《2026 AI大模型全栈V11版》学习大纲

一、AI大模型入门三部曲：基础、原理与提示工程实战

1. 学习目标

• 掌握大模型的基础和大模型的原理
• 掌握使用提示工程来加大和模型的交互能力，提高模型的工作效率

2. Python 语言编程

第一章：Python 3 基础入门

• 初识 Python
  • Python 简介
  • Python 历史
  • Python 优缺点
  • Python 应用领域
• 数据类型
  • 整型
  • 浮点型
  • 复数
  • 数据类型转换
  • 常量
• 变量与关键字
  • 变量
  • 变量名称
• 语句
• 表达式
• 运算符和操作对象
  • 什么是操作符和操作对象
  • 算术运算符
  • 比较运算符
  • 赋值运算符
  • 位运算符
  • 逻辑运算符
  • 成员运算符
  • 身份运算符
  • 运算符优先级
• 字符串操作
• 注释

第二章：列表与元组

• 通用序列操作
  • 索引
  • 分片
  • 序列相加
  • 乘法
  • 成员资格
  • 长度、最小值和最大值
• 列表
  • 更新列表
  • 元素赋值
  • 增加元素
  • 删除元素
  • 分片赋值
  • 嵌套列表
  • 列表方法
• 元组
  • tuple 函数
  • 元组的基本操作
  • 访问元组
  • 修改元组
  • 删除元组
  • 元组索引、截取
  • 元组内置函数
• 列表与元组的区别
• 列表与元组的相互转化

第三章：字符串

• 字符串的基本操作
• 字符串格式化
  • 字符串格式化符号
  • 字符串格式化元组
  • 转换操作符
• 字符串方法
  • find()
  • join()
  • lower()
  • upper()
  • swapcase()
  • replace()
  • split()
  • strip()
  • translate()

第四章：字典

• 字典的使用
• 创建和使用字典
  • dict 函数
• 字典的基本操作
  • 修改字典
  • 删除字典元素
  • 字典键的特性
  • len() 函数
  • type() 函数
  • 字典的格式化字符串
  • 字典和列表的区别
• 字典方法
  • clear()
  • copy()
  • fromkeys()
  • get()
  • key in dict
  • items()
  • keys()
  • setdefault()
  • update()
  • values()

第五章：条件、循环和其他语句

• 代码编辑器的选择
• import 的使用
  • import 语句
  • 使用逗号导入
• 别样的赋值
  • 序列解包
  • 链式赋值
  • 增量赋值
• 语句块
• 条件语句
  • 布尔变量的作用
  • if 语句
  • else 子句
  • elif 子句
  • 嵌套代码块
• 更多操作
  • 同一性运算符
  • 比较字符串和序列
  • 布尔运算符
  • 断言
• 循环
  • while 循环
  • for 循环
  • 循环遍历字典元素
  • 迭代工具
  • 跳出循环
  • 循环中的 else 子句
• pass 语句

第六章：函数

• 调用函数
• 定义函数
• 函数的参数
  • 必须参数
  • 关键字参数
  • 默认参数
  • 可变参数
  • 组合参数
• 执行流程
• 形参和实参
• 变量作用域
  • 局部变量
  • 全局变量
• 又返回值和无返回值函数
• 为什么要有函数
• 返回函数
• 递归函数
• 匿名函数

第七章：面向对象编程

• 理解面向对象
  • 什么是面向对象编程
  • 面向对象术语简介
• 类的定义与使用
  • 类定义
  • 类使用
• 深入类
  • 类的构造方法
  • 类的访问权限
• 继承
• 多态
• 封装
• 多重继承
• 获取对象信息
  • 使用 type 函数
  • 使用 isinstance 函数
  • 使用 dir 函数
• 类的专有方法
  • str
  • iter
  • getitem
  • getattr
  • call

第八章：异常与文件处理

• 异常
  • 什么是异常
  • 异常处理
  • 抛出异常
  • 捕捉多个异常
  • 使用一个块捕捉多个异常
  • 捕捉对象
  • 全捕捉
  • 异常中的 else
  • 自定义异常
  • finally 子句
  • 异常与函数
• 文件操作
  • 打开文件
    • 文件模式
    • 缓存
  • 基本文件方法
    • 读和写
    • 读写行
    • 关闭文件
    • 文件重命名
    • 删除文件
  • 对文件内容进行迭代
    • 按字节处理
    • 按行操作
    • 使用 fileinput 实现懒加载式迭代
    • 文件迭代器
  • StringIO 函数
  • 序列化与反序列化
    • 一般序列化与反序列化
    • JSON 序列化与反序列化

3. 大模型的基础和原理

基础认知

• 人工智能和大模型的强势兴起
  • AI的发展历程
• 大模型和通用人工智能
  • 大模型的认知和解析
  • 通用人工智能的特征
  • 大模型和通用人工智能的联系
• 主流大模型和大模型应用产品
  • 主流大模型简单介绍
    • deepseek
    • Qwen2
    • GLM系列
    • LLama系列
    • GPT系列
    • Claude
    • Gemini
  • GPT模型的发展历程
    • ChatGPT
  • 国产大模型应用介绍
    • 深度求索
    • 通义千问
    • 文心一言
    • 智谱清言
• 大模型的行业赋能
  • 医疗行业
  • 政务和法律行业
  • 重点行业预测
• 大模型商业化：热潮背后的理性思考
  • 市场趋势：从通用模型走向"行业大模型+小模型"混合架构
  • 核心瓶颈：训练数据合规、模型幻觉影响决策可信度、人才稀缺
  • 应对策略：构建企业AI中台 + 强化评估体系 + 合作生态共建

