本文深入解析了如何利用RAG技术让大模型精准回答基于私有数据的问题。文章从为何不能直接将文档“喂”给大模型的原因出发详细介绍了RAG的核心架构与工作流程包括离线数据处理建库文本分块、向量与Embedding模型、向量数据库与相似度算法、在线检索与生成查询转换、混合检索与RRF融合、精排模型、防幻觉、以及RAG系统的评估方法。通过本文读者可以全面了解RAG技术机制为企业AI落地提供关键技术支持。在人工智能飞速发展的今天很多企业和开发者都希望利用大语言模型LLM来构建专属的智能客服、企业内部知识库或是个人助手。但在实际落地时大家往往会遇到一个棘手的问题如何让大模型精准回答基于私有数据的问题并且不胡说八道答案就是目前业界最成熟的解决方案——RAGRetrieval-Augmented Generation检索增强生成。本文将带你剥丝抽茧从底层逻辑到核心工作流全面解析 RAG 的技术机制。不仅包含基础流程还将深入解析高级分块Chunking策略、查询转换Query Transformation、混合检索与 RRF 融合、精排模型Rerank 以及RAG 系统的三大评估指标等企业级进阶概念。一、为什么不能直接把文档“喂”给大模型很多人初接触大模型时会有个误区“既然大模型这么聪明我直接把几百页的产品手册和问题一起发给它不就行了”在真实工程实践中这种“简单粗暴”的做法会面临三大致命痛点“鱼的记忆”上下文窗口受限尽管现在有支持长文本的模型但输入的信息量一旦过大模型依然容易出现“迷失在中间Lost in the Middle”的现象准确率直线下降。“烧钱机器”推理成本高昂按 Token 计费的模式下每次提问都携带几十万字的长文档API 调用成本将是天文数字。“龟速响应”推理速度极慢海量的输入上下文会导致模型消化时间呈指数级上升输出速度极慢用户体验极差。RAG 的破局思路非常巧妙它不要求大模型死记硬背整本书而是给大模型配备一个“超级图书馆管理员”。当用户提问时先去图书馆知识库里把最相关的几页纸片段找出来然后再让大模型看着这几页纸来回答问题。二、图解 RAG 核心架构与高阶全流程现代企业级 RAG 早已告别了早期的“单路向量检索”演进为了包含查询重写、多路召回、上下文扩展以及精排评估的复杂系统。下面是高阶 RAG 的全局工作流程图从上面的流程图中我们可以提炼出高阶 RAG 的 三大阶段与核心步骤。接下来我们逐一深度拆解。三、阶段一提问前离线数据处理与建库在这个阶段目标是将非结构化的文档转化为机器能精准检索的高质量“知识库”。“垃圾进垃圾出”这一步决定了 RAG 的上限。1. 文本分块Chunking的高阶策略如果只是简单按字数切分比如每 500 字一刀很容易把一句完整的话劈成两半导致语义丢失。企业级应用通常采用以下高阶策略滑动窗口让相邻的两个片段有一定比例的重叠防止边界语义被切断。语义分块不按字数而是按标点符号句号、换行进行切分并通过计算相邻句子的 Embedding 差异来判断是否属于同一语义段落。父子文档 / 小块召回大块这是目前最火的策略之一。将文档切成大块父再把大块切成小块子。用小块去进行向量检索因为小块语义更集中匹配更精准但命中后把对应的整个父块喂给大模型提供更完整的上下文背景。2. 向量Vector与 Embedding 模型词嵌入这是 RAG 中最具有数学之美的环节也是非技术人员最容易迷糊的地方。向量的本质在数学中向量代表一个有大小、有方向的量通常用数组表示。RAG 里的文本会被转化为高维向量高达几百甚至几千维如 768 维或 1536 维。维度越大包含的语义信息越丰富计算的可靠性越强。Embedding 机制将自然语言文本转换为高维向量的过程就叫 Embedding。它的核心特性是语义相近的文本在多维空间中的距离也相近毫不相干的文本距离相隔甚远。模型选择与 MTEB 榜单Embedding 的质量直接决定了检索的生死。我们在挑选通用模型时通常会重点参考 HuggingFace 上的 MTEB 排行榜Massive Text Embedding Benchmark 来评估模型能力。而在医疗、法律等专业领域还需要用私有数据对模型进行微调Fine-tuning或采用 ColBERT 来保留细粒度特征。3. 向量数据库与三大核心相似度算法向量数据库如 Milvus, Qdrant不仅用于存储“原始文本 向量”它的核心价值在于提供了极速的相似度计算函数和近似最近邻ANN检索算法。