大模型能力强大，却受限于静态知识库，还容易“一本正经地胡说八道”。RAG（检索增强生成）正是破局关键！本文深入浅出讲解 RAG 的核心原理——通过实时检索外部知识库，为生成模型注入最新、最准的上下文信息，显著提升回答的准确性、专业性与可解释性。

带你从零搭建本地 RAG 系统：使用 PyPDF2 解析 PDF、DashScope 嵌入模型向量化、Faiss 构建高效检索库，并通过 LangChain 调用 DeepSeek 大模型实现智能问答。全流程覆盖数据预处理、索引构建到问答生成，附关键技术细节与工程实践建议。

无论你是开发者、AI 爱好者，还是企业技术决策者，这篇干货都能帮你快速掌握 RAG 落地的核心能力！

一、RAG简介

1.什么是RAG？

RAG（Retrieval-Augmented Generation）：

检索增强生成，是一种结合信息检索（Retrieval）和文本生成（Generation）的技术。

RAG技术通过实时检索相关文档或信息，并将其作为上下文输入到生成模型中，从而提高生成结果的时效性和准确性。

2.RAG的优势是什么？

  • 解决知识时效性问题

大模型的训练数据通常是静态的，无法涵盖最新信息，而RAG可以检索外部知识库实时更新信息。

  • 减少模型幻觉

    通过引入外部知识，RAG能够减少模型生成虚假或不准确内容的可能性。

  • 提升专业领域回答质量

    RAG能够结合垂直领域的专业知识库，生成更具专业深度的回答。

  • 生成内容的溯源（可解释性）

3.RAG 的核心原理与流程

步骤1：数据预处理，构建索引库

  • 知识库构建：

    收集并整理文档、网页、数据库等多源数据，构建外部知识库。

  • 文档分块：

将文档切分为适当大小的片段（chunks），以便后续检索。分块策略需要在语义完整性与检索效率之间取得平衡。

  • 向量化处理

    使用嵌入模型（如BGE、M3E、ChineseAlpaca2等）将文本块转换为向量，并存储在向量数据库中

步骤2：检索阶段

  • 查询处理

    将用户输入的问题转换为向量，并在向量数据库中进行相似度检索，找到最相关的文本片段。

  • 重排序

    对检索结果进行相关性排序，选择最相关的片段作为生成阶段的输入。

步骤3：检索阶段

  • 上下文组装

    将用户输入的问题转换为向量，并在向量数据库中进行相似度检索，找到最相关的文本片段。

  • 生成回答

对检索结果进行相关性排序，选择最相关的片段作为生成阶段的输入。

划重点：RAG本质上就是重构了一个新的 Prompt！

4.NativeRAG

NativeRAG的步骤：

  • Indexing

    如何更好地把知识存起来。

  • Retrieval

    如何在大量的知识中，找到一小部分有用的，给到模型参考。

  • Generation

    如何结合用户的提问和检索到的知识，让模型生成有用的答案。

上面三个步骤虽然看似简单，但在 RAG 应用从构建到落地实施的整个过程中，涉及较多复杂的工作内容！

5.Prompt vs RAG vs Fine-tuning 什么时候使用？

二、Embedding模型选择

1.通用文本嵌入模型

BGE-M3(智源研究院)