核心原理

• 大模型与机器学习的本质差异
  • 传统机器学习：特征工程驱动，模型规模有限
  • 大模型：数据驱动 + 自监督学习，参数量级突破（>10亿）
  • 关键转变：从"人工设计特征"到"模型自动学习表示"
• Transformer架构解析
  • 什么是Transformer架构？
    • 基于自注意力机制（Self-Attention）的序列建模框架
    • 替代RNN/LSTM，实现并行化训练与长距离依赖捕捉
    • 成为现代大模型（如BERT、GPT、LLaMA）的基础架构
  • 为什么使用Transformer？
    • 高效处理长文本序列（克服RNN梯度消失问题）
    • 支持大规模并行计算，显著提升训练效率
    • 自注意力机制赋予模型"全局感知"能力
• 大模型运行原理探究
  • 大模型如何理解和表示单词
    • 大模型处理单元 — Token
      • 文本被切分为子词或字符级Token（如Byte-Pair Encoding）
      • 每个Token映射为高维向量（Embedding）
    • 单元的远近亲疏关系
      • 通过位置编码（Positional Encoding）保留顺序信息
      • 注意力权重反映语义关联强度（如"猫"与"老鼠" vs “猫"与"汽车”）
    • 大模型词义的载体和表现特征
      • 词向量（Word Embedding）融合上下文语义（Contextual Representation）
      • 同一词在不同语境下生成不同向量（如"银行"→金融机构 vs 河岸）
  • 大模型如何理解并预测输入的内容
    • 注意力机制（Attention Mechanism）
    • 自注意力机制（Self-Attention）
    • 基于语义理解的内容生成
• 预训练、SFT、RLHF
  • 预训练
  • SFT(Supervised Fine-Tuning)
  • RLHF(Reinforcement Learning from Human Feedback)

4. Prompt提示工程

提示工程原理和进阶技巧

• 什么是提示词和提示工程
  • 提示词（Prompt）：输入给大模型的指令或上下文文本
  • 提示工程（Prompt Engineering）：设计高效、精准提示以引导模型输出的系统性方法
  • 核心目标：提升模型响应质量、可控性、一致性与任务完成度
  • 应用价值：降低微调成本，实现"零样本/少样本"快速部署
• Prompt Engineering构成要素和技巧
  • 角色设定（Role Assignment）
  • 指令明确性（Clear Instruction）
  • 上下文构建（Contextualization）
  • 输出格式控制（Output Formatting）
  • 多轮对话管理（Conversational Flow）
• Prompt Engineering的调优和进阶技巧
  • 零样本提示（Zero-Shot）
  • 少样本提示（Few-Shot）
  • 链式思考(思维链COT)
  • 自我一致性(自洽性，Self-Consistency)
  • 思维树(Tree-of-thought, ToT)
• Prompt Engineering攻击与防范
  • 提示注入（Prompt Injection）
  • 越狱攻击（Jailbreaking）
  • 信息窃取（Information Leakage）
  • 输入过滤与清洗（Input Sanitization）
  • 模型输出审核（Content Moderation）
  • 安全提示模板（Safe Prompt Templates）

提示工程实战

• 会议纪要重点提取
• 短剧脚本生成
• 实战项目：网络爆款文案生成
• 实战项目：数据库查询SQL语句生成
• 实战项目：基于提示工程的学员辅导系统

5. 开发者的新"心流"：Vibe Coding 全解析

• 什么是 Vibe Coding？
  • 用自然语言和 AI 一起编程
  • 快速、直觉、流畅，像"聊天"一样写代码
  • 适合零基础入门 & 老手提效
• 主流工具对比
  • 国内：字节 Trae、腾讯 CodeBuddy、阿里 Qoder
  • 国外：Cursor、GitHub Copilot、Claude Code
• Trae 实战路径
  • 零基础：装插件 → 写提示 → 看结果
  • 进阶：分步引导 + 多轮对话优化代码
  • 应用：做网页、写接口、搭小项目

---

二、让大模型用上你的数据：RAG应用开发实战

1. 学习目标

• 掌握使用RAG来增强模型的回复
• 掌握如何使用工具去评估自己的RAG的效果
• 掌握使用LangChain来构建基于大模型的应用
• 掌握高级的RAG应用

2. RAG知识库开发实战

RAG 的核心价值与应用场景

• 解决大模型幻觉与知识滞后问题
• RAG的基础概念和工作流程解析

企业知识库构建

• 多格式文档接入（PDF/Word/HTML等）
• 智能分块与内容清洗策略
  • 按照句子切片
  • 按照字符数切片
  • 按照固定字符数
  • 递归方法

Naive RAG

• Embedding 技术原理与实践
  • 核心原理
    • 向量表示的语义本质：从离散符号到连续空间的映射
    • 向量相似度算法：余弦相似度（Cosine）、欧式距离（L2）的适用场景对比
  • 工程化实践
    • 主流 Embedding 模型选型（开源/闭源）与性能评估
    • 向量模型 API 调用与本地化部署优化
    • 领域适配：微调与 Prompt 工程提升向量表征能力
• 向量检索系统构建
  • 索引技术（Indexing）
    • 倒排索引与向量索引的技术差异
    • “top-k” 语义检索的召回策略与相关性排序
  • 向量存储选型与架构
    • 主流向量数据库（Pinecone/Chroma/FAISS/Milvus）的技术特性与功能对比
    • 企业级部署：高可用、高吞吐与低成本的平衡方案
• Naive RAG 核心开发与增强策略
  • 基础 RAG 开发流程
    • 从文档加载、向量生成到检索召回的全流程实现
    • 基础 Prompt 设计与生成质量评估
  • 提示词增强（Prompt Augmented RAG）
    • 上下文管理：Prompt 压缩与相关性提升
    • 思维链（CoT）与角色设定在 RAG 中的应用

