AI大模型与智能体开发实战

一、大模型基础扫盲：从文本到Token

1.大模型到底是怎么事务的——从输入到输出的完整流程

（1）文本输入：用户Prompt怎样进入大模型

（2）Token切分：文本怎样被拆解成模型能领会的最小单元（Token）

（3）Embedding：将Token转化为高维向量表征

（4）推理进程：Transformer架构中的注意力计算

（5）解码输出：模型怎样一步步生成回答（生成式 vs 填充式）

2.大模型参数规模的含义和本领涌现

（1）从GPT-1到GPT-4：参数规模增长带来的本领跃升

（2）涌现本领：为何大模型能"举一反三"

二，大模型的核心算法原理

1.Transformer架构的事务原理

（1）Encoder和Decoder的核心区别

（2）自注意力制度（Self-Attention）的作用和达成推演

2.预训练和微调的流程以及意义

（1）预训练阶段：海量文本中的自督导研习

（2）微调阶段：SFT、RLHF等等对齐技艺的原理和作用

三、主流大模型生态拆解

1.GPT系列模型（OpenAI）架构演进和API调用办法

2.DeepSeek模型架构特点和开源优势

3.国内主流大模型平台（豆包，KImi、百炼、千帆）的特点和选型建议

一、RAG和KAG的概念以及区别

1.RAG（检索增强生成）的定义和适用情境

2.KAG（学识增强生成）的定义和适用情境

3.两者在技艺原理和运用情境上的核心区别

二、RAG/KAG的事务流程拆解

1.检索阶段的具体操作和原理

（1）文本切分打法：怎样将长文档拆成合适大小的Chunk

（2）Embedding技艺：怎样将文本转化为向量

（3）向量资料库的原理和选型（Milvus、FAISS、Pinecone等等）

2.增强生成阶段的达成方式

（1）检索结果怎样注入Prompt

（2）重排序（Rerank）技艺的作用和达成

3.整个RAG流程的协同制度

三、RAG/KAG在大模型中的作用和优势

1.拉升大模型回复的准确性和可靠性（破解幻觉问题）

2.增强大模型对特定领域学识的掌握本领

3.达成私有学识的有效整合和调用

一、学识库搭建全流程

1.学识库的类型和特点

（1）结构化学识库（关系型资料库）

（2）非结构化学识库（文本、文档、网页）

2.资料采集和清洗

（1）资料采集的来源（公开资料集、网络爬虫、自有资料）

（2）资料清洗的办法（去除噪声、处理缺失值、纠正错误资料）

3.学识结构化和Embedding

（1）实体识别和抽取技艺

（2）Embedding模型的选项和调优

（3）向量资料库的部署和采用

二、智能体的概念和架构

1.智能体的定义和核心特征（自主感知、决策，执行）

2.智能体的基本架构：感知模块，记忆模块、规划模块、执行模块

3.大模型在智能体中的定位：作为"大脑"提供领会和推理本领

三、智能体开发实践

1.开发环境搭建和抓手选项

（1）Python + LangChain/ LlamaIndex 轮廓引见

（2）主流智能体开发抓手对比（Coze、Dify等等）

2.核心模块达成

（1）多轮对话和记忆管控

（2）抓手调用（Function Calling）制度

（3）和外部API的集成办法

3.实例实战：构筑一个简易的领域学识问答智能体

（1）整体架构规划

（2）RAG流程集成

（3）成效评核和精进

收束和答疑

一、课程核心内容复盘

1.大模型基础原理和Token制度

2.RAG/KAG技艺原理和学识库搭建

3.智能体架构和开发实战

二、参训者问题答疑

针对实操进程中的疑问开展专项解答

三、研习资源推荐

1.大模型技艺研习路径建议

2.主流RAG轮廓和智能体开发平台对比

3.实践项目推荐：从简易学识问答到复杂智能体

老师简介

Introduction to lecturers

弄懂更多

博闻智咨询|焦波老师