特点：支持100+语言，输入长度达8192tokens，融合密集、稀疏、多向量混合检索，适合跨语言长文档检索。

适用场景：跨语言长文档检索、高精度RAG应用。

文件大小：2.3G

text-embedding-3-large（OpenAI）

特点：向量维度3072维，长文本语义捕捉能力强，英文表现优秀。

适用场景：英文内容优先的全球化应用。

jina-embedding-v2-small（Jina AI）

特点：参数量仅35M，支持实时推理（RT<50ms），适合轻量化部署。

适用场景：轻量级文本处理、实时推理任务。

2.中文嵌入模型

M3E-Base

特点：针对中文优化的轻量模型，适合本地化部署。

适用场景：中文法律、医疗领域检索任务。

文件大小：0.4G

xiaobu-embedding-v2

特点：针对中文语义优化，语义理解能力强。

适用场景：中文文本分类、语义检索。

stella-mrl-large-zh-v3.5-1792

特点：处理大规模中文数据能力强，捕捉细微语义关系。

适用场景：中文文本高级语义分析、自然语言处理任务。

3.指令驱动与复杂任务模型

gte-Qwen2-7B-instruct（阿里巴巴）

特点：基于Qwen大模型微调，支持代码与文本跨模态检索。

适用场景：复杂指令驱动任务、智能问答系统。

E5-mistral-7B（Microsoft）

特点：基于Microsoft架构，Zero-shot任务表现优异。

适用场景：动态调整语义密度的复杂系统。

4.企业级与复杂系统

BGE-M3（智源研究院）

特点：适合企业级部署，支持混合检索。

适用场景：企业级语义检索、复杂RAG应用。

E5-mistral-7B（Microsoft）

特点：适合企业级部署，支持指令微调。

适用场景：需要动态调整语义密度的复杂系统。

5.CASE-BGE-M3使用

模型下载

from FlagEmbedding import BGEM3FlagModel
model = BGEM3FlagModel('/root/models/BAAI/bge-m3',
use_fp16=True)

示例代码

from FlagEmbedding import BGEM3FlagModel
model = BGEM3FlagModel('/root/models/BAAI/bge-m3',
use_fp16=True)
sentences_1 = ["什么是 BGE M3？", "BM25 的定义"]
sentences_2 = ["BGE M3 是一种嵌入模型，支持稠密检索、词汇匹配和多向量交互。",
"BM25 是一种基于词袋的检索函数，根据查询词在每个文档中出现的情况对文档集合进行排序。"]
embeddings_1 = model.encode(sentences_1,
batch_size=12,
max_length=8192,  # 如果不需要这么长的长度，可以设置一个较小的值以加快编码速度。
)['dense_vecs']
embeddings_2 = model.encode(sentences_2)['dense_vecs']
similarity = embeddings_1 @ embeddings_2.T
print(similarity)
# [[0.6265, 0.3477], [0.3499, 0.678 ]]

代码解释

  • similarity = embeddings_1 @ embeddings_2.T

计算两组嵌入向量（embeddings）之间的相似度矩阵。

embeddings_1包含了第一组句子(sentences_1)的嵌入向量，形状为[sentences_1的数量，嵌入维度]

embeddings_2包含了第二组句子(sentences_2)的嵌入向量，形状为[sentences_2的数量，嵌入维度]

embeddings_2.T是对embeddings_2进行转置操作，形态变为[嵌入维度，sentences_2的数量]

  • @符号在Python中表示矩阵乘法运算

通过矩阵乘法计算了两组句子之间的余弦相似度矩阵。结果similarity形状是[sentences_1的数量，sentences_2的数量]

6.gte-qwen2使用

模型下载

from sentence_transformers import SentenceTransformer
model_dir = "/root/models/iic/gte_Qwen2-1___5B-instruct"
model = SentenceTransformer(model_dir, trust_remote_code=True)

示例代码

from sentence_transformers import SentenceTransformer
model_dir = "/root/models/iic/gte_Qwen2-1___5B-instruct"
model = SentenceTransformer(model_dir, trust_remote_code=True)
model.max_seq_length = 8192
queries = [    "女性每天应该摄入多少蛋白质？",    "“summit”的定义是什么？",]
documents = [    "根据一般指南，美国疾控中心（CDC）建议19至70岁女性每日平均蛋白质摄入量为46克。但如下面图表所示，如果你正在备孕或备战马拉松，就需要增加摄入量。请查看下方图表，了解你每天应摄入多少蛋白质。",    "“summit”对英语学习者的定义：1. 山的最高点；山顶。2. 最高水平。3. 两个或多个国家领导人之间的会议或系列会议。",]
document_embeddings = model.encode(documents)
print(scores.tolist())