实战项目：利用RAG知识库实现智能AI系统

3. LlamaIndex 框架应用实战

LlamaIndex 技术认知与快速入门

• 技术定位与生态价值
  • LlamaIndex 在 LLM 应用开发中的核心定位：连接非结构化数据与大模型的 “数据中间层”
  • 与 LangChain 的技术差异与场景互补
• 核心概念与快速上手
  • 代理（Agent）与工作流（Workflow）的本质：自主决策与任务编排能力
  • 环境搭建与第一个 LlamaIndex 应用：从文档加载到智能问答的全流程实现

LlamaIndex 核心技术体系

• 数据加载与预处理（Loading & Ingestion）
  • 文档与节点（Documents & Nodes）：数据单元的语义拆分与组织
  • 数据连接器（Data Connectors）：多源数据（文档、数据库、API 等）的统一接入
  • 节点解析器与文本分割器：智能分块策略与噪声清洗
  • 摄取管道（Ingestion Pipeline）的可视化配置
  • 元数据提取与低质量内容过滤
• 索引技术（Indexing）
  • 主流索引选型与场景适配
    • 向量存储索引：通用语义检索的核心实现
    • 属性图表索引：知识图谱与多跳推理场景
    • 文件管理索引：结构化数据的关联检索
  • 索引优化
    • 动态元数据增强与索引生命周期管理
    • 大规模数据下的索引分片与增量更新
• 存储系统（Storage）
  • 存储分层设计
    • 向量存储：主流引擎（Chroma/Milvus/Pinecone）的适配与性能优化
    • 文档/索引/键值存储：数据持久化与缓存策略
  • 企业级扩展
    • 自定义存储接口开发
    • 多租户隔离与数据安全管控
• 查询与生成（Querying & Synthesis）
  • 引擎核心能力
    • 查询引擎：精准检索与结果生成的全链路调度
    • 聊天引擎：多轮对话的上下文感知与记忆管理
  • 高级检索增强
    • 节点后处理器：检索结果的重排序与去重
    • 响应合成器：多源信息的逻辑融合与格式输出

LlamaIndex 工作流（Workflow）深度开发

• 工作流核心架构
  • 事件驱动模型：事件定义、触发与状态协同
  • 核心能力：多事件等待、手动触发、人机协同与逐步执行
  • 工程化保障：检查点（Checkpoint）与可追溯性
• 复杂工作流编排
  • 基础工作流到高级场景：分支、循环、并发与嵌套
  • 状态维护与流媒体事件处理
  • 子类化与自定义工作流开发
• 可视化与部署
  • 工作流可视化与调试工具
  • 生产级部署：容器化与 API 服务化交付

实战项目：企业级智能知识库构建

4. RAG 评估与开源应用实战

RAG 效果评估指标体系

• 质量类指标
  • 上下文相关性：检索片段与用户查询的语义匹配度
  • 答案忠实度：生成内容对检索上下文的事实一致性
  • 答案相关性：生成结果对用户需求的满足程度
• 能力类指标
  • 对噪声的鲁棒性：处理低质量、冗余检索片段的能力
  • 负面信息排除能力：识别并过滤有害、错误信息的机制
  • 信息整合能力：多源检索片段的逻辑融合与冲突消解
  • 假设场景健壮性：对模糊、虚构问题的处理与边界识别

专业评估工具与工程化实践

• RAGAS 评估框架
  • 自动化评估原理：基于 LLM 的指标计算与结果对比
  • 工程化落地：自定义指标配置、批量测试与报告生成
• TruLens 评估平台
  • 全链路可观测性：从检索到生成的每一步追踪
  • 人工反馈闭环：结合人类评估结果迭代优化模型

主流开源 RAG 应用深度解析

• RAGFlow：企业级检索增强引擎
• FastGPT：低代码 RAG 开发平台
• Dify：LLM 应用开发与运维平台

实战项目：Dify 实现数据库数据智能查询

5. RAG 进阶与 Advanced RAG 实战

RAG 系统缺陷诊断与优化基础

• 核心缺陷分类与根因分析
  • 数据处理层缺陷：文档加载准确性与效率瓶颈、切分粒度不合理导致的语义断裂
  • 检索层缺陷：错失高相关文档、上下文与答案无关的召回偏差
  • 生成层缺陷：格式错误、答案不完整/冗余、幻觉问题的触发机制
• 缺陷定位与量化
  • 结合 RAG 评估工具（RAGAS/TruLens）的自动化缺陷定位
  • 基于业务场景的缺陷优先级排序与优化路径规划

Advanced RAG 核心技术体系

• Pre-Retrieval（预检索）优化
  • 优化索引策略
    • 摘要索引、父子索引：提升长文档的语义召回精度
    • 假设性问题索引、元数据索引：针对特定场景的定向检索增强
    • 混合检索：向量检索与关键词检索的融合与权重动态分配
  • 查询优化技术
    • 查询扩展：基于同义词、上下文的查询语义增强
    • 意图识别：结合 LLM 的查询重写与歧义消解
• Post-Retrieval（后检索）增强
  • RAG-Fusion
    • 多轮检索结果的加权融合算法
    • 动态权重调整与冲突消解机制
  • 上下文压缩
    • 基于 LLM 的冗余信息过滤与关键信息提取
    • 长上下文场景下的窗口滑动与摘要生成

6. 知识图谱赋能 RAG 实战

知识图谱与 RAG 的协同价值

• 知识图谱概述
  • 知识图谱的定义：实体、关系、属性的语义网络
  • 知识图谱在 RAG 中的核心作用：解决长文本多跳推理、知识结构化问题
• 知识图谱 + RAG 的技术优势
  • 对比传统 RAG：提升答案的精准性与可解释性
  • 典型场景：复杂问答、行业知识库、智能客服

