TOPIC / 技术方向

人工智能

一个方向,串起完整学习路径。

技术文章

查看全部

大模型与 Agent 的协作原理

本文通过职责分工、执行循环、工具与记忆机制,说明大模型如何在 Agent 控制下完成可验证的现实任务。

技术文章 · 技术实践

Wiki 是什么,为什么适合做团队知识库

团队资料越来越多时,文件夹和聊天记录很容易让知识分散、重复和过期。Wiki 用可持续编辑的页面、链接、历史版本和协作机制组织知识,读完可以判断它与普通文档、知识库的区别,并选择适合使用 Wiki 的场景。

技术文章 · 技术实践

微调和 RAG 到底该怎么选

企业知识问答、垂直助手和专用模型常在微调与 RAG 之间反复权衡。理解两种方案分别改变模型行为还是补充外部知识,并比较时效性、可追溯性、成本与维护方式后,就能判断该单独使用哪一种,以及什么时候值得组合使用。

技术文章 · 技术实践

LoRA 为什么少参数也有效

大模型微调时全部参数更新成本高,LoRA通过低秩矩阵学习关键变化,解释参数减少的原因、训练机制与适用场景,帮助开发者选择更高效的模型适配方案。

技术文章 · 技术实践

RAG 是什么,为什么大模型还需要检索

大模型能够生成流畅回答,却不知道企业私有资料,也可能使用过期知识或编造细节。RAG 在生成回答前先检索外部知识,再把相关内容交给模型推理,读完可以理解完整工作链路,并判断哪些问答场景值得引入 RAG。

技术文章 · 技术实践

大模型为什么会产生幻觉机制

开发大模型应用时经常遇到模型编造事实、输出错误信息的问题,这篇内容解释幻觉产生的训练与推理机制,帮助工程师判断风险来源并设计更可靠的应用方案。

技术文章 · 技术实践

大模型推理为什么吃显存

部署大模型推理服务时显存不足会限制模型规模和并发能力,这篇内容解释参数、缓存与计算过程中的显存来源,帮助开发者判断瓶颈并选择量化、批处理等优化方案。

技术文章 · 技术实践

RAG 检索不到内容怎么排查

RAG 应用上线后经常出现模型回答不准或找不到知识库内容的问题,本文分析文档切片、向量库、召回参数和查询链路中的常见原因,帮助开发者快速定位检索失败环节。

技术文章 · 技术实践

系统教程

查看全部
机器学习与深度学习

PyTorch 深度学习教程

本课程面向具备 Python 基础、希望系统学习深度学习开发的学习者,从 PyTorch 环境搭建、张量运算和自动求导出发,循序讲解神经网络构建、数据加载、卷积网络、序列模型、迁移学习、训练优化、模型评估与部署。课程强调原理理解、可运行实践和工程规范,最终帮助学习者独立完成模型训练、调优、导出和服务化交付。

计算机视觉

OpenCV 计算机视觉教程

本课程面向具备 Python 基础、希望进入计算机视觉开发的学习者,系统讲解 OpenCV 环境搭建、图像表示、像素操作、颜色空间、滤波增强、几何变换、边缘轮廓、特征匹配、视频处理、目标检测与工程化实践。课程以可运行案例为主线,帮助学习者建立从图像读取、算法处理、结果评估到实时视觉应用交付的完整能力。

大模型原理与训练

Transformer 原理与实践

本课程面向具备 Python、线性代数和基础深度学习知识的开发者,从序列建模问题出发,逐步讲解注意力机制、位置编码、编码器与解码器结构、训练优化和生成策略。课程结合 PyTorch 手写实现、预训练模型微调、评估部署与故障排查,帮助学习者建立从数学原理到工程落地的完整知识体系。

