AI开发环境实战

• Python数据科学生态与PyTorch 2.0

• GPU计算与CUDA加速基础

• 云端GPU资源基础概念

Transformer基础

GPT技术演变

• Transformer架构：自注意力、多头注意力、位置编码

• GPT系列演进：GPT-1→GPT-4，预训练→RLHF

• ChatGPT技术突破：指令微调、人类反馈强化学习、思维链

• 主流开源模型对比（Qwen3、Llama3、DeepSeek）

向量数据库与知识库

• 向量表示与语义检索原理

• Milvus生产级部署：索引类型、分片策略

• 知识库构建流水线：文档解析→分块策略→向量化→索引

RAG技术基础

• RAG vs Fine-tuning：适用场景对比

• Naive RAG架构：检索→增强→生成

• 检索优化：混合检索（向量+关键词）、重排序、上下文压缩

• 生成优化：提示工程、引用溯源、幻觉检测

高级RAG技术

• 查询改写与扩展（HyDE、Step-back）

• 递归检索与多跳推理

• 自适应检索（Self-RAG）

• Modular RAG：索引模块化、检索路由

RAG系统评估与优化

• 评估框架：忠实度、答案相关性、上下文精确率

• 检索调优：Embedding模型选择、查询优化

• 生成质量：引用格式、多文档融合、拒答策略

实战：企业级RAG系统

• 多源数据接入（PDF/数据库/API）

• 智能文档解析与语义分块

• 金融场景：智能研报检索生成系统

微调技术体系

• 全参数微调 vs PEFT

• Prefix/P-Tuning/Prompt Tuning

• LoRA/QLoRA/DoRA原理与选型

• Freeze与分层微调策略

Qwen2系列深度实战

• Qwen2模型家族：0.5B到72B能力边界

• 权重量化：GPTQ、AWQ、GGUF、FP8

• 工具调用（Function Calling）：Schema定义、调用链路

• 代码解释器集成：沙箱执行、结果可视化

微调全流程实战

• 领域数据构建：指令设计、数据清洗、质量评估

• SFT训练配置：学习率调度、显存优化、断点续训

• 模型评估：微调前后表现对比

企业场景案例

• 金融：自动化研报生成（RAG+微调混合架构）

• 智能写作助手：合规文案生成与风格迁移

Agent架构、MCP与Skills

• Agent架构：ReAct、Plan-and-Execute、Multi-Agent协作

• MCP：模型上下文协议

• 记忆系统：短期上下文与长期向量存储

• Skills设计：原子能力封装、API标准化、动态加载

AI辅助开发实战

• AI Coding工作流：Cursor/Copilot/通义灵码深度应用

• vibe coding：氛围编程；自然语言驱动代码生成

• AI辅助RAG开发：数据Pipeline自动生成、评估自动化

Openclaw实战

• 核心定位：从”对话AI”到”执行型AI Agent”的范式跃迁，官方定位为 AI Agent 运行时环境（真正能做事的AI）

• 核心架构三要素：

--Gateway（统一入口/网关）：请求路由、认证鉴权、负载均衡

--Agent（智能执行核心）：任务拆解、决策调度、上下文管理

--Workspace（工作环境）：文件系统隔离、环境变量、持久化存储

• 与传统AI/RAG的核心差异：

--无状态文本交互 → 有状态 Agent Loop（感知→决策→行动→记忆）

--被动响应 → 主动执行（工具调用、文件操作、代码运行）

• 技术栈全景：TypeScript 核心、LLM 适配层（OpenAI/Anthropic/本地模型）、MCP 协议层、Skill 插件层、向量存储层