三、RAG实战

基于LangChain，采用DeepSeek+Faiss快速搭建本地知识库检索。

3.1 环境准备

1）本地安装好Conda环境

2）推荐使用阿里大模型平台百炼：

https://bailian.console.aliyun.com/

3）百炼平台使用：注册登录、申请api key。

3.2 技术选型

  • 向量数据库：Faiss作为高效的向量检索

  • 嵌入模型：阿里云DashScope的text-embedding-v1

  • 大语言模型：deepseek-v3

  • 文档处理：PyPDF2用于PDF文本提取

3.3 程序逻辑结构介绍

步骤1:文档预处理

PDF文件->文本提取->文本分割-页码映射；

1)PDF文本提取

  • 逐页提取文本内容
  • 记录每行文本对应的页码信息
  • 处理空页和异常情况

2）文本分割策略

  • 使用递归字符分割器
  • 分割参数：chunk_size=1000,chunk_overlap=200
  • 分割优先级：段落->句子->空格->字符

3）页面映射处理

  • 基于字符位置计算每个文本块的页面
  • 使用众数统计确定文本块的主要来源页码
  • 建立文本块与页码的映射关系

步骤2:知识库构建

文本块->嵌入向量->Faiss索引->本地持久化

1）向量数据库构建

  • 使用DashScope嵌入模型生成向量
  • 将向量存储到Faiss索引结构

2）数据持久化

  • 保存Faiss索引文件（.faiss）
  • 保存元数据信息（.pkl）
  • 保存页码映射关系（page_info.pkl）

步骤3:问答查询

用户问题->向量检索->文档组合->LLM生成->答案输出

1）相似度检索

  • 将用户问题转换为向量
  • 在Faiss中搜索最相似的文档块，返回Top-K相关文档

2）问答链处理

  • 使用LangChain的load_qa_chain
  • 采用stuff策略组合文档
  • 将组合后的上下文和问题发送给LLM

3）答案生成与展示

3.4代码实例

安装依赖的包

!pip install pypdf2
!pip install dashscope
!pip install langchain
!pip install langchain-openai
!pip install langchain-community
!pip install faiss-cpu

导入依赖的包

from PyPDF2 import PdfReader
from langchain.chains.question_answering import load_qa_chain
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.embeddings import DashScopeEmbeddings
from langchain_community.vectorstores import FAISS
from typing import List, Tuple
import os
import pickle

从PDF中提取文本并记录每个字符对应的页码

def extract_text_with_page_numbers(pdf) -> Tuple[str, List[Tuple[str, int]]]:
"""
从PDF中提取文本并记录每个字符对应的页码
参数:
pdf: PDF文件对象
返回:
text: 提取的文本内容
char_page_mapping: 每个字符对应的页码列表
"""
text = ""
char_page_mapping = []
for page_number, page in enumerate(pdf.pages, start=1):
extracted_text = page.extract_text()
if extracted_text:
text += extracted_text
# 为当前页面的每个字符记录页码
char_page_mapping.extend([page_number] * len(extracted_text))
else:
print(f"No text found on page {page_number}.")
return text, char_page_mapping