知识图谱构建全流程

• 知识图谱构建的核心环节
• 知识图谱的存储选型

图数据库基础与 CQL 实战（以 Neo4j 为例）

• Neo4j 图数据库核心概念
• Neo4j-CQL 核心语法与实践

提示词工程实现 GraphRAG

• GraphRAG 的技术逻辑
• GraphRAG 的提示词设计

Light RAG 技术体系与实战

• Light RAG 核心认知
• Light RAG 架构与实战案例

Light RAG 核心源码深度解析

• 索引阶段源码
• 检索阶段源码

---

三、AI大模型Agent智能体开发实战篇

1. 学习目标

• 掌握自主搭建智能体应用
• 掌握使用LlamaIndex构建强大的大规模索引和高效的查询工具
• 掌握LangGragh来搭建智能体和复杂的工作流

2. LangChain框架开发实战

LangChain 基础认知与快速上手

• 技术定位与生态价值
• 基础开发环境搭建

Prompt 工程与输出管控核心技术

• Prompt Templates 体系
  • 基础模板、少样本示例模板与格式化模板的设计原则
  • 动态 Prompt 构建与组合式提示的工程化实践
• 示例选择器与输出解析器
  • Example Selectors：动态选择高相关示例提升 Prompt 效果
  • Output Parsers：结构化输出（JSON/XML 等）的实现与异常处理

工具链（Tools）设计与集成

• 内置工具深度应用
  • 常用预制工具（如搜索引擎、计算器、代码解释器）的场景适配
  • 工具调用的权限控制与错误处理
• 自定义工具开发
  • 工具接口规范与本地能力封装
  • 多工具协同调用的流程编排

会话记忆（Memory）系统构建

• RunnableWithMessageHistory
• 工程化实践
  • 为 Chain 与 Agent 添加会话记忆
  • 多轮对话场景下的历史上下文管理

高级链（Chain）开发与 LLM 应用编排

• LCEL 表达式语言
  • LCEL 核心语法与 Runnable 接口的工程化价值
  • 链式调用的异步执行与错误重试机制
• 复杂场景编排
  • 多 Chain 的分支、并行与条件执行
  • LCEL 结合 Memory 实现动态上下文感知链路

LangChain v1.0版本详解

LangChain V1.0源码剖析详解

3. Agent 应用开发实战

Agent 技术核心认知

• Agent 的定义：具备自主决策、工具调用能力的智能体
• Agent 核心能力：记忆功能（上下文管理）、思考与规划（任务拆解）、工具协同
• Agent 技术栈与框架生态
  • 主流 Agent 框架（LangChain Agents、AutoGen 等）的场景适配
  • Agent 在企业级场景的落地价值（智能助理、自动化工作流等）

Function Calling 技术原理与实践

• Function Calling 核心认知
  • 技术本质：LLM 与外部能力的接口桥梁
  • 原理解析：从自然语言到函数参数的映射逻辑
• Function Calling 多场景实战
  • 国产大模型的 Function Calling 支持（如通义千问、文心一言）
  • 外部 API 调用：HTTP 接口的参数封装与响应解析
  • 数据库操作：SQL 生成与执行的安全管控
  • 多 Function 协同：复杂任务的函数链调用

Agent 决策模型与框架

• 经典决策框架解析
  • ReAct 架构：“思考 - 行动 - 观察” 的循环决策逻辑
  • Plan-and-Execute 架构：先拆解任务再分步执行的规划式决策
  • Self-Ask 架构：通过自问自答实现多跳推理
• 框架选型与适配场景
  • 不同决策框架的性能与适用场景对比
  • 框架自定义扩展：适配复杂业务逻辑

多 Agent 系统与主流框架

• 多 Agent 技术认知
  • 多 Agent 的定义：多个智能体的协作、竞争与分工
  • 多 Agent 的核心价值：解决单 Agent 能力边界问题
• 主流多 Agent 框架实战
  • AutoGen：智能体对话与任务协同
  • CrewAI：角色化多 Agent 的项目流程自动化
  • 多 Agent 的通信机制与权限管控
• Skills技能详解
  • 什么是skills技能
  • 什么时候使用？
  • skills文件的组成
  • Claude code工具
  • 在Claude code中使用skills
  • langchain中使用skills能力
  • 案例：具备skills技能的 SQL 助手

实战项目

• AutoGen实现多智能体驱动的代码流程开发系统
• CrewAI实现多智能体驱动的技术情报分析与内容发布系统

4. LangGraph框架深度学习

LangGraph 初识：定位与入门

• LangGraph 核心认知
  • 是什么：LangChain 生态下的有状态图计算框架（为 Agent 做流程编排）
  • 为什么用：解决链式调用的灵活性、状态管理、多 Agent 协作痛点
  • 本质：以 “状态” 为核心的图结构执行引擎
  • 与 LangChain 的区别：LangChain 做组件拼接，LangGraph 做有状态图编排
• 安装与快速使用

LangGraph 基础：概念与核心功能

• 核心概念
  • 状态：全流程统一数据载体
  • 节点/边/图：图计算的基础单元
• 核心功能
  • Send/Command：消息发送与指令控制
  • 人机交互/持久性/线程/存储：生产级工程能力
  • 中断/断点：流程暂停与恢复
  • 子图/可视化/流式处理：复杂流程的拆分与监控

LangGraph 实践：基础功能落地

• 核心能力实战
  • 图形 API / 细粒度控制 / 持久性 / 记忆
  • 人机交互 / 时间旅行 / 工具调用 / 状态管理
• 基础聊天机器人开发
  • 搭建基础机器人
  • 工具增强 / 添加内存 / 人机交互 / 自定义状态

LangGraph Agent 架构：多智能体设计

• Multi-agent 开发
  • Agent 通讯方式
  • 多智能体网络构建（工具定义 / 图节点设计）
  • 监督器与分层 Agent Teams
• 主流 Agent 架构
  • Plan-and-Execute/LLMCompiler
  • 反思类（Reflexion）/ 思维链类（Tree of Thoughts）
  • 自发现 Agent（Self-Discover）

