├── 第一部分：人工智能与大模型基础
│ ├── 第一课：人工智能介绍：迭代路径，大模型进化树，技术分类
│ ├── 第二课：柏拉图表征假说与scaling law：KM缩放定律
│ └── 第三课：AI开发环境（python、conda、vscode）
├── 第二部分：大模型微调
│ ├── 第一课：大模型微调llama-factory环境准备
│ ├── 第二课：微调数据集准备（SFT,继续预训练，偏好优化）
│ ├── 第三课：微调过程lora微调与Qlora微调
│ ├── 第四课：模型评估（批量推理与自动评估benchmark）
│ └── 第五课：模型部署（模型合并导出与量化，本地部署）
├── 第三部分：RAG检索增强生成
│ ├── 第一课：RAG技术原理与RAGFlow项目实操
│ ├── 第二课：Naive RAG与langchain实践
│ ├── 第三课：高级RAG（一）层次索引，句子窗口，子查询，HyDE
│ ├── 第四课：高级RAG（二）提示词压缩，融合，llamaindex
│ ├── 第五课：模块化RAG（一）顺序模式，条件模式，分支模式
│ ├── 第六课：模块化RAG（二）迭代，递归检索，FLARE，ToC
│ ├── 第七课：Embedding原理：word2vec、CBOW
│ ├── 第八课：Embedding模型训练：llamaindex微调
│ ├── 第九课：Embedding模型评估：MRR评测，MTEB评测
│ ├── 第十课：Rerank技术原理与实践（一）交叉编码与双编码
│ ├── 第十一课：Rerank模型微调与实践（二）rankGPT
│ ├── 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
│ ├── 第十三课：相似性搜索算法：k-means，肘部法则
│ ├── 第十四课：近似邻近算法与过滤向量：PQ量化，HNSW，LSH
│ ├── 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
│ ├── 第十六课：向量数据库代码示例：chroma与qdrant代码
│ ├── 第十七课：RAG评估：评估指标，RAGAs，TruLens
│ └── 第十八课：RAG行业落地：实践心得，落地经验，业务场景
├── 第四部分：Agent智能体开发
│ ├── 第一课：Agent原理简介：planning、memory
│ ├── 第二课：提示词工程：软提示词，fewshot，COT,TOT
│ ├── 第三课：Agent平台：国内外主流平台，Coze搭建智能客服
│ ├── 第四课：Agent工具使用与function call：MCP
│ ├── 第五课：Agent设计模式（一）：Fewshot，ReAct
│ ├── 第六课：Agent设计模式（二）：REWOO，LLMCompiler
│ ├── 第七课：Agent设计模式（三）：Reflexion，LAT
│ ├── 第八课：Agent框架：Single Agent，Multi Agent
│ ├── 第九课：Langchain项目原理与实战
│ ├── 第十课：Langgraph项目原理与实战
│ ├── 第十一课：Langgraph 多Agent架构：协作多Agent
│ ├── 第十二课：AutoGen项目原理与实战（一）：AutoGen
│ ├── 第十三课：AutoGen项目原理与实战（二）：代码执行，工具
│ ├── 第十四课：CrewAI项目原理与实战：Crew,Task,Agent
│ └── …
├── 第五部分：GraphRAG与知识图谱
│ ├── 第一课：知识图谱：RDF,RDFS,OWL，知识图谱架构,实战
│ ├── 第二课：GraphRAG（一）：原理，部署使用，GraphR
│ ├── 第三课：GraphRAG（二）：索引原理，Leiden算法
│ ├── 第四课：GraphRAG（三）：全局查询，局部查询，drift
│ ├── 第五课：LightRAG（一）：原理，实体与关系提取，双层检索
│ ├── 第六课：LightRAG（二）：示例代码，参数解读，graph
│ └── 第七课：LightRAG（三）：Neo4j使用，API Server
└── 第六部分：大模型工程配套资料
├── embedding技术
├── 企业RAG技术实战
├── rerank技术
├── llama-factory微调
└── ai认知课
