中小企业AI落地第一步：揭秘RAG+Agent如何低成本打造内部知识库问答智能体！
本文深入解析了RAG（检索增强生成）技术如何帮助企业低成本、高效率地构建内部知识库问答智能体。文章以产品经理视角，详细阐述了RAG+Agent的架构设计、五层设计要点、检索策略优化及常见问题排查方法，并结合实际案例展示了从0到1搭建企业内部报销问答智能体的完整流程。强调RAG是中小企业的AI落地首选方案，因其成本最低、见效最快、风险最小，且无需大量标注数据。
上周，我那个转型AI产品经理的朋友又来找我了。
他一脸兴奋：“第五篇和第六篇我看了，智能体我懂了，思维转变我也明白了。但我现在遇到一个实际问题——公司想做一个内部知识库问答智能体，让员工问‘报销流程是什么’、‘客户投诉怎么处理’、‘某个项目的技术方案’这类问题。我用大模型直接答，它有时候瞎编；用Prompt写规则，又写不全；用微调，又没那么多标注数据。怎么办？”
我说：“你这个问题，正是RAG要解决的。而且我告诉你一个秘密——大部分公司做AI落地，第一步都是RAG。不是因为其他技术不行，而是因为RAG是成本最低、见效最快、风险最小的方案。今天这篇，我就把RAG+Agent怎么搭、怎么用、怎么优化，从产品经理的角度彻底讲透。”
一、先讲个故事：为什么把文档塞给大模型也不行？
小张是一家中型公司的产品经理。公司有5000份内部文档：员工手册、产品说明、流程规范、历史项目总结、客户案例库。老板说：“我们要用AI，让员工能快速查到这些信息。”
小张一开始的做法很简单：把所有文档内容直接塞进Prompt，然后问大模型。
结果他发现几个问题：
问题1：Prompt装不下
一份员工手册就200页，全部塞进去Prompt就爆了。大模型的上下文长度有限（即使是长上下文模型，塞太多内容成本也极高）。他只能选几份关键文档塞进去，但员工问的问题五花八门，覆盖不全。
问题2：塞进去也找不到
即使他把相关文档塞进去了，大模型也不一定答对。因为大模型是“猜词”机制，不是“检索”机制。当Prompt里有5000字的内容时，大模型可能“注意”不到藏在中间的那句话。就像你给一个人一本书让他找答案，他可能翻半天找不到，或者看错行。
问题3：文档一更新就废了
公司文档经常更新。每次更新，小张都要重新整理Prompt，重新测试。改一个文档，可能要改几十个Prompt。
结果：
- 员工问“差旅报销标准”，大模型答“根据公司规定，差旅住宿标准为一线城市500元/天”——这个信息是旧版的，因为小张用的是旧文档。
- 员工问“客户投诉处理流程”，大模型答得头头是道，但其中一步“填写投诉工单”的链接是错的——因为文档里的链接过期了，大模型照搬了错误信息。
- 员工问“某某项目的技术方案”，大模型说“我查不到这个信息”——因为小张没把那份文档塞进去。
小张崩溃了：“我明明把文档塞给大模型了，为什么还是不行？”
老李走过来，说：“你犯了一个常见错误。你让大模型‘背’文档，但它不是人，它不会‘背’。它是猜词机器，不是检索系统。你需要的是：先让系统检索到正确的文档片段，再把片段给大模型，让它基于片段回答。这就是RAG。”
这样逻辑就通顺了：大模型不是“没读过”文档，而是“读了但读不准”。RAG解决的不是“有没有读”的问题，而是“怎么精准读、怎么低成本读、怎么实时读”的问题。
二、RAG是什么？——让AI从“闭卷考试”变成“开卷考试”
RAG（Retrieval-Augmented Generation，检索增强生成）的核心思想，用一个比喻就能讲明白：
纯大模型：闭卷考试。你问它问题，它凭“记忆”答。记忆可能过时、可能不完整、可能张冠李戴。就像你参加历史考试，但不能翻书，全靠脑子记。万一记错了，就答错了。
RAG：开卷考试。你问问题，它先翻书（检索知识库），找到相关章节，再根据这些内容回答。就像你参加历史考试，可以翻课本、翻笔记，答案有据可查，不会瞎编。