处理文本并创建向量存储

def process_text_with_splitter(text: str, char_page_mapping: List[int], save_path: str = None) -> FAISS:
"""
处理文本并创建向量存储
参数:
text: 提取的文本内容
char_page_mapping: 每个字符对应的页码列表
save_path: 可选，保存向量数据库的路径
返回:
knowledgeBase: 基于FAISS的向量存储对象
"""
# 创建文本分割器，用于将长文本分割成小块
text_splitter = RecursiveCharacterTextSplitter(
separators=["\n\n", "\n", ".", " ", ""],
chunk_size=1000,
chunk_overlap=200,
length_function=len,
)
# 分割文本
chunks = text_splitter.split_text(text)
print(f"文本被分割成 {len(chunks)} 个块。")
# 创建嵌入模型
embeddings = DashScopeEmbeddings(
model="text-embedding-v1",
dashscope_api_key=DASHSCOPE_API_KEY,
)
# 从文本块创建知识库
knowledgeBase = FAISS.from_texts(chunks, embeddings)
print("已从文本块创建知识库。")
# 为每个文本块找到对应的页码信息
page_info = {}
current_pos = 0
for chunk in chunks:
chunk_start = current_pos
chunk_end = current_pos + len(chunk)
# 找到这个文本块中字符对应的页码
chunk_pages = char_page_mapping[chunk_start:chunk_end]
# 取页码的众数（出现最多的页码）作为该块的页码
if chunk_pages:
# 统计每个页码出现的次数
page_counts = {}
for page in chunk_pages:
page_counts[page] = page_counts.get(page, 0) + 1
# 找到出现次数最多的页码
most_common_page = max(page_counts, key=page_counts.get)
page_info[chunk] = most_common_page
else:
page_info[chunk] = 1  # 默认页码
current_pos = chunk_end
knowledgeBase.page_info = page_info
print(f'页码映射完成，共 {len(page_info)} 个文本块')
# 如果提供了保存路径，则保存向量数据库和页码信息
if save_path:
# 确保目录存在
os.makedirs(save_path, exist_ok=True)
# 保存FAISS向量数据库
knowledgeBase.save_local(save_path)
print(f"向量数据库已保存到: {save_path}")
# 保存页码信息到同一目录
with open(os.path.join(save_path, "page_info.pkl"), "wb") as f:
pickle.dump(page_info, f)
print(f"页码信息已保存到: {os.path.join(save_path, 'page_info.pkl')}")
return knowledgeBase

从磁盘加载向量数据库和页码信息

def load_knowledge_base(load_path: str, embeddings = None) -> FAISS:
"""
从磁盘加载向量数据库和页码信息
参数:
load_path: 向量数据库的保存路径
embeddings: 可选，嵌入模型。如果为None，将创建一个新的DashScopeEmbeddings实例
返回:
knowledgeBase: 加载的FAISS向量数据库对象
"""
# 如果没有提供嵌入模型，则创建一个新的
if embeddings is None:
embeddings = DashScopeEmbeddings(
model="text-embedding-v1",
dashscope_api_key=DASHSCOPE_API_KEY,
)
# 加载FAISS向量数据库，添加allow_dangerous_deserialization=True参数以允许反序列化
knowledgeBase = FAISS.load_local(load_path, embeddings, allow_dangerous_deserialization=True)
print(f"向量数据库已从 {load_path} 加载。")
# 加载页码信息
page_info_path = os.path.join(load_path, "page_info.pkl")
if os.path.exists(page_info_path):
with open(page_info_path, "rb") as f:
page_info = pickle.load(f)
knowledgeBase.page_info = page_info
print("页码信息已加载。")
else:
print("警告: 未找到页码信息文件。")
return knowledgeBase

读取PDF文件，并写入到知识库

# 读取PDF文件
pdf_reader = PdfReader('./考核办法.pdf')
# 提取文本和页码信息
text, char_page_mapping = extract_text_with_page_numbers(pdf_reader)
#print('page_numbers=',page_numbers)
print(f"提取的文本长度: {len(text)} 个字符。")
# 处理文本并创建知识库，同时保存到磁盘
save_dir = "./vector_db"
knowledgeBase = process_text_with_splitter(text, char_page_mapping, save_path=save_dir)

如何加载已保存的向量数据库

# 创建嵌入模型
embeddings = DashScopeEmbeddings(
model="text-embedding-v1",
dashscope_api_key=DASHSCOPE_API_KEY,
)
# 从磁盘加载向量数据库
loaded_knowledgeBase = load_knowledge_base("./vector_db", embeddings)
# 使用加载的知识库进行查询
docs = loaded_knowledgeBase.similarity_search("客户经理每年评聘申报时间是怎样的？")
# 直接使用FAISS.load_local方法加载（替代方法）
# loaded_knowledgeBase = FAISS.load_local("./vector_db", embeddings, allow_dangerous_deserialization=True)
# 注意：使用这种方法加载时，需要手动加载页码信息