大模型应用开发

企业知识库智能客服:从 RAG 到上线

企业客服难点不在接入大模型,而在让分散知识可检索、回答有证据、权限不越界、质量可度量。课程围绕 RAG 构建知识加工、混合检索、重排、多轮会话、工具调用、评测与安全链路,并完成可部署、可观测、可回滚的企业知识库客服系统。

大模型原理与训练

模型蒸馏与量化部署:从压缩到上线

大模型效果达标后,显存、延迟和成本常成为上线瓶颈。课程以 PyTorch 2.x、Transformers 4.x 为基线,覆盖蒸馏、INT8/INT4、GPTQ/AWQ、QAT 与 vLLM/GGUF 部署,完成压缩训练、量化和基准验收。

大模型原理与训练

大模型微调:LoRA、QLoRA 到全参数训练

大模型微调常受显存、数据质量和训练稳定性限制。课程采用 Transformers 5.x、PEFT 0.20+ 与 TRL 1.x,完成 LoRA、QLoRA 和全参数训练,对比质量、速度与资源成本,并交付可复现的最佳模型。

大模型应用开发

大模型应用开发教程

面向具备基础编程能力的后端、全栈及 AI 应用开发者,围绕主流大模型应用开发的高频任务组织内容。课程从模型能力边界、开发环境和 API 调用入手,逐步覆盖提示词、结构化输出、会话记忆、RAG、工具调用、多模态、安全防护、效果评测、成本优化、部署监控与故障排查,并通过综合项目串联完整工程流程。

AI Agent

AI Agent 开发教程

面向具备基础编程能力、希望快速构建 AI Agent 的开发者。本课程以 Python 3.11+、主流大模型 API、函数调用、结构化输出、RAG、MCP 与工作流编排为主线,按“能调用、会行动、可记忆、可评测、能上线”的路径组织内容。每课聚焦一个高频开发问题,并通过订单助手综合项目串联设计、调试、安全、部署与故障排查。

机器学习与深度学习

深度学习基础教程

面向具备基础 Python 编程能力、希望系统进入深度学习领域的学习者。课程以 PyTorch 2.x 为主要实践框架,从张量、自动微分和神经网络原理起步,逐步学习优化、正则化、卷积网络、序列模型、Transformer 与生成模型,并覆盖数据管线、实验管理、性能优化、部署监控和常见故障排查,最终完成一个可复现、可评估、可交付的综合项目。

AI Agent

从零实现编程智能体

本教程面向具备基础编程能力、希望实现类 Cursor 编程智能体的开发者。课程从技术选型和 Agent Runtime 起步,逐步实现模型接入、工具调用、上下文与记忆、项目检索、代码修改、命令执行、测试反馈和桌面客户端,并通过综合项目完成一个可打开本地工程、理解需求、规划任务、修改代码并自动验证结果的智能编程 Agent。

大模型应用开发

RAG 知识库项目实战

面向具备 Python 基础的后端开发者、AI 应用工程师和技术团队,从文档接入、清洗切分、向量索引、混合检索、结果重排、引用生成到评测观测、权限治理和生产部署,逐步完成一个可追溯、可评估、可扩展的企业知识库问答系统,并掌握检索质量优化与常见故障定位方法。

机器学习与深度学习

PyTorch 入门到部署实战

面向具备 Python 基础、希望进入深度学习开发的学习者,以 PyTorch 2.x 为主线,从环境配置、张量与自动微分开始,逐步学习神经网络构建、数据管道、训练优化、卷积网络、序列模型、Transformer 和迁移学习,并通过完整项目掌握实验管理、性能加速、模型导出、部署监控与常见故障排查。

AI Agent

OpenAI Codex 实战教程

本课程面向具备编程、命令行与 Git 基础的开发者,以 2026 年 7 月 OpenAI Codex 官方稳定能力为基准,从安装认证和首次任务开始,系统讲解任务指令、AGENTS.md、模型配置、本地与云端工作流、工作树、Skills、插件、MCP、Hooks、权限安全、代码评审和 SDK 自动化,并通过真实仓库项目训练需求分析、开发验证与交付治理能力。