LangGraph平台

• 平台介绍
• 部署LangGragh项目

5. 可视化AI开发框架（扣子/Coze）

扣子概述

• 什么是扣子
• 为什么使用扣子
• 注册扣子

扣子的功能

• 工作流
  • 什么是工作流
  • 工作流和对话流的区别
  • 工作流的使用限制
  • 如何使用工作流
  • 工作流节点
• 插件
  • 什么是插件
  • 创建自己的插件
• 知识库
  • 知识库概述
  • 知识库分类和使用
    • 文本知识库
    • 表格知识库
    • 图片知识库
  • 知识库分段
  • Scraper
• 提示词
  • 设置提示词
  • 编写提示词
  • 调试提示词
• 数据库
  • 创建数据库
  • 使用数据库
  • 管理数据库
• 音色

6. MCP模型上下文协议

什么是MCP？

• MCP原理
• MCP组成元素
  • 主机Host
  • 客户端Client
  • 服务端Server
• MCP和Function Call对比
• MCP应用场景
• MCP的技术优势和行业价值

MCP使用

• MCP应用的方式
• 常用的MCP工具
  • cursor
  • cherry studio
  • cline
• FastAPI

MCP实战教学

---

四、AI大模型私有化微调进阶篇

1. 学习目标

• 掌握大语言模型本地私有化部署
• 掌握如何进行大模型微调
• 掌握根据特定任务进行垂直领域的微调
• 掌握多模态模型图像视频的识别

2. 开源语言模型

国外开源模型介绍

• LLaMA系列模型私有化部署
• Hugging Face平台解析
• vLLM加速原理解释
• OpenLLM应用实践
• Ollama架构解析

国内开源模型介绍

• ChatGLM模型解析
• Qwen大模型解析
• DeepSeek V3/R1生态

开源模型的评估

• 开源软件质量评估
• 开源项目应用适配角度评估
• 开源模型生态的评估

开源模型应用场景与局限性

• 医疗行业的大模型分析
• 金融行业的大模型分析
• 教育行业的大模型分析
• 法律行业的大模型分析
• 其他行业的大模型分析

实战案例：ChatGLM大模型在Ollama上的本地部署

3. 大模型微调

模型微调的概念

• 何为微调？为何微调
• 微调和 RAG 的关系
• 微调的技术要点与主流框架

选择合适的基座模型

• 任务需求
• 模型性能
• 计算资源
• 数据规模与质量
• 可解释性与透明度
• 社区支持与生态

数据收集和清洗

• 数据清洗
• 数据增强
• 数据去重
• 合成数据⽣成

微调框架的选择

• PyTorch框架
• HuggingFace Transformers工具
• unsloth 框架

unsloth 框架介绍

• unsloth 的⽣态优势
• unsloth 的开箱可⽤与⾼度可定制化

实战案例：使⽤ unsloth 微调 Llama-3

4. PEFT参数高效微调

PEFT 主流技术介绍

• Adapter Tuning
• Prompt Tuning
• Prefix Tuning

LoRA 低秩适配微调

• 算法原理解析
• 性能效果分析

LoRA 的改进与扩展

• AdaLoRA ⾃适应权重矩阵微调算法解析
• QLoRA 量化低秩适配微调算法解析
• LongLoRA 微调算法解析

微调大模型进行性能&能力评估

• 大模型评估框架
• 评估内容和标准
• 评估的目标
• 评估框架工具解析

实战案例：使⽤ unsloth 实现 LoRA 微调

5. 大模型量化实现

模型显存占⽤与量化技术简介

• 微调中GPU算力测算算法
• GPU芯片性能分析
• 模型运行算力要求

Transformers 原生支持的大模型量化算法

• PTQ
• QAT

AWQ：激活感知权重量化算法

GPTQ：转为GPT设计的模型量化算法

模型量化对比实例

实战案例：基于 unsloth 的量化演示

• 内存优化效果演示
  • 加快推理速度效果演示
• 降低计算资源效果演示
• 保持模型性能效果演示

6. 多模态模型

多模态的最新进展

• 为什么需要多模态？通往 AGI 的必经之路
• 国内外多模态⼤模型进展概览

⼤模型与计算机视觉

• 计算机视觉中的图像表示
• 常⽤视频处理⽅法
• Transformers 在计算机视觉中的应⽤

图像⽣成技术概述

• GANs ⽣成对抗⽹络及其变种
• 基于 Diffusion 扩散模型的多模态模型
• 图像⽣成技术涉及的隐私和法律问题

多模态模型的微调

• 迁移学习
• 零样本学习

多模态模型的优化

• 剪枝
• 量化
• 蒸馏
• 压缩

多模态模型的部署

• 选择模型打包格式
• 云侧或端侧部署的优劣
• 硬件加速⽅案
• 其它最佳实践

实战案例

• 实战案例1：基于 BLIP 的图⽣⽂
• 实战案例2：基于 Stable Diffusion 的⽂⽣图

---

五、AI大模型项目实战篇

1. 学习目标

• 掌握大模型在特定场景下的微调实战
• 掌握基于大模型的智能应用开发
• 大部分项目都是企业数据脱敏之后的真实项目

2. RAG知识库智能AI系统

• 项目简介：本项目是一个基于大语言模型（LLM）与向量检索技术构建的智能知识问答系统，采用典型的 RAG（Retrieval-Augmented Generation，检索增强生成）架构，实现了企业文档的语义理解、向量化存储与上下文增强问答能力。
• 技术特点：
  • 文档智能解析能力
  • 语义级知识检索能力
  • 私有化知识库构建能力
  • 上下文增强生成能力
  • 本地持久化向量存储能力