在召回匹配时数据库如何判断“用户问题”和“文档片段”有多相似业界最常用的有以下三种计算公式余弦相似度Cosine Similarity计算两个向量之间的夹角余弦值。夹角越小方向越一致语义相似度越高。这是目前大模型应用中最主流的方法。欧氏距离Euclidean Distance计算两个向量端点之间的直线距离。距离越短表示两个文本在空间中越靠近相似度越高。点积Dot Product通过代数方式衡量相当于把向量 A 投影到向量 B 上。它不仅考虑方向还考虑向量的长度绝对量级。点积值越大代表相似度越高。为了让你直观理解我们来看下面这张相似度计算原理与对比图元数据过滤Metadata Filtering在存入向量时打上标签如时间: 2026。当用户提问时系统会先通过元数据缩小范围再进行上述的相似度计算从而大幅提升准确率并减少算力消耗。四、阶段二智能问答在线检索与生成这是系统直面用户的阶段。4. 检索前置查询转换Query Transformation用户提问往往非常简短或口语化例如“它怎么报错了”直接拿去检索命中率极低。我们需要在检索前加一层“大脑”查询重写Query Rewrite让 LLM 根据历史对话把用户的代词替换为具体名词补全背景信息。多路查询Multi-Query让 LLM 把用户的一个问题换几种说法比如换不同角度或同义词分别去检索以增加召回覆盖率。HyDE假设性文档嵌入让 LLM 针对用户问题先“瞎编”一个大概的答案然后用这个长答案的向量去数据库里找真实的文档。这种做法在应对复杂提问时奇效。5. 混合检索与 RRF 融合Hybrid Search双剑合璧向量检索负责理解“语义”懂言外之意BM25 全文检索负责“精确匹配”专治专有名词、型号代码。RRF倒数秩融合Reciprocal Rank Fusion两路检索会各自返回一个排名列表Top 10。RRF 是一种科学的数学算法它不依赖绝对的打分而是根据文档在两个列表中的排名位置重新计算权重得出最终的最优合并列表。6. 精细重排Rerank 模型—— 准确率的最后防线你可能会问为什么不能在召回阶段直接用相似度算出最准的 Top 3因为召回与重排使用的相似度计算逻辑截然不同这里涉及到一个成本与精度的权衡向量召回粗筛 Bi-Encoder仅比较两个向量的空间距离。成本极低、耗时极短但难免会有偏差。这就像 HR 快速过几万份简历主要为了从海量数据中快速初筛。重排模型精挑 Cross-Encoder引入更重、更慢但极准的交叉编码器模型。它将“用户问题”和“初步召回的每个文档”拼在一起逐字对比分析给出 0-1 的精确相关度得分。这就像 部门主管对初筛通过的候选人进行深度面试。通过重排精准剔除不相关的“干扰项”只保留最核心的 Top 3 喂给大模型。7. 增强生成Generation与防幻觉最后将精排后的文档填入 Prompt 模板中发送给 LLM。为了防止大模型“自我发挥”我们通常会在 Prompt 中下达严厉的指令“你是一个严谨的助手。请仅使用以下参考资料回答问题。如果参考资料中没有相关信息请直接回答’根据已知信息无法回答’绝不能编造。并在回答后附上资料的引用出处。”五、阶段三RAG 系统的评估Evaluation企业级 RAG 搭建好后不能凭感觉说“好用”。业界诞生了如 RAGAS、TruLens 等专门的评估框架通过大模型裁判来量化三个核心指标上下文相关性检索回来的片段是不是真的对回答问题有用评估检索模块的能力忠实度大模型的回答是不是 100% 来源于检索到的片段有没有夹带私货/产生幻觉评估防幻觉能力回答相关性大模型最终的回答是不是直接解答了用户的提问还是在答非所问评估生成能力六、总结从最基础的“文本切块向量检索”到包含“语义分块、查询重写、RRF 混合检索、精细重排以及科学评估”的复杂管线RAG 技术已经形成了一套极具深度的企业级工程范式。理解了 RAG 的这套底层逻辑与高阶演进你就真正拿到了通往企业 AI 落地的钥匙。RAG 不再是一个简单的 API 调用而是一个需要针对数据特性进行精细化调优的系统工程。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】https://mp.weixin.qq.com/s/2P64VRSHoOz31E2oAT_ZpQ