RAG+Agent：不仅开卷，还能自己决定翻哪些书、怎么翻、翻完怎么整理。而且可以持续更新知识库，越用越准。就像你不仅开卷，还配了一个图书管理员帮你找资料，一个学霸帮你总结答案，一个助教帮你检查对错。
为什么RAG是中小企业的首选？
- 成本低：不需要标注数据，不需要训练模型
- 见效快：一周搭好原型，两周上线
- 可解释：答案可以溯源，用户知道“为什么是这个答案”
- 易更新：文档改了，知识库同步改，不需要重新训练模型
三、RAG+Agent架构：五层设计（产品经理必须懂）
一个完整的企业级RAG+Agent智能体，需要设计五层。每一层我都用报销问答的例子说明：
┌─────────────────────────────────────────────────────────────────┐
│ 企业知识库问答智能体（RAG+Agent） │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ 第一层：感知层（硬） │ │
│ │ 产品经理要设计： │ │
│ │ • 用户怎么问？是打字？语音？选择菜单？ │ │
│ │ • 问题怎么分类？是报销类、流程类、产品类？ │ │
│ │ • 什么时候触发检索？每个问题都查？还是先判断一下？ │ │
│ │ │ │
│ │ 案例：用户问“差旅住宿标准是多少？” │ │
│ │ 智能体识别这是“报销类”问题，触发检索动作 │ │
│ └─────────────────────────────────────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ 第二层：检索层（硬） │ │
│ │ 产品经理要设计： │ │
│ │ • 知识库从哪来？哪些文档要加？哪些不要？ │ │
│ │ • 文档怎么切？多长一段合适？（太短信息不全，太长不准） │ │
│ │ • 用什么模型转向量？（开源免费还是付费API？） │ │
│ │ • 检索策略：相似度阈值设多少？返回几条？要不要重排序？ │ │
│ │ │ │
│ │ 案例：智能体在知识库中检索，找到3段相关内容： │ │
│ │ • 《员工报销手册》第3章：“住宿标准：一线城市500元/天” │ │
│ │ • 《差旅管理规定》第2条：“住宿费需凭发票报销” │ │
│ │ • 《常见问题FAQ》第8条：“超标住宿需提前申请” │ │
│ └─────────────────────────────────────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ 第三层：决策层（软） │ │
│ │ 产品经理要设计（这里是Prompt技巧的主场）： │ │
│ │ • 角色设定：“你是公司报销助手，回答要简洁、准确” │ │
│ │ • 规则设置：“如果资料中有答案，总结后标注来源” │ │
│ │ • 规则设置：“如果资料中没有，说‘我查不到，联系HR’” │ │
│ │ • 思维链：“一步步分析：问题是什么→检索了什么→怎么回答”│ │
│ │ • Few-shot：给1-2个示例，教模型怎么总结、怎么标注 │ │
│ │ │ │
│ │ 案例：智能体用Prompt组织回答： │ │
│ │ “根据《员工报销手册》，一线城市住宿标准为500元/天。 │ │
│ │ 请注意：需凭发票报销，超标需提前申请。” │ │
│ │ 底部标注：“来源：《员工报销手册》第3章” │ │
│ └─────────────────────────────────────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ 第四层：执行层（硬） │ │
│ │ 产品经理要设计： │ │
│ │ • 答案怎么展示？纯文字？带链接？带图片？ │ │
