从0到1学习AI开发：涵盖RAG,embedding,rerank等技术，助力行业落地

课程概览：

这套课程从零开始，带你系统掌握AI开发的核心技术。内容覆盖了RAG（检索增强生成）、Embedding（嵌入）、Rerank（重排序）等关键技术，并结合大量实战案例，帮助你快速将这些技术应用到实际业务中。课程以视频和资料相结合的方式展开，既有理论讲解，也有代码实操，非常适合希望深入行业落地的学习者。

RAG技术详解与实战：

课程从最基础的RAG技术原理讲起，通过RAGFlow项目让你亲手操作，理解检索与生成的结合方式。随后逐步深入，学习高级RAG技巧，比如层次索引、句子窗口、子查询和HyDE（假设文档嵌入）等方法，这些都能有效提升检索质量。你还会接触到模块化RAG，掌握顺序模式、条件模式和分支模式，让RAG系统更加灵活可控。课程最后专门分享了RAG行业落地的实践经验、心得和常见业务场景，帮助你避开坑点。

Embedding与Rerank技术：

这部分内容从Embedding的原理出发，详细讲解了word2vec和CBOW（连续词袋模型）等经典方法。接着，你会学习如何使用LlamaIndex对Embedding模型进行微调，并掌握评估模型效果的方法，比如MRR（平均倒数排名）评测和MTEB（多任务嵌入基准）评测。Rerank技术同样重要，课程区分了交叉编码与双编码两种模式，并带你实践RankGPT等重排序模型的微调，让最终检索结果更精准。

向量数据库与相似性搜索：

课程系统介绍了向量数据库的核心概念，包括欧式距离、余弦相似度等相似性测量方式。你会学习到k-means聚类、肘部法则等经典相似性搜索算法，以及更高效的近似邻近算法，如PQ量化、HNSW和LSH。在选型方面，课程对比了专用向量数据库和传统数据库对向量功能的支持，并通过Chroma和Qdrant的实际代码示例，让你快速上手操作。

大模型微调与部署：

从环境准备开始，课程一步步引导你使用llama-factory进行大模型微调。你会学习到SFT（监督微调）、继续预训练以及偏好优化等数据集准备方法，并实际操作LoRA和QLoRA微调。模型评估部分涵盖了批量推理和自动评估benchmark，最后讲解模型合并、导出与量化，以及本地部署的完整流程，让微调后的模型真正可用。

Agent原理与多Agent架构：

课程首先介绍Agent的基本原理，包括规划（planning）、记忆（memory）和工具使用。接着深入提示词工程，涵盖软提示词、fewshot（少样本学习）和思维链（CoT）等技巧。你会学习到多种Agent设计模式，如Fewshot、ReAct、Reflexion、LAT以及REWOO等。此外，课程还对比了国内外主流Agent平台，并带你用Coze搭建智能客服。在多Agent方面，Langgraph的多Agent协作架构和CrewAI的项目实战，让你理解如何让多个Agent协同工作。

Langchain与Langgraph项目实战：

课程包含Langchain项目的原理与实战讲解，帮助你理解这一框架的核心设计。同时，Langgraph项目也进行了详细拆解，让你掌握如何构建有状态的Agent工作流。AutoGen项目同样被重点介绍，从原理到代码执行和工具使用，让你能够快速搭建自己的多Agent系统。

AI基础与开发环境：

课程从人工智能的迭代路径、大模型进化树和技术分类讲起，帮助你建立宏观认知。同时，介绍了柏拉图表征假说和Scaling Law（规模定律）等关键理论。开发环境部分，手把手教你配置Python、Conda和VSCode，确保后续学习顺利进行。整套课程内容层层递进，既有理论深度，又有实践广度，是你从0到1掌握AI开发的不错选择。