3. 高阶工程化 RAG 系统

• 项目简介：本项目是一个面向复杂企业文档场景构建的高阶 RAG（Retrieval-Augmented Generation，检索增强生成）智能问答系统
• 技术特点：
  • MinerU 高质量 PDF 解析
  • Markdown 结构化处理
  • 表格感知切分
  • 混合检索（BM25 + Vector）
  • Chroma 向量数据库
  • LangChain Runnable 架构
  • 大模型上下文增强生成
  • 实现了针对企业年报、财务报告、招股书等复杂长文档的智能语义检索与精准问答能力。

4. 多智能体驱动的代码流程开发系统

• 项目介绍：本项目是一个基于 AutoGen 框架构建的多智能体协同开发系统（Multi-Agent Collaboration System），通过模拟真实软件研发团队中的产品经理、开发工程师、代码审查员、测试工程师等角色，实现大模型驱动下的自动化任务协同、代码生成、代码审查与测试验证流程。
• 技术特点：
  • Agent 协同
  • 自动化开发
  • AI Workflow
  • 自主软件工程
  • AI Team Simulation

5. 企业级 AI Agent Platform

• 项目介绍：本项目是一个基于大语言模型（LLM）、LangGraph 与 MCP（Model Context Protocol）构建的企业级 AI Agent 平台，采用微服务架构实现多智能体协同、知识库问答、工作流编排与长期记忆管理能力。
• 技术特点：
  • 基于 LangGraph 构建多节点 Agent Workflow，实现：
    • 意图识别
    • Agent 路由
    • 状态流转
    • 工作流调度
    • 长短期记忆管理
  • 系统支持：
    • Knowledge Agent
    • Writing Agent
    • Chat Agent
    • Review Agent

6. 大型制造企业知识库平台

• 项目简介：这是一个面向企业内部的智能知识管理系统，旨在解决企业知识碎片化、查找效率低、经验难以传承等问题。通过将企业内部文档、规章制度、产品手册、技术方案、FAQ等各类知识进行结构化沉淀，并结合大语言模型（LLM）和智能检索技术，实现知识的智能查询、自动问答和持续更新。
• 技术特点：
  • 采用RAG（Retrieval-Augmented Generation）作为整体架构，通过检索增强生成有效解决大模型幻觉问题
  • 知识摄入支持PDF、Word、Excel、图片OCR等多种格式文档的智能解析、语义分块和向量化处理
  • 构建向量数据库（Milvus/Qdrant）+关系型数据库的混合存储，并结合知识图谱（实体识别与关系抽取）
  • 检索层使用向量相似度+BM25关键词+重排序模型的混合检索策略，支持多轮对话和查询改写
  • 生成层集成通义千问、DeepSeek、GPT等大语言模型，通过Prompt工程和上下文注入实现精准回答与溯源引用
  • 企业级特性包括RBAC权限控制、文档增量更新、用户反馈优化闭环及私有化部署保障数据安全

7. 某零售企业销冠智能体Agent

• 项目简介：销冠智能体是一个面向销售场景的AI智能体实战项目，旨在通过大语言模型和智能体技术打造"AI销冠"，帮助企业提升销售效率、线索转化率和成交能力。该智能体可模拟顶尖销售人员的行为，自动进行客户沟通、需求挖掘、异议处理、产品推荐和成交推动，实现销售流程的智能化和自动化。
• 技术特点：
  • 采用ReAct / Multi-Agent架构构建，支持自主规划和工具调用
  • 集成企业知识库作为长期记忆（产品、话术、客户案例）
  • 支持微信、电话、飞书等多渠道智能对话接入
  • 基于大语言模型（通义千问/DeepSeek/GPT）生成高情商销售话术和异议处理
  • 构建工具调用系统（CRM查询、报价生成、日程安排等）
  • 实现短期+长期记忆管理，支持客户全生命周期跟进
  • 结合RAG确保销售内容专业准确，并支持销售流程编排
  • 包含对话审计、合规控制和多Agent协同能力

8. 头部视频平台大模型智能监控和预警系统

• 项目简介：该项目利用大模型的能力，帮助某视频平台优化大数据作业流程，实现自动检测、诊断和修复数据管道中的问题，显著减少作业停机时间。发挥 LLM 推理能力，通过理解日志数据、识别故障模式，从而给出建议或实施修复，提高运营效率和可靠性。
• 技术特点：本地大模型、微调、工作流

9. 医疗健康行业AI私人家庭医生项目

• 项目简介：很多疾病受遗传和家庭饮食生活等习惯非常大的影响，AI私人家庭医生利用大模型技术为每个家庭成员打造每个成员的建康数据管理及私人陪伴医生。永久记忆全部历史诊疗及医学检查报告等，实现专业解读、跟踪、风险评估、建议随访和答疑解惑等专业医疗服务。
• 技术特点：行业模型微调、RAG、MCP

10. VIP定制分享课程

栏目定位

• 为VIP学员提供高度定制化、紧跟前沿的技术与业务洞察服务。根据学员所在企业实际需求或当前最新技术动态，进行深度分析与解读，帮助学员快速抓住机会、规避风险、提升决策能力。
• 栏目核心价值
  • 贴合学员真实业务痛点
  • 快速解读新兴技术与趋势
  • 提供可落地的建议与方案

栏目更新机制

• 每月1-2期（可根据需求灵活调整）
• 两种触发方式：学员主动需求 + 团队主动发现前沿技术
• 每次分析前与学员确认主题，确保匹配度

内容选题

• 企业实际需求（如销售智能化、知识管理升级、AI落地等）
• 最新技术动态与工具（新模型、框架、应用趋势）
• 行业热点与政策变化

单篇分析内容框架

• 主题背景与核心要点
• 技术/方案原理简析
• 当前发展现状与成熟度评估
• 对企业的价值与潜在影响
• 落地可行性分析（成本、难度、风险）

特色模块

• 学员专属定制：针对某学员企业具体场景的专项分析
• 技术雷达：快速扫描近期的10大值得关注的技术点
• 落地复盘：已落地项目的效果追踪与优化建议

---

六、AI大模型工具实战篇

学习目标

• 掌握使用Dify本地部署实现可视化和私有化的智能体应用（低代码）

实战内容

• 使用大模型生成简历并分析，写网络爆款文案
• 使用大模型去辅导学生学习
• 使用大模型去写短片脚本
• AI大模型进行视频创作
• 大模型进行AI画图
• 通过图片生成文字描述
• 网络视频的分析描述