│ │ • 用户不满意怎么办？加“有用/无用”按钮？ │ │
│ │ • 需要转人工怎么办？加“联系HR”按钮？ │ │
│ │ │ │
│ │ 案例：用户看到答案，如果觉得有用点“有用”，觉得没用 │ │
│ │ 点“无用”，还可以直接点击“联系HR”发起人工咨询 │ │
│ └─────────────────────────────────────────────────────────┘ │
│ ↓ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ 第五层：反馈层（硬） │ │
│ │ 产品经理要设计： │ │
│ │ • 怎么收集反馈？点赞点踩？满意度评分？ │ │
│ │ • 怎么分析日志？哪些问题检索不到？哪些答案不满意？ │ │
│ │ • 怎么优化知识库？自动提示“这个文档该更新了”？ │ │
│ │ │ │
│ │ 案例：一周后，发现“市内交通费”相关问题的满意度很低， │ │
│ │ 管理员查看日志，发现知识库里没有相关内容，于是补充 │ │
│ │ 《市内交通报销规定》到知识库，问题解决。 │ │
│ └─────────────────────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────┘
产品经理的核心工作：
- 第一层：定义用户怎么问、问题怎么分类
- 第二层：决定哪些文档进知识库、怎么切、怎么检索
- 第三层：写Prompt，让大模型把检索到的内容变成好答案
- 第四层：设计交互界面和转人工流程
- 第五层：设计反馈机制，让智能体越用越好
四、检索策略的5个核心要点
检索是RAG的命门。检索不准，后面大模型再聪明也没用。下面这5个要点，是你在设计RAG时必须拍板的决策点：
要点1：切片大小（Chunk Size）——文档切多长？
产品经理怎么决策：
- 先问：用户问的是“点状信息”（一个数字、一个日期）还是“面状信息”（一个流程、一个概念）？
- 点状信息用小切片，面状信息用大切片。
- 上线后看效果：如果答案信息不全，调大切片；如果答案太啰嗦、包含无关信息，调小切片。
要点2：Embedding模型选择——用什么模型转向量？
产品经理怎么决策：
- 有技术团队、数据敏感 → 开源免费（BGE）
- 没技术团队、想快速验证 → 商业API
- 追求极致效果、预算充足 → 商业高精度
要点3：相似度阈值（Similarity Threshold）——多像才算相关？
相似度分数通常在0-1之间。阈值决定了“多像的才返回”。
产品经理怎么决策：
- 场景对准确率要求高（如医疗、法律）→ 用高阈值，宁缺毋滥
- 场景对覆盖率要求高（如知识探索）→ 用低阈值，宁可多不可漏
- 不确定 → 先用0.7，上线后看Badcase调
要点4：Top-K——返回几条？
Top-K决定了每次检索返回多少条给大模型。
产品经理怎么决策：
- 简单问答（“标准是多少”）→ K=3
- 复杂问题（“整个流程是什么”）→ K=5-7
- 不确定 → 先设5，上线后看效果调
要点5：重排序（Rerank）——让最相关的排前面
第一次检索（向量相似度）可能不够准。重排序是用一个更精细的模型，对检索结果重新打分排序。
产品经理怎么决策：
- 先用向量检索跑通，如果效果不够，再加重排序
- 重排序会显著增加延迟（从几百毫秒到1-2秒），需要权衡用户体验
五、RAG常见问题排查手册
RAG上线后，一定会遇到各种问题。下面是最常见的几类问题，以及产品经理怎么排查、怎么优化：
问题类型1：检索不到相关内容
现象：用户问的问题，知识库里明明有，但智能体说“找不到”。
排查步骤：
-
检查问题是否被正确向量化
：用同样的问题在知识库里手动检索，看能不能找到。如果手动能找到，说明向量化没问题；如果手动也找不到，说明问题本身和文档的表述差异太大。
-
