课程介绍

课程目录

• 第1章 课程学习必知——助你顺利学习以及避坑
• 1-1 全面了解课程，让你少走弯路，必看！！！
• -
• 第2章 掌握未来AI趋势：RAG引领大语言模型新纪元
• 2-1 本章简介
• 2-2 满足企业精准需求：RAG如何填补大语言模型短板
• 2-3 解锁RAG三大核心
• 2-4 深入思考 long context加持的大模型企业还需要RAG
• 2-5 RAG技术栈：从【合格】到【优秀】的跨越
• 2-6 本课程案例分析与说明
• 2-7运行和开发环境搭建
• 2-8课程机器配置要求说明
• -
• 第3章 【企业级专业选型】RAG核心一：挑选符合企业的【优秀】大语言基石模型
• 3-1 本章简介
• 3-10 【文档】如何通过ollama部署本地大模型-deepseek-r1
• 3-11 实战：使用大语言模型（本地和API、GPU和CPU）-1
• 3-12 实战：使用大语言模型（本地和API、GPU和CPU）-2
• 3-2 大模型入门：核心要点和技术演变（token、transformer、训练）
• 3-3 国内外大模型产品必知必会
• 3-4 没有GPU如何调用大模型-大模型调用的三种方式
• 3-5 火眼金星：如何分辨大模型的好坏
• 3-6 RAG应用：挑选大模型的四大步骤
• 3-7 总结和展望：不同项目角色需要对AI大模型了解程度的差异性分析
• 3-8 【文档】大语言模型如何下载
• 3-9 【文档】星火大模型API使用
• -
• 第4章 【企业级专业选型】RAG核心二：挑选合适RAG的向量Embedding模型
• 4-1 本章介绍
• 4-2 embedding模型的重要性
• 4-3 embedding是怎么炼成的？
• 4-4 主流中文embedding模型
• 4-5 embedding模型排行榜靠谱不靠谱，如何选择
• 4-6 【文档】embedding模型下载
• 4-7 实战：embedding模型加载和使用对比
• 4-8 本章总结
• -
• 第5章 【企业级专业选型】RAG核心三：企业级的向量数据库选型和高效使用
• 5-1 本章介绍
• 5-2 全方位对比：主流向量数据库
• 5-3 企业级向量数据库的要求
• 5-4 向量数据库相似性搜索
• 5-5 性能为王：探索向量数据索引优化技术
• 5-6 实战：部署和使用企业级向量数据库（chroma和milvus）-1
• 5-7 实战：部署和使用企业级向量数据库（chroma和milvus）-2
• 5-8 总结和展望：企业级应用的高可用性
• -
• 第6章 【企业员工智能问答助手-实现V1.0版】高效处理企业复杂业务数据
• 6-1 本章介绍
• 6-2 复杂：企业数据复杂多样
• 6-3 原则：垃圾进垃圾出，注重文档质量
• 6-4 挑战：RAG如何读取多样性文档（文本、表格和布局分析）
• 6-5 文档分块：递归文本分块和语义智能分块
• 6-6 实战：实现制度问答模块数据读取和切割
• 6-7 本章总结
• -
• 第7章 【企业员工智能问答助手-实现V1.0版】搭建制度问答baseline RAG
• 7-1 本章介绍
• 7-2 【企业员工制度问答助手】需求分析
• 7-3 项目技术选型
• 7-4 项目架构设计
• 7-5 实战：实现制度问答模块RAG baseline
• 7-6 总结和展望：转变思想，AI应用开发和传统软件开发的区别
• -
• 第8章 【企业员工智能问答助手-评估V1.0版】有效评估RAG是提升的关键
• 8-1 本章介绍
• 8-2 RAG迭代的关键：评估
• 8-3 RAG评估的三大步骤
• 8-4 RAG评价神器：Ragas框架
• 8-5 实战：用Ragas评估制度问答模块的性能
• 8-6 本章总结
• 第9章 【企业员工智能问答助手-实现V2.0版】提升RAG的【14种】检索增强技能
• 9-1 本章介绍
• 9-10 总结和展望：关于企业里需要良好的代码规范和代码管理
• 9-11 实战：用检索增强技术提升制度问答模块性能-查询增强-1
• 9-12 实战：用检索增强技术提升制度问答模块性能-查询增强-2
• 9-13 实战：用检索增强技术提升制度问答模块性能-多索引增强
• 9-14 实战：用检索增强技术提升制度问答模块性能-融合检索
• 9-15 【文档】重排rerank模型如何下载
• 9-16 实战：用检索增强技术提升制度问答模块性能-rerank重排
• 9-17 实战：用检索增强技术提升制度问答模块性能-迭代检索增强生成
• 9-18 实战：用检索增强技术提升制度问答模块性能-self-RAG-1
• 9-19 实战：用检索增强技术提升制度问答模块性能-self-RAG-2
• 9-2 一图剖析RAG进化之路：探索优化点
• 9-3 检索的两大形态：稀疏 vs 稠密
• 9-4 查询增强：增加相关内容-Query2doc+ HyDE+子问题查询+问题改写+Task Step Back
• 9-5 多索引增强：从不同维度构建索引，强化相关内容
• 9-6 检索后增强：融合检索，三个臭皮匠顶一个诸葛亮
• 9-7 检索后增强：重排序技术(Re-rank)
• 9-8 系统性增强：迭代检索增强生成，从上一迭代收获信息
• 9-9 RAG新范式：自我评估增强Self-RAG
• 第10章 基于知识图谱【金融智库】：从RAG到Graph RAG，让企业知识图谱更智能
• 10-1 本章介绍
• 10-2 认识金融智库知识图谱数据：特别的知识三元组
• 10-3 如何存储和操作知识图谱：neo4j和nebulagraph
• 10-4 实战：动手构建金融智库知识图谱-1
• 10-5 实战：动手构建金融智库知识图谱-2
• 10-6 RAG和Graph RAG有什么区别：如何构建Graph RAG
• 10-7 实战：利用Graph RAG构建金融智库知识库应用
• 10-8 总结和展望：如何自我学习，跟进前沿技术
• -
• 第11章 基于知识图谱【金融智库】：从RAG到agenticRAG，实现自动切换不同信息源
• 11-1 本章介绍
• 11-2 大模型的手脚：AI智能体Agent
• 11-3 推理和行动并行：ReAct框架
• 11-4 基于Agent的多文档RAG Router
• 11-5 实战：利用ReAc Agent实现 RAG Router
• 11-6 本章总结
• -
• 第12章 【RAG扩展】企业员工助手-接口和界面开发
• 12-1 本章介绍
• 12-2 演示界面神器：gradio介绍
• 12-3 实战：gradio整合两大RAG项目（1）
• 12-4 实战：gradio整合两大RAG项目（2）
• 12-5 RAG Pipeline API 接口文档-【简介&fastapi介绍】
• 12-6 RAG Pipeline API 接口文档-【环境准备&API接口说明】
• 12-7 RAG Pipeline API 接口文档-【使用示例】
• -
• 第13章 【RAG进阶】企业员工助手-项目进阶：RAG微调
• 13-1 本章介绍
• 13-2 普通显卡也可以训练大模型：揭开Lora微调的面纱
• 13-3 新手也可以微调：大语言模型微调框架SWIFT
• 13-4 让Embedding更接近你的数据：用llamaindex微调embedding模型
• 13-5 本章总结
• -
• 第14章 企业员工助手-总结和展望
• 14-1 -1 项目总结和展望：课程回顾与总结
• 14-2 -2 项目总结和展望：课程总结与AI岗位面试技巧