---

七、2026新增：AI自动化-OpenClaw 实战篇

章节内容

• 核心概念与定位
• 环境部署与基础配置
• 核心功能教学
  • Skills 技能系统
  • 本地系统操作
  • 浏览器自动化
  • 多 Agent 管理
  • 安全合规与避坑指南
• 项目实战：构建教学 AI 助手
• 项目实战：Excel / 数据报表自动化
• 项目实战：竞品监控与内容自动发布
• 项目实战：智能客服与私域运营
• 项目持续更新中…

---

八、Harness Engineering:入门到精通实战

课程导论

• AI 工程未来趋势
• 企业级 AI 落地真正难点
• AI Harness 与传统软件工程区别
• Prompt Engineering 的局限
• Workflow 的边界
• Agent 为什么容易失控

AI 工程范式演进

• AI 工程的三次跃迁
  • Prompt Engineering
  • Context Engineering
  • Harness Engineering
• Agent 失败模式
• Harness 核心组件
  • 上下文工程（Context Engineering）——新员工手册
  • Agent 专业化（Agent Specialization）
  • 持久化记忆（Persistent Memory）
  • 结构化执行（Structured Execution）
  • 反馈循环（Feedback Loop）——智能体审智能体
  • 熵管理（Entropy Management）——垃圾回收

Harness业界最佳实战案例

• OpenAI：百万行代码的零手写实验
• Anthropic：16 个 Agent 构建 C 编译器
• Anthropic：长时间运行 Agent 的有效 Harness
• Stripe：千级 PR 的 Minions 系统

Harness 行业应用落地准则

Harness 项目开发过程

信息层-让 Agent “看懂项目”

• AGENTS.md 设计
  • 项目规则描述
  • Agent 行为规范
• docs 结构化知识库
  • 文档组织
  • 项目知识注入
• 设计文档模板

约束层 -让 Agent “不能犯错”

• 分层依赖检查
  • 模块边界限制
  • 依赖治理

自动化层 -让 Agent “自我验证、自我修复”

• 自动化清理 Agent
• Git Worktree 自动化
• 可观测性接入
• 自我反馈系统

实战案例

• 从零搭建 Harness 环境

---

九、JAVA+AI大模型智能应用开发篇

1. Java大模型开发框架Spring AI Alibaba实战

Spring AI Alibaba的介绍

• 为什么要学习Spring AI Alibaba?
• 课程目标：掌握基于Spring生态的AI应用开发，覆盖大模型集成、RAG、Tool Calling、MCP协议、智能体等核心场景。
• 课程特点：基于Spring生态的AI大模型应用开发，包教包会
• 课程需要的基础：掌握SpringBoot的基础使用
• 课程代码地址

Spring AI Alibaba基础入门

• 大模型是如何工作的？
  • 大模型的问答工作流程
• 通义千问模型参数调优
  • temperature：温度值越高，模型生成的内容就越丰富多样。
  • top_p：top_p值越高，大模型的输出结果随机性越高。
  • 是否需要同时调整temperature和top_p？
  • 知识延展：top_k
  • 使用示例

环境搭建与快速入门

• 版本选型（JDK17、SpringBoot 3.4.0、Spring AI 1.0.0-M6、Spring AI Alibaba 1.0.0-M6.1）
• 大模型选型
  • 本地部署：Ollama+通义模型（Qwen）/DeepSeek
  • 云端大模型
    • 阿里云百炼平台：支持通义系列和DeepSeek等大模型
    • 硅基流动平台：也支持通义系列和DeepSeek等大模型，注册即送 2000 万 Tokens
• 接入大模型的方式
  • Ollama
  • DashScope
  • 类Open AI API
• 实验：利用spring ai alibaba通过三种方式调用deepseek
• 实验：实现你的第一个AI应用聊天机器人

核心组件深度解析

• ChatClient
  • 作用、适用场景、详细使用
  • 如何返回实体类型？
  • 如何定制ChatClient？
    • 设置消息角色（user/system/assistant）
    • 多轮对话记忆管理
      • 如何让大模型具有对话记忆呢？（Advisor、Memory）
      • 实验：基于内存存储历史对话
      • 实验：基于Redis存储历史对话
• 对话模型 Chat Model
  • Chat Model、Image Model、Audio Model（文本生成语音、语音转文本）
• 提示词工程
  • Message、Prompt
  • 动态模板（PromptTemplate）
  • 实验：提示词动态注入
• 结构化输出(Structured Output)
  • 需求：文本转特定格式，比如Json、Java对象
  • ChatClient、ChatModel

Spring AI Alibaba进阶实战

• 检索增强生成（RAG）
  • 是什么（让大模型能够回答私域知识）
  • 工作原理（建立索引阶段、检索与生成阶段）
  • 实现 RAG示例
  • RAG+阿里云百炼实战（本地集成百炼智能体应用、本地RAG应用集成百炼知识库）
• 工具(Function Calling/ Tool Calling)
  • 是什么、应用场景、技术思路、和RAG的区别
  • 实验1：Function Calling获取天气信息
  • 实验2：智能客服根据商品ID获取商品详情
• 模型上下文协议（Model Context Protocol）
  • 什么是MCP协议（Spring AI MCP、和Function Calling的区别）
  • MCP开发实战（通过MCP实现天气调用）
  • 借助serverless将MCP Server服务部署到云端