检查相似度阈值是否太高
：把阈值调低0.1，看能不能检索到。如果能，说明阈值设置过高，放低即可。
-
检查Top-K是否太小
：把K调大，看能不能检索到。如果能，说明K太小，调大即可。
-
检查文档切片是否合理
：如果文档切得太小，关键信息可能被切散；如果切得太大，检索可能不准。调整切片大小重新试。
产品经理解决方案：
- 调低阈值
- 调大Top-K
- 优化文档切片
- 如果是表述差异问题，考虑加“同义词”或“查询改写”
问题类型2：检索到了，但内容不相关
现象：检索返回了内容，但这些内容和问题没什么关系。
排查步骤：
-
检查相似度阈值是否太低
：把阈值调高0.1，看结果是否更相关。如果是，说明阈值太低，混入了太多噪声。
-
检查Top-K是否太大
：K太大可能把不相关的内容也捞进来。调小K，看结果是否更精准。
-
检查文档切片是否合理
：如果文档切得太大，一段里包含多个主题，检索时会混入不相关内容。调小切片重试。
-
考虑加重排序
：如果以上都不行，尝试加重排序模型，重新打分。
产品经理解决方案：
- 调高阈值
- 调小Top-K
- 优化文档切片
- 加重排序
问题类型3：检索到了，但大模型答错了
现象：检索到了正确的内容，但大模型生成的答案不对。
排查步骤：
-
检查检索内容是否完整
：把检索到的内容单独拿出来，自己看能不能回答。如果自己都不能，说明检索不完整，需要优化检索。
-
检查Prompt是否写清楚
：大模型可能误解了你的要求。检查Prompt有没有明确说“只基于以下内容回答”“如果不确定就说不知道”。
-
检查思维链是否有效
：大模型可能跳过了推理步骤。用“请一步步分析”强制它推理。
-
检查Few-shot示例是否相关
：示例和当前问题差异太大，模型可能学偏。
产品经理解决方案：
- 优化Prompt（加“只基于以下内容”）
- 加强思维链（“一步步分析”）
- 补充Few-shot示例
- 如果以上都不行，考虑换更大的模型
问题类型4：答案有，但用户不满意
现象：答案技术上正确，但用户觉得“不是我要的”。
排查步骤：
-
检查用户反馈
：用户具体说了什么？是答案太啰嗦？还是没回答到点子上？
-
检查答案格式
：是不是没有标注来源？用户需要溯源。
-
检查答案长度
：是不是太长了？用户想要简洁版；是不是太短了？用户想要详细版。
产品经理解决方案：
- 调整Prompt：让答案更简洁/更详细
- 加“来源标注”，让用户知道信息从哪来
- 加“追问”功能，让用户可以继续问
六、RAG优化实战：一个完整案例
假设我们做了一个报销问答智能体，上线后发现三个问题：
问题1：用户问“打车能报销吗？”，智能体说“找不到”。
排查：手动检索知识库，发现《市内交通报销规定》里有答案，但文件名是“交通费管理规范”，和“打车”不匹配。
优化：加同义词映射，把“打车”“出租车”“网约车”映射到“交通费”。
问题2：用户问“住宿标准”，智能体返回了一堆内容，包括“超标需申请”“发票要求”“住宿标准500元”等，太啰嗦。
排查：Top-K=5，返回了5段内容，有些是相关的，有些是周边的。
优化：Top-K从5降到3，同时加重排序，让“住宿标准”本身排第一。
问题3：用户问“老板出差标准”，智能体说“500元/天”，但实际老板标准更高。
排查：知识库里只有普通员工标准，没有高管标准。
优化：补充高管标准到知识库，加护栏：高管问题转人工。
七、产品经理的RAG设计清单（每一步都有落地建议）
如果你要设计一个企业知识库问答智能体，下面这个清单每一步都要过：
第一步：知识库构建（决定智能体能回答什么）
第二步：检索策略（决定智能体找得准不准）
注：这里讲的是RAG的基础检索策略。如果你想进一步优化效果，还有两个进阶技巧：混合检索（向量+关键词+知识图谱）、查询改写（Query Rewriting）。我们会在后续的8.10篇《RAG检索优化实战》中详细拆解
