├── 大模型与 RAG / Agent 全栈实战课程目录
├── 1、大模型基础、提示词与微调实战
│ ├── 01_第一课：人工智能介绍：迭代路径，大模型进化树，技术分类
│ ├── 02_第二课：柏拉图表征假说与scalinglaw：KM缩放定律
│ ├── 03_第三课：AI开发环境（python、conda、vscode等）
│ ├── 28_第二课：提示词工程：软提示词，fewshot，COT TOT
│ ├── 04_第一课：大模型微调llama-factory环境准备
│ ├── 05_第二课：微调数据集准备（SFT 继续预训练，偏好优化）
│ ├── 06_第三课：微调过程lora微调与Qlora微调
│ ├── 07_第四课：模型评估（批量推理与自动评估benchmark）
│ └── 08_第五课：模型部署（模型合并导出与量化，本地部署）
├── 2、RAG 技术原理与高级架构
│ ├── 09_第一课：RAG技术原理与RAGFlow项目实操
│ ├── 10_第二课：NaiveRAG与langchain实践
│ ├── 11_第三课：高级RAG（一）层次索引，句子窗口，子查询，HyDE
│ ├── 12_第四课：高级RAG（二）提示词压缩，融合，llamaindex
│ ├── 13_第五课：模块化RAG（一）顺序模式，条件模式，分支模式
│ └── 14_第六课：模块化RAG（二）迭代，递归检索，FLARE，Toc
├── 3、Embedding、Rerank 与向量数据库
│ ├── 15_第七课：Embedding原理：word2vec、CBOW
│ ├── 16_第八课：Embedding模型训练：llamaindex微调
│ ├── 17_第九课：Embedding模型评估：MRR评测，MTEB评测
│ ├── 18_第十课：Rerank技术原理与实践（一）交叉编码与双编码
│ ├── 19_第十一课：Rerank模型微调与实践（二）rankGPT
│ ├── 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
│ ├── 21_第十三课：相似性搜索算法：k-means，肘部法则
│ ├── 22_第十四课：近似邻近算法与过滤向量：PQ量化，HNSW，LSH
│ ├── 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
│ └── 24_第十六课：向量数据库代码示例：chroma与qdrant代码
├── 4、RAG 评估与行业落地
│ ├── 25_第十七课：RAG评估：评估指标，RAGAs，TruLens
│ └── 26_第十八课：RAG行业落地：实践心得，落地经验，业务场景
├── 5、Agent 设计模式与平台应用
│ ├── 27_第一课：Agent原理简介：planning、memory
│ ├── 29_第三课：Agent平台：国内外主流平台，Coze搭建智能客服
│ ├── 30_第四课：Agent工具使用与functioncall
│ ├── 31_第五课：Agent设计模式（一）：Fewshot，ReAct
│ ├── 32_第六课：Agent设计模式（二）：REWOO，LLMCompiler
│ └── 33_第七课：Agent设计模式（三）：Reflexion，LAT
├── 6、Agent 主流框架实战 (LangChain/LangGraph/AutoGen/CrewAI)
│ ├── 34_第八课：Agent框架：SingleAgent，MultiAgent
│ ├── 35_第九课：Langchain项目原理与实战
│ ├── 36_第十课：Langgraph项目原理与实战
│ ├── 37_第十一课：Langgraph多Agent架构：协作多Agent
│ ├── 38_第十二课：AutoGen项目原理与实战（一）
│ ├── 39_第十三课：AutoGen项目原理与实战（二）：代码执行，工具
│ └── 40_第十四课：CrewAI项目原理与实战
└── 7、配套实战资料与讲义
├── 企业RAG技术实战
├── ai认知课
├── embedding技术
├── llama-factory微调
└── rerank技术
