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.
11_第三课：高级 RAG（一）层次索引，句子窗口，子查询，HyDE.
37_第十一课：Langgraph 多 Agent 架构：协作多 Age.
8_第五课：模型部署（模型合并导出与量化，本地部署）.
29_第三课：Agent 平台：国内外主流平台，Coze 搭建智能客服.
33_第七课：Agent 设计模式（三）：Reflexion，LAT.
15_第七课：Embedding 原理：word2vec、CBOW.
16_第八课：Embedding 模型训练：llamaindex 微调.
21_第十三课：相似性搜索算法：k-means，肘部法则.
1_第一课：人工智能介绍：迭代路径，大模型进化树，技术分类.
35_第九课：Langchain 项目原理与实战.
5_第二课：微调数据集准备（SFT 继续预训练，偏好优化）.
17_第九课：Embedding 模型评估：MRR 评测，MTEB 评测.
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.
10_第二课：NaiveRAG 与 langchain 实践.
39_第十三课：AutoGen 项目原理与实战（二）：代码执行，工具.
12_第四课：高级 RAG（二）提示词压缩，融合，llamainde.
30_第四课：Agent 工具使用与 functioncall：MR.
9_第一课：RAG 技术原理与 RAGFlow 项目实操.
27_第一课：Agent 原理简介：planning、memory、.
22_第十四课：近似邻近算法与过滤向量：PQ 量化，HNSW，LSH.
24_第十六课：向量数据库代码示例：chroma 与 qdrant 代码.
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.
28_第二课：提示词工程：软提示词，fewshot，COTTOT.
34_第八课：Agent 框架：SingleAgent，Multi.
25_第十七课：RAG 评估：评估指标，RAGAs，TruLens.
6_第三课：微调过程 lora 微调与 Qlora 微调.
7_第四课：模型评估（批量推理与自动评估 benchmark）.
31_第五课：Agent 设计模式（一）：Fewshot，ReAct.
40_第十四课：CrewAI 项目原理与实战：CrewTaskA.
14_第六课：模块化 RAG（二）迭代，递归检索，FLARE，Toc.
19_第十一课：Rerank 模型微调与实践（二）rankGPT.
26_第十八课：RAG 行业落地：实践心得，落地经验，业务场景.
38_第十二课：AutoGen 项目原理与实战（一）：AutoGen.
18_第十课：Rerank 技术原理与实践（一）交叉编码与双编码.
2_第二课：柏拉图表征假说与 scalinglaw：KM 缩放定律.
4_第一课：大模型微调 llama-factory 环境准备.
32_第六课：Agent 设计模式（二）：REWOO，LLMComp.
3_第三课：AI 开发环境（python、conda、vscode.
36_第十课：Langgraph 项目原理与实战.