对话调用

from langchain_community.llms import Tongyi
llm = Tongyi(model_name="deepseek-v3", dashscope_api_key=DASHSCOPE_API_KEY) # qwen-turbo
# 设置查询问题
query = "客户经理被投诉了，投诉一次扣多少分"
#query = "客户经理每年评聘申报时间是怎样的？"
if query:
# 执行相似度搜索，找到与查询相关的文档
docs = knowledgeBase.similarity_search(query,k=10)
# 加载问答链
chain = load_qa_chain(llm, chain_type="stuff")
# 准备输入数据
input_data = {"input_documents": docs, "question": query}
# 执行问答链
response = chain.invoke(input=input_data)
print(response["output_text"])
print("来源:")
# 记录唯一的页码
unique_pages = set()
# 显示每个文档块的来源页码
for doc in docs:
#print('doc=',doc)
text_content = getattr(doc, "page_content", "")
source_page = knowledgeBase.page_info.get(
text_content.strip(), "未知"
)
if source_page not in unique_pages:
unique_pages.add(source_page)
print(f"文本块页码: {source_page}")

3.5 示例总结

  1. PDF文本提取与处理
  • 使用PyPDF2库的PdfReader从PDF文件中提取文本在提取过程中记录每行文本对应的页码，便于后续溯源。
  • 使用RecursiveCharacterTextSplitter将长文本分割成小块，便于向量化处理。
  1. 向量数据库构建
  • 使用OpenAIEmbeddings / DashScopeEmbeddings将文本块转换为向量表示。
  • 使用FAISS向量数据库存储文本向量，支持高效的相似度搜索为每个文本块保存对应的页码信息，实现查询结果溯源。
  1. 语义搜索与问答链
  • 基于用户查询，使用similarity_search在向量数据库中检索相关文本块。
  • 使用文本语言模型和load_qa_chain构建问答链将检索到的文档和用户问题作为输入，生成回答。
  1. 成本跟踪与结果展示
  • 使用get_openai_callback跟踪API调用成本。
  • 展示问答结果和来源页码，方便用户验证信息。

四、LangChain中的问答链

在LangChain问答链中，有4种chain\_type，chain\_type参数决定了RAG流程中，如何将检索到的多个相关文档块与用户的问题组合起来，发送给大模型以生成最终答案。需要根据应用场景，选择不同的chain\_type，以保证在效果、成本和速度上的权衡。

