2025最新版大模型RAG入门到精通实战教程,课程。该教程从原理到落地构建了一条完整的RAG学习路径。起步阶段详解RAG工作原理与大模型固有局限,剖析检索增强生成(Retrieval‑Augmented Generation)的核心机制。后续模块覆盖文档加载与切割、LLM接口封装与Prompt模板设计,为构建高效检索生成流程奠定基础。 向量化技术板块介绍“什么是向量”与文本向量生成方法,深入讲解VectorStore存储与检索,Chrom向量数据库的使用及选型要点,帮助学员掌握高性能检索架构。进阶实战篇展示RAG高级用法、混合检索、ReRanker模型和RRF算法,结合PDF表格处理和GraphRAG应用场景演练RAG工作流。 应用落地部分指导使用Conda配置Python环境、SentenceTransformer模型解析、Embedding实战、InternLM大模型操作及问答效果评估;并演示LlamaIndex知识库构建与Streamlit网页应用开发。最后分享预训练模型概念、模型微调、增量训练与函数调用技术,以及RAG外挂私有知识库的构建策略,为企业级大模型服务提供全面方案。
2025最新版大模型RAG入门到精通实战教程1.45GB
1、RAG工作原理.mp48.3MB
2_2大模型目前固有的局限性.mp444.05MB
3_3检索增强生成.mp439.77MB
4_4文档的加载与切割.mp436.53MB
5_5LLM接口封装.mp430MB
6_6Prompt模版.mp425.87MB
7_7什么是向量.mp442.14MB
8_8文本向量.mp456.19MB
9_9文本向量是怎么得到的选.mp487.49MB
10_10VectorStore向量存储与检索.mp438.13MB
11_11Chrom向量数据库使用.mp441.88MB
12_12向量数据库选型.mp436.82MB
13_13RAG高级进阶实战.mp425.11MB
14_14文本分割粒度.mp437.78MB
15_15检索后排序.mp440.32MB
16_16ReRanker模型.mp434.75MB
17_17混合检索HybridSearch.mp446.07MB
18_18RRF.mp422.65MB
19_19PDF文档表格处理.mp465.95MB
20_20GraphRAG基本介绍.mp479MB
21_21实战一RAGWorkflowI作流详解.mp426.08MB
22_22RAGVSFineTuning模型微调.mp412.05MB
23_23大模型企业级业务场景落地方案实践.mp411.39MB
24_24使用conda配置知识库项目Python环境.mp413.93MB
25_25SentenceTransformer大模型详解.mp418.54MB
26_26Embedding文本向量化处理实战.mp422.85MB
27_27InternLM218BQwen25I05B模型实战.mp430.47MB
28_28知识库模型问答测试与实际效果评估.mp431.99MB
29_29使用Llamalndex创建知识库实战.mp441.91MB
30_30使用Streamlit创建Web应用实战.mp439.95MB
30_30使用Streamlit创建Web应用实战_20250315_224845.mp439.95MB
31_31程序员大模型学习最佳实践.mp477.38MB
32_32实战二什么叫预训练好的大模型.mp438.29MB
33_33大模型的局限性及解决方案.mp421.71MB
34_34rag外挂私有知识库.mp421MB
35_35Indexing.mp422.07MB
36_36检索和生成.mp424.48MB
37_37finetuning微调.mp449.06MB
38_38增量训练pretrainging.mp438.98MB
39_39functioncalling调用企业.mp465.81MB