大模型私有数据问答秘籍：收藏这份RAG技术深度解析，小白也能轻松掌握！
本文深入解析了如何利用RAG技术让大模型精准回答基于私有数据的问题。文章从为何不能直接将文档“喂”给大模型的原因出发详细介绍了RAG的核心架构与工作流程包括离线数据处理建库文本分块、向量与Embedding模型、向量数据库与相似度算法、在线检索与生成查询转换、混合检索与RRF融合、精排模型、防幻觉、以及RAG系统的评估方法。通过本文读者可以全面了解RAG技术机制为企业AI落地提供关键技术支持。在人工智能飞速发展的今天很多企业和开发者都希望利用大语言模型LLM来构建专属的智能客服、企业内部知识库或是个人助手。但在实际落地时大家往往会遇到一个棘手的问题如何让大模型精准回答基于私有数据的问题并且不胡说八道答案就是目前业界最成熟的解决方案——RAGRetrieval-Augmented Generation检索增强生成。本文将带你剥丝抽茧从底层逻辑到核心工作流全面解析 RAG 的技术机制。不仅包含基础流程还将深入解析高级分块Chunking策略、查询转换Query Transformation、混合检索与 RRF 融合、精排模型Rerank 以及RAG 系统的三大评估指标等企业级进阶概念。一、为什么不能直接把文档“喂”给大模型很多人初接触大模型时会有个误区“既然大模型这么聪明我直接把几百页的产品手册和问题一起发给它不就行了”在真实工程实践中这种“简单粗暴”的做法会面临三大致命痛点“鱼的记忆”上下文窗口受限尽管现在有支持长文本的模型但输入的信息量一旦过大模型依然容易出现“迷失在中间Lost in the Middle”的现象准确率直线下降。“烧钱机器”推理成本高昂按 Token 计费的模式下每次提问都携带几十万字的长文档API 调用成本将是天文数字。“龟速响应”推理速度极慢海量的输入上下文会导致模型消化时间呈指数级上升输出速度极慢用户体验极差。RAG 的破局思路非常巧妙它不要求大模型死记硬背整本书而是给大模型配备一个“超级图书馆管理员”。当用户提问时先去图书馆知识库里把最相关的几页纸片段找出来然后再让大模型看着这几页纸来回答问题。二、图解 RAG 核心架构与高阶全流程现代企业级 RAG 早已告别了早期的“单路向量检索”演进为了包含查询重写、多路召回、上下文扩展以及精排评估的复杂系统。下面是高阶 RAG 的全局工作流程图从上面的流程图中我们可以提炼出高阶 RAG 的 三大阶段与核心步骤。接下来我们逐一深度拆解。三、阶段一提问前离线数据处理与建库在这个阶段目标是将非结构化的文档转化为机器能精准检索的高质量“知识库”。“垃圾进垃圾出”这一步决定了 RAG 的上限。1. 文本分块Chunking的高阶策略如果只是简单按字数切分比如每 500 字一刀很容易把一句完整的话劈成两半导致语义丢失。企业级应用通常采用以下高阶策略滑动窗口让相邻的两个片段有一定比例的重叠防止边界语义被切断。语义分块不按字数而是按标点符号句号、换行进行切分并通过计算相邻句子的 Embedding 差异来判断是否属于同一语义段落。父子文档 / 小块召回大块这是目前最火的策略之一。将文档切成大块父再把大块切成小块子。用小块去进行向量检索因为小块语义更集中匹配更精准但命中后把对应的整个父块喂给大模型提供更完整的上下文背景。2. 向量Vector与 Embedding 模型词嵌入这是 RAG 中最具有数学之美的环节也是非技术人员最容易迷糊的地方。向量的本质在数学中向量代表一个有大小、有方向的量通常用数组表示。RAG 里的文本会被转化为高维向量高达几百甚至几千维如 768 维或 1536 维。维度越大包含的语义信息越丰富计算的可靠性越强。Embedding 机制将自然语言文本转换为高维向量的过程就叫 Embedding。它的核心特性是语义相近的文本在多维空间中的距离也相近毫不相干的文本距离相隔甚远。模型选择与 MTEB 榜单Embedding 的质量直接决定了检索的生死。我们在挑选通用模型时通常会重点参考 HuggingFace 上的 MTEB 排行榜Massive Text Embedding Benchmark 来评估模型能力。而在医疗、法律等专业领域还需要用私有数据对模型进行微调Fine-tuning或采用 ColBERT 来保留细粒度特征。3. 向量数据库与三大核心相似度算法向量数据库如 Milvus, Qdrant不仅用于存储“原始文本 向量”它的核心价值在于提供了极速的相似度计算函数和近似最近邻ANN检索算法。