第三步：决策层设计（决定智能体答得好不好）
这是Prompt技巧的主场，你把之前学的都用上：
角色设定：
“你是公司报销助手。你的职责是帮助员工快速找到报销相关的信息。”
规则设置：
- “如果检索到的资料中有明确答案，请用简洁的语言总结，并标注来源。”
- “如果检索到的资料中没有答案，请回答：‘我查不到相关信息，请联系HR或财务部。’”
- “如果用户问的是敏感信息（如具体人员薪资），请回答：‘这个问题涉及隐私，请联系HR。’”
思维链：
“请一步步思考：
- 用户问的是什么问题？
- 检索到的资料中，哪些是相关的？
- 这些资料是怎么说的？
- 我怎么用简洁的语言总结？”
Few-shot示例：
用户问：“住宿标准是多少？”
资料：《员工报销手册》第3章：“住宿标准：一线城市500元/天，二线城市400元/天。”
回答：“根据《员工报销手册》，一线城市住宿标准为500元/天，二线城市为400元/天。需凭发票报销。”
第四步：护栏设计（防止智能体闯祸）
第五步：反馈与优化（让智能体越用越好）
八、实战案例：从0到1搭一个企业内部报销问答智能体
我用一个完整的案例，把上面所有内容串起来。
背景
某公司有2000名员工，每月有大量报销咨询。HR和财务每天被问“住宿标准是多少？”“打车能不能报销？”“发票丢了怎么办？”等问题。
第1周：准备知识库
- 收集文档：《员工报销手册》《差旅标准》《发票规范》《报销常见问题》，共4份PDF，约200页
- 清洗：去掉旧版内容（比如2019年的标准），统一格式
- 切片：每份PDF切成若干段，每段约800字，共400个片段
- 向量化：用开源的BAAI/bge-large-zh模型，将每个片段转成向量，存入Chroma向量数据库
第2周：搭建检索系统
- 设置相似度阈值0.7，Top-K=5
- 测试：问“住宿标准”，返回5段相关内容，包括住宿标准、差旅规定、超标申请等
第3周：设计Agent工作流
- 用户问：“一线城市住宿标准是多少？”
- 感知层：接收问题，识别为“报销类”
- 检索层：将问题转成向量，检索返回3段相关内容
- 决策层：用Prompt组织答案
你是公司报销助手。请根据以下资料回答用户问题：[检索到的内容]用户问题：一线城市住宿标准是多少？要求：简洁总结，标注来源。
- 执行层：返回答案
“根据《员工报销手册》，一线城市住宿标准为500元/天。需凭发票报销，超标需提前申请。”
底部标注：“来源：《员工报销手册》第3章”
第4周：上线与迭代
- 第一周：开放给10个部门试用，收集反馈
- 发现1：“打车报销”的问题答不准，补充《市内交通报销规定》到知识库
- 发现2：用户喜欢简洁答案，调整Prompt，去掉冗余信息
- 发现3：有人问“老板的住宿标准是多少”，答案显示“500元/天”，但实际老板标准更高。加入护栏：高管相关问题转人工
- 一个月后：覆盖90%的报销问题，准确率95%，HR和财务的咨询量下降70%
九、RAG+Agent vs 其他方案：产品经理怎么选？
产品经理的选择原则：
- 有知识库，没有标注数据 → 选RAG+Agent
- 有标注数据，任务固定 → 考虑微调
- 什么都没有 → 先用RAG+Agent跑起来，有数据再考虑微调
十、最后说一句
我那个朋友听完，说：“原来RAG+Agent就是给智能体配一个‘私家图书馆’，让它每次回答前先翻书。而且这个图书馆可以随时更新，翻书的规则可以随时调，成本还不高。这简直是中小企业的神器。”
我说对。RAG+Agent是构建企业级私有知识大脑的最佳实践，没有之一。它让AI不再依赖“死记硬背”，而是“开卷考试”。知识库是活的，答案是有据可查的，用户是信任的。
你不需要把公司所有文档都喂给模型去微调，只需要建一个向量数据库，让智能体带着它回答问题。成本低、见效快、可迭代。
这就是为什么，几乎所有公司的AI落地，第一步都是RAG。
记住：RAG不是一锤子买