电商智能客服项目实战

• 课程目标：掌握电商场景下的智能对话、订单操作、智能导购等核心能力开发
• 项目背景
• 开发环境
• 接入阿里云百炼模型实现智能客服对话能力
• 使用Memory实现智能客服多轮对话记忆能力
• 实现智能客服的订单管理能力，比如查询订单，取消订单
  • 使用Trae 生成电商订单服务代码
  • 使用RAG接入电商客服知识库，比如订单取消规则
  • 使用Function Calling实现订单相关业务的调用
  • 使用MCP调用订单服务查询订单详情
• 实现智能客服的商品导购能力

2. Agent智能体入门到项目实战

Spring AI Alibaba Agent实战

• Spring AI（Tool、记忆、结构化输出、MCP、RAG）
• Spring Ai Alibaba Graph（状态、节点、边基本概念介绍、Workflow工作流编排、定义自己的Node、动态编排）
• ReactAgent（Tool、记忆、结构化输出、RAG 架构）
• Hooks 和 Interceptors（内置实现、自定义 Hooks 和 Interceptors、RAG 架构）
• Skills 技能（在 Agent 中使用 Skills、在 Graph 中使用 Skills、最佳实践与性能建议）
• 人工介入（Human-in-the-Loop）（中断决策类型、Workflow 中嵌套 Agent 的人工中断、最佳实践）
• 多智能体（Multi-agent）（顺序执行、并行执行、路由、监督者、自定义、混合模式示例）
• A2A（基于 Nacos 的 A2A Registry）

AgentScope-Java（更新中）

Embabel-Agent（更新中）

项目实战

• 手撸简版Manus（完成浏览器技能、完成编写代码技能）
• 不同行业10+workflowAgent智能体开发
  • 金融行业 - 对公信贷智能尽调与风险审批 Agent
  • 制造行业 - 产线设备预测性维护与故障根因诊断 Agent
  • 零售/电商行业 - 全渠道用户生命周期智能运营 Agent
  • 能源行业 - 新能源电站/电网智能巡检与安全管控 Agent
  • 物流行业 - 干线运输智能调度与异常全闭环处理 Agent
  • 法务行业 - 合同全生命周期智能管理 Agent
  • HR 行业 - 招聘全流程自动化与人才智能匹配 Agent
  • 医药行业 - 临床试验智能管理与合规上报 Agent
  • 政务行业 - 企业开办与民生事项智能导办审批 Agent
  • 房地产行业 - 案场客户全周期跟进与转化 Agent

3. Java大模型开发框架LangChain4J实战

• 接入deepseek
• 接入百炼
• 接入Ollama
• 文生图
• 文生语音
• 整合springboot
• 流式输出
• 记忆对话
  • 多轮对话
  • ChatMemory记忆对话
  • 对话隔离@MemoryId
  • 对话记忆持久化
• 角色预设（@SystemMessage、@V）
• tools
• RAG
  • 什么是向量
  • 向量文本化
  • 向量检索
  • 知识库RAG实战演练
    • 文件读取解析
    • 分词器
    • 文本向量化
    • 检索增强
    • 整合springboot
• Agent（多模型chain式请求）
• MCP（如何接入MCP Server）

4. Java+AI大模型实战项目

智能助手客服

• 完整架构图
  • 为应用接入 AI 模型服务
  • 使用 RAG 增加机票退改签规则
  • 使用 Function Calling 执行业务动作
  • 使用 Chat Memory 增加多轮对话能力
  • 实现自定义MCP Server
  • 接入三方MCP Server为智能助手赋能

本地知识库

• 通过Ollma+AnythingLLM快速搭建本地知识库
• 通过springai构建知识库服务
  • 为应用接入 AI 模型服务
  • 使用redis作为向量数据库
    • 分割word、html…文本数据
    • 写入向量数据
    • 查询相似数据

电商智能客服项目实战

• 课程目标：掌握电商场景下的智能对话、订单操作、智能导购等核心能力开发
• 项目背景
• 开发环境
• 接入阿里云百炼模型实现智能客服对话能力
• 使用Memory实现智能客服多轮对话记忆能力
• 实现智能客服的订单管理能力，比如查询订单，取消订单
  • 使用Trae 生成电商订单服务代码
  • 使用RAG接入电商客服知识库，比如订单取消规则
  • 使用Function Calling实现订单相关业务的调用
  • 使用MCP调用订单服务查询订单详情
• 实现智能客服的商品导购能力

---

十、AI人工智能算法篇（录播赠送）

机器学习系列

• 人工智能概述
• 线性回归算法1、2、3
• K-MEANS算法
• 特征降维
• 朴素贝叶斯
• 集成算法
• 逻辑回归算法
• 乳腺癌分类实战
• 支持向量机
• SVM手写数字识别
• 随机森林
• KNN算法
• 纪录片摇放星预测
• 数据降维
• HOG+SVM行人检测
• 决策树
• 洛杉矶房价预测实战
• 聚类算法

深度学习系列

• CNN卷积神经网络
• PyTorch深度学习框架
• NLP基础和算法模型
• 深度学习
• 线性回归
• 二分类
• 多分类
• 迁移学习
• 水果识别
• 车辆分类
• 多目标分类
• 相似图像搜索
• 目标检测

---

十一、服务特色

贴心管家

• 学习计划制定
• 学员档案管理
• 定期回访
• 专属答疑
• 专属学员交流社群
• 定期学员活动
• 班主任督学
• 上课提醒
• 规范化课程安排
• 课程定期更新
• 工作答疑
• 重修权限
• 技术资料整合

面试指导

• 未来职业规划
• 面试指导
• 简历优化
• 内推机会
• 1对1面试模拟