 27 39 敏感词处理DFA算法 2
• 27 40 redis并发加锁方案
• 27 41 项目优化3
• 27 42 LLM性能优化1
• 27 43 LLM性能优化2
• 27 44 项目简历编写1
• 27 45 简历编写2
• 27 46 简历编写3
• 31 项目6：AI数据中台
• 01 AI数据中台的价值
• 02 数据驱动N个项目的底层逻辑
• 03 我们公司为啥要建立数据中台
• 04 AI数据中心在各行各业的应用
• 05 微信数据的导出流程
• 07 项目环境准备
• 08 项目环境准备2
• 09 项目环境准备3
• 10 env key的配置
• 11 我们的数据源是什么？
• 12 微信聊天记录数据的作用
• 13 机器清洗需要过滤哪些数据？
• 14 为什么机器过滤一定要在postgre之后_
• 15 人工清洗的业务流程
• 16 人工补充数据的业务场景
• 17 人工补充数据的作用和意义
• 18 数据导出流程
• 6
• 32 项目7：考核
• 01 项目业务流程梳理
• 02 数据中台对项目的意义
• 03 milvus的特点
• 04 pgvector的应用场景1
• 05 pgvector的应用场景2
• 06 什么时候该用pgvector_
• 07 pgvector的使用
• 08 复杂字段pgvector如何处理_ 1
• 09 出题的核心流程 多路的
• 09 出题的核心流程
• 10 随机出题的策略
• 11 假设有10w条数据怎么办_
• 12 什么时候才上Rag_
• 13 10w条数据的rag存储策略
• 14 metadata存储的本质
• 15 为什么要整合数据在向量化_
• 16 IVfflat和HNSW建立索引的区别_
• 17 为什么选HNSW_
• 18 10w条数据写入embbeding流程
• 19 阿里云api构建embbeding的流程
• 20 项目功能扩展方向
• 33 项目8：AI素材中心
• 新建文件夹
• 01 为什么要做Ai素材库
• 02 为什么要建素材中心
• 03 素材中心的功能实现思路
• 04 素材管理功能
• 05 如何设计多模态AI回复的技术方案
• 06 多模态回复的两条路线
• 07 架构思路解析
• 08 在线和离线两条实现路径解析 (1)
• 08 在线和离线两条实现路径解析 (2)
• 08 在线和离线两条实现路径解析 (3)
• 08 在线和离线两条实现路径解析
• 12 回复图片的流程示意
• 13 在线多模态查询流程复盘
• 14 为啥需要离线处理
• 15 OCR和VLM模型的区别_
• 16 AI离线处理流程
• 17 素材内容幂等更新
• 18 离线任务调度
• 19 8个项目简历怎么写_
• 20 8个项目简历怎么写_ 2
• 21 8个项目简历怎么写_ 3(1)
• 22 8个项目简历怎么写_ 4(1)
• 23 8个项目简历怎么写_ 5
• 24. 8个项目简历怎么写_ 6
• 34 CICD自动化部署流水线
• cicd 01 课怎么讲？（必看）
• cicd 01 课程导学（必看）
• cicd 02 第一章 前端项目到底部署的是什么？
• cicd 03 第二章 腾讯云cos对象存储操作指南
• cicd 04 CDN内容分发和源站的关系？
• cicd 05 访问localhost3000为什么可以看到页面？
• cicd 06 publicPath引起的资源访问问题
• cicd 07 纯前端静态项目远程部署
• cicd 08 自动化部署的思路与步骤
• cicd 09 初始化项目代码仓库
• cicd 10 自动化部署实践报错 && 升级Nodejs版本
• cicd 12 配置github提交代码自动触发构建
• cicd 13 优化流水线构建性能
• cicd 14 前端拉取Nodejs端数据 && 环境配置
• cicd 15 构建成功远程cos地址居然无法访问？
• cicd 16 本地开发可以跨域发请求的原因？
• cicd 17 本地后台服务访问前端页面流程
• cicd 18 Serverless的发展历程
• cicd 19 创建Nestjs函数FC并部署到线上 && 解决package依赖
• cicd 20 优化发布过程中依赖版本导致的问题
• cicd 21 前端页面在Node服务中发布成功
• cicd 22 目前还存在的手动获取html的问题
• cicd 23 分析解决html关联node服务的两种方案
• cicd 24 使用路由控制器的方式关联html模板