1.stuff（堆叠式）

工作原理：

将所有检索到的文档片段直接拼接成一个长上下文，与问题一起构造 Prompt，单次调用 LLM 生成答案。

优点：

实现最简单、延迟最低；

单次LLM调用，成本最低；

所有信息同时可见，利于全局理解。

缺点：

受限于LLM的最大上下文长度，文档过多或过长时会截断；

若检索结果包含噪声，可能干扰生成质量。

适用场景：

检索返回的文档数量少、内容精炼（如chunk_size较小）；

对响应速度和成本敏感的轻量级应用。

2.map_reduce（映射-归约）

工作原理：

Map阶段：对每个文档（chunk）独立构造Prompt，分别调用LLM生成中间摘要或回答。 

Reduce阶段：将所有中间结果合并，再次调用LLM生成最终答案。

优点：

可处理超长文档集合，不受单次上下文长度限制；

Map阶段可并行执行，提升吞吐率；

适合信息分散在多个片段中的场景。

缺点：

至少需要N+1次LLM调用（N为文档数），成本高，延迟大；

各文档独立处理，缺乏文档上下文关联。

适用场景：

检索结果较多且分散；

需要对大量文档进行综合归纳（如报告生成，多源信息整合）。

3.refine（迭代细化）

在第一个chunk上做prompt得到结果，然后再合并下一个文件再输出结果

工作原理：

先用第一个文档和问题生成初步答案；

依次将后续文档与当前答案合并，逐步“细化”输出，每次更新答案。

优点：

能在一定程度上保留跨文档上下文信息；

每次只处理一个新文档 + 当前答案，Token使用较为可控；

最终答案融合了所有文档的信息流。

缺点：

必须串行处理，无法并行，延迟较高；

早期错误可能被累积放大；

适用场景：

文档间存在逻辑递进或补充关系；

需要在有限上下文窗口内处理中等数量文档；

对答案连续性要求较高。

4.map_rerank（映射重排序）

对每个chunk做prompt，然后打个分，然后根据分数返回最好的文档中的结果。

会大量地调用LLM，每个document之间是独立处理。

工作原理：

对每个文档独立构造Prompt，要求LLM输出一个答案+置信度分数； 

根据分数排序，返回得分最高的答案（通常只取Top-1）.

优点：

能有效过滤低质量或无关文档；

返回的答案来自最相关片段，精准度高。

缺点：

每个文档都需要调用一次LLM，成本高；

不副合多文档信息，仅返回单个最佳答案，可能丢失互补信息；

依赖LLM对“打分”的一致性，部分模型不擅长此任务。

适用场景：

检索结果中存在明显“最佳匹配”文档；

任务为事实型问答（如“XX 的定义是什么？”）；

需要高置信度、简洁答案，而非综合归纳。

5.总结

特性 stuff map_reduce refine map_rerank
LLM调用次数 1 N + 1 N N
速度 最快 中等 最慢 慢
Token 消耗 低 高 高 高
处理长文档能力 差 好 好 好
答案质量 高 (上下文完整) 中等 (可能丢失关联) 最高 (迭代细化) 取决于最佳块
适用场景 默认选择，文档短 文档多，需平衡 文档多，要求高精度 事实型问题，答案在单块中

五、如果LLM可以处理无限上下文，RAG还有意义吗？

  • 效率成本

    LLM处理上下文时计算资源消耗大，响应时间增加。RAG通过检索相关片段，减少输入长度。

  • 知识更新

    LLM的知识截止于训练数据，无法实时更新。RAG可以连接外部知识库，增强时效性。

  • 可解释性

    RAG的检索过程透明，用户可查看来源，增强信任。LLM的生成过程则较难追溯。

  • 定制化

    RAG可针对特定领域定制检索系统，提供更精准的结果，而LLM的通用性可能无法满足特定需求。

  • 数据隐私

    RAG允许在本地或私有数据源上检索，避免敏感数据上传云端，适合隐私要求高的场景。

    结合LLM的生成能力和RAG的检索能力，可以提升整体性能，提供更全面、准确的回答。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

  • 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
  • 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
  • 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
  • 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

在这里插入图片描述

  • 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
  • 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
  • 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
  • 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：


三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

在这里插入图片描述

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

img

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

img

L5阶段：专题集丨特训篇 【录播课】

img
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！

# 人工智能 # pytorch # github
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

【必收藏】提示词工程：零门槛解锁大模型核心能力的实战指南

avatar 2048 AI社区

JoyAgent-JDGenie-Backend 技术FAQ文档

DeepThink 值AgentType模式名称Handler执行特点05REACT单Agent，简单任务，快速响应非03PLAN_SOLVE多Agent协作，复杂任务，深度思考组件文件路径方法ToolChoice设置think()think()think()LLM处理askTool()接收并传递给模型维度支持情况实现方式限制单次请求内多轮✅ 完全支持Memory类管理消息历史仅在Agent执行期

avatar 2048 AI社区
cover

【值得收藏】大模型学习指南：5种微调技术、5种智能体模式、5种分块策略全掌握

avatar 2048 AI社区