在召回匹配时数据库如何判断“用户问题”和“文档片段”有多相似业界最常用的有以下三种计算公式余弦相似度Cosine Similarity计算两个向量之间的夹角余弦值。夹角越小方向越一致语义相似度越高。这是目前大模型应用中最主流的方法。欧氏距离Euclidean Distance计算两个向量端点之间的直线距离。距离越短表示两个文本在空间中越靠近相似度越高。点积Dot Product通过代数方式衡量相当于把向量 A 投影到向量 B 上。它不仅考虑方向还考虑向量的长度绝对量级。点积值越大代表相似度越高。为了让你直观理解我们来看下面这张相似度计算原理与对比图元数据过滤Metadata Filtering在存入向量时打上标签如时间: 2026。当用户提问时系统会先通过元数据缩小范围再进行上述的相似度计算从而大幅提升准确率并减少算力消耗。四、阶段二智能问答在线检索与生成这是系统直面用户的阶段。4. 检索前置查询转换Query Transformation用户提问往往非常简短或口语化例如“它怎么报错了”直接拿去检索命中率极低。我们需要在检索前加一层“大脑”查询重写Query Rewrite让 LLM 根据历史对话把用户的代词替换为具体名词补全背景信息。多路查询Multi-Query让 LLM 把用户的一个问题换几种说法比如换不同角度或同义词分别去检索以增加召回覆盖率。HyDE假设性文档嵌入让 LLM 针对用户问题先“瞎编”一个大概的答案然后用这个长答案的向量去数据库里找真实的文档。这种做法在应对复杂提问时奇效。5. 混合检索与 RRF 融合Hybrid Search双剑合璧向量检索负责理解“语义”懂言外之意BM25 全文检索负责“精确匹配”专治专有名词、型号代码。RRF倒数秩融合Reciprocal Rank Fusion两路检索会各自返回一个排名列表Top 10。RRF 是一种科学的数学算法它不依赖绝对的打分而是根据文档在两个列表中的排名位置重新计算权重得出最终的最优合并列表。6. 精细重排Rerank 模型—— 准确率的最后防线你可能会问为什么不能在召回阶段直接用相似度算出最准的 Top 3因为召回与重排使用的相似度计算逻辑截然不同这里涉及到一个成本与精度的权衡向量召回粗筛 Bi-Encoder仅比较两个向量的空间距离。成本极低、耗时极短但难免会有偏差。这就像 HR 快速过几万份简历主要为了从海量数据中快速初筛。重排模型精挑 Cross-Encoder引入更重、更慢但极准的交叉编码器模型。它将“用户问题”和“初步召回的每个文档”拼在一起逐字对比分析给出 0-1 的精确相关度得分。这就像 部门主管对初筛通过的候选人进行深度面试。通过重排精准剔除不相关的“干扰项”只保留最核心的 Top 3 喂给大模型。7. 增强生成Generation与防幻觉最后将精排后的文档填入 Prompt 模板中发送给 LLM。为了防止大模型“自我发挥”我们通常会在 Prompt 中下达严厉的指令“你是一个严谨的助手。请仅使用以下参考资料回答问题。如果参考资料中没有相关信息请直接回答’根据已知信息无法回答’绝不能编造。并在回答后附上资料的引用出处。”五、阶段三RAG 系统的评估Evaluation企业级 RAG 搭建好后不能凭感觉说“好用”。业界诞生了如 RAGAS、TruLens 等专门的评估框架通过大模型裁判来量化三个核心指标上下文相关性检索回来的片段是不是真的对回答问题有用评估检索模块的能力忠实度大模型的回答是不是 100% 来源于检索到的片段有没有夹带私货/产生幻觉评估防幻觉能力回答相关性大模型最终的回答是不是直接解答了用户的提问还是在答非所问评估生成能力六、总结从最基础的“文本切块向量检索”到包含“语义分块、查询重写、RRF 混合检索、精细重排以及科学评估”的复杂管线RAG 技术已经形成了一套极具深度的企业级工程范式。理解了 RAG 的这套底层逻辑与高阶演进你就真正拿到了通往企业 AI 落地的钥匙。RAG 不再是一个简单的 API 调用而是一个需要针对数据特性进行精细化调优的系统工程。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】https://mp.weixin.qq.com/s/2P64VRSHoOz31E2oAT_ZpQ