• cicd 25 使用脚本生成模板的方式关联html模板
• cicd 26 梳理关联模板方案1的问题
• cicd 27 两种部署方案的优劣对比
• cicd 28 s.yaml配置文件详解
• cicd 29 云函数中几种常见的触发器
• cicd 30 修改云函数域名CNAME指向我们自己的域名
• 35 电商项目业务场景解析
• 电商场景业务解析
• 36 如何用ai改简历
• 如何用Ai帮你改简历
• 37 面试爆炸力-十倍放大项目
• 01 面试最重要的就是吹
• 02 将8个项目完全串联起来
• 03 如何向面试官介绍我们的8个项目
• 04 客户系统的Rag到底怎么建？
• 05 用户的查询流程解析
• 06 用postgre + pgvector实现稠密稀疏向量
• 07 Topk N Rerank
• 08 为啥项目一定要Rerank
• 09 需不需要降维和量化
• 10 知识库的数据频繁变动怎么办？
• 11 客服遇到高并发怎么办？
• 12 如何提升召回率？
• 13 如何统计召回率和准确率
• 14 客服系统如何返回多模态的数据？
• 15 LLM性能优化 01
• 16 LLM性能优化 02
• 17 RTC语音链路优化
• 18 评测集1
• 19 评测集2
• 20 评测集3
• 21 评测集4
• 22 数据中台1
• 23 数据中台2
• 24 数据中台3
• 25 数据中台4
• 26 直播切片项目
• 27 直播切片项目2
• 28 自媒体运营Agengt1
• 29 自媒体运营Agengt2
• 30 自媒体运营Agent 3
• 31 自媒体运营Agent 4
• 32 自媒体运营Agent 5
• 33 MCP集群1
• 34 MCP集群2
• 35 Mcp集群3
• 36 MCP集群4
• 37 Ai素材管理中心
• 38 销售考核系统1
• 39 销售考核系统2
• 40 模型微调1
• 41 模型微调2
• 42 模型微调3
• 43 模型微调4
• 44 模型微调5
• 38 每周直播辅导回放
• 01 第一次直播答疑回放
• 02 直播梳理LLM原理01
• 03 直播-LLM原理02
• 04 直播-LLM原理-03
• 05 重学langchain01
• 06 重学langchain02
• 07 1.19看看行情
• 08 1.19看看行情
• 09 1.27回放 什么是Skills
• 10 2.9 面试辅导01
• 11 2.9 面试辅导02
• 12 2.9面试辅导03
• 13 3.2 评测集解析
• 14 3.2 面试题解读
• 15 3.4 如何用Ai写自己定制化业务的简历01
• 16 3.4 如何用Ai写定制化的业务简历 02
• 17 3.8 字节面试题赏析
• 19 3.16 鸭哥26k真题解析 01
• 20 3.16 鸭哥26k真题解析 02
• 21 2期新同学与面试题解读
• 22 Agent集群第二课
• 23 3.30 简历辅导
• 24 4.1 企业真题解析1
• 39 Claude Code原理解析
• 01 原理学习的正确方法
• 02 Claude Code的设计思想
• 03 什么是Harness
• 04 Agent Loop的核心思想
• 05 Claude Code的核心
• 06 如何理解Agent Loop的planner
• 07 Claude Code工具设计解析
• 08 Claude Code的上下文管理
• 09 上下文管理02
• 10 上下文管理03
• 11 上下文管理04
• 12 上下文管理05
• 13 Claude Code检索代码
• 14 主agent与子Agent
• 15 权限与安全管理
• 40 项目9：Harness商品Ai自进化交易
• 01 环境启动
• 02 Harness和agent loop与ai 自进化
• 03 传统的Agent客服系统存在的问题
• 04 Agent训练体系设计01
• 05 Agent训练体系设计02
• 06 项目功能概览
• 07 项目怎么从0到1干出来的
• 08 项目怎么从0到1干出来的2
• 09 项目怎么从0到1干出来的3
• 10 项目怎么从0到1干出来的4
• 11 自进化思路解析01
• 12 自进化思路解析02
• 13 自进化思路解析03
• 14 自进化思路解析04
• 15 系统提示词定义
• 16 Agent Loop设计模式
• 17 Agent Loop设计模式02