大模型原理与训练

Hugging Face Transformers 实战

模型能在 Notebook 里跑起来,并不等于能稳定训练和上线。课程以文本与生成模型为主线,覆盖 Hub 与 Auto API、Tokenizer、Datasets、Trainer、PEFT/LoRA、量化、评估和服务部署,把公开预训练模型变成可复现、可微调、可压测并能上线交付的模型服务。

大模型原理与训练

大模型原理:从 Transformer 到 GPT

调用大模型不难,难的是解释模型为何这样生成。内容从词元和注意力出发,拆解 Transformer、GPT 自回归目标、预训练、对齐与 KV Cache,并用微型 GPT 复现链路,使学习者能从张量和概率分布解释模型行为,判断训练与推理取舍。

大模型原理与训练

nanoGPT 从零实现 GPT:训练到生成

直接调用大模型 API 很难解释注意力、损失与训练稳定性为何这样工作。课程沿 nanoGPT 的极简路线,从数据编码、自注意力和 Transformer Block 开始亲手组装 GPT,再补齐训练循环、混合精度、多卡训练、检查点、GPT-2 权重加载与采样,最终能独立训练、评估和排查一个小型语言模型。

机器学习与深度学习

推荐系统实战:从召回排序到在线服务

推荐系统从离线算法走到线上业务,难点不只在模型精度,还在候选生成、特征一致性、实时性能与实验闭环。课程以信息流推荐为主线,覆盖协同过滤、矩阵分解、双塔召回、向量检索、排序模型、离线评估和 A/B 测试,完成可评测、可部署的在线推荐服务。

AI Agent

LangGraph 智能体工作流:搭建可恢复智能体

复杂智能体加入工具、循环、人工审批和长期记忆后,普通链式调用难以维护。课程以 LangGraph 1.2 与 Python 为基线,从状态图、路由和持久化推进到子图、多智能体、流式执行与部署,最终完成可暂停、可恢复、可观测的智能体工作流。

大模型原理与训练

大模型推理部署与加速:从单卡到集群

大模型上线后,显存、首 Token 延迟、吞吐和多卡通信直接决定成本与体验。课程覆盖显存估算、量化、KV Cache、连续批处理、主流推理引擎、多卡多机、压测与 Kubernetes 部署,学完能完成容量评估、引擎选型和生产调优。

机器学习与深度学习

CNN 从卷积原理到图像分类部署

图像分类模型常能跑通,却容易在卷积尺寸、梯度传播、过拟合和部署性能上失控。课程以 PyTorch 为实验框架,从像素张量、卷积和感受野推到残差网络、迁移学习、可解释性与推理优化,最终能独立训练、诊断并部署可靠的 CNN 图像分类模型。

大模型应用开发

RAG 应用开发基础教程

面向具备 Python 或后端开发基础、希望快速构建企业知识问答应用的开发者。课程围绕 RAG 核心链路展开,覆盖文档解析、文本切分、向量化、索引构建、混合检索、重排序、上下文组装、答案生成、效果评估、安全控制与生产部署,并通过综合项目串联关键实践与常见故障排查方法。

计算机视觉

YOLO 数据集构建与训练实战

本课程面向具备 Python 基础、希望开展目标检测项目的开发者与算法初学者,围绕 Ultralytics YOLO 11 构建完整训练流程。从任务定义、数据采集、清洗标注和数据集划分开始,逐步完成环境配置、基线训练、参数调优、数据增强、指标评估和错误分析,并通过综合项目掌握实验管理、模型复现、训练排障及部署前验证方法。

计算机视觉

OpenCV 开发实战教程

本课程面向具备 Python 基础、需要快速完成图像与视频处理任务的开发者,基于 OpenCV 4.x 按高频开发场景组织内容。从环境配置、图像读写和像素操作开始,逐步覆盖几何变换、颜色处理、滤波、轮廓、特征匹配、视频分析和 DNN 推理,并以综合案例、性能优化和常见故障排查收尾。

计算机视觉

YOLOv5 实战教程

本课程面向具备 Python 基础、希望进入计算机视觉领域的开发者,基于 YOLOv5 7.0、Python 3.10 与 PyTorch 2.x,系统讲解目标检测流程、数据集制作、模型训练、指标评估、参数调优、推理应用和多平台部署。课程以自定义目标检测项目为主线,结合常见错误排查与工程化规范,帮助学习者独立完成从原始数据到可交付检测服务的完整实践。

知识速查

查看全部

专项题库

查看全部
题库练习

大模型原理练习题10题

大模型应用开发中常见的训练、推理和架构问题会影响模型效果与部署方案,这份题单覆盖 Transformer、预训练、微调、推理优化等核心机制,帮助工程师检验理解程度并判断实际应用中的技术选择。

题库练习

大模型应用与 Agent 工程练习

面对模型输出不稳定、工具调用失败和任务流程复杂等场景,练习提示设计、结构化输出、工具调用与 Agent 编排,完成后能判断方案边界并设计可控执行链路。

题库练习

YOLO 目标检测工程练习

面对标注噪声、类别不均衡、漏检误检和部署性能波动时,需要从数据、训练、评估到推理链路定位问题并调整方案,练习覆盖数据准备、训练调参、指标分析与部署优化。

题库练习

机器学习模型评估调优练习

面对模型准确率忽高忽低、训练集很好而验证集变差等问题,练习比较分类与回归指标、识别过拟合与数据泄漏,并根据验证结果选择合理的调参与模型改进方向。

题库练习

RAG 检索增强工程练习

面对知识库问答中召回不准、上下文过长和答案失真的问题,练习文档切分、向量检索、混合召回、重排与生成质量判断,完成检索链路的设计与排障。

题库练习

机器学习基础与工程判断

覆盖机器学习的核心概念与工程判断:过拟合与偏差方差诊断、正则化与特征缩放、数据泄漏的四种形态、交叉验证的正确用法、不平衡数据的指标与处理、ROC-AUC 与 PR-AUC 的选择、集成学习、缺失值处理,以及从问题定义到 A/B 验证的完整项目流程。考点覆盖参考 alirezadir/Machine-Learning-Interviews 与 microsoft/AI-For-Beginners(均为 MIT),题干、答案与提示为中文原创。

题库练习

生成式 AI 与大模型基础

覆盖生成式 AI 的核心概念:Transformer 与自注意力、token 与上下文窗口、采样参数、嵌入向量、幻觉成因与治理、function calling、RAG 与微调的取舍、小模型与开源模型选型,以及 LLM 应用的评估与安全边界。考点覆盖参考 microsoft/generative-ai-for-beginners(MIT)的课程大纲,题干、答案与提示为中文原创。

题库练习

提示工程实战

覆盖提示工程的主流技法与工程判断:思维链与其适用边界、自洽性采样、提示链与任务拆解、ReAct、思维树、few-shot 示例设计、结构化输出契约、定界符与提示注入防御、PAL 工具优先原则、自我批评的正确用法,以及以评估集驱动的提示迭代方法。考点覆盖参考 dair-ai/Prompt-Engineering-Guide(MIT),题干、答案与提示为中文原创。

题库练习

RAG 与 AI Agent 工程

面向真正要上线的 LLM 应用:切块与混合检索、查询改写与重排、权限前置过滤、引用与拒答的提示设计、RAG 分层评估;Agent 侧覆盖与工作流的选型边界、工具定义、记忆分层、幂等与重试、预算与终止条件、可观测与逐步放权的落地路径。考点覆盖参考 microsoft/generative-ai-for-beginners 与 dair-ai/Prompt-Engineering-Guide(均为 MIT),题干、答案与提示为中文原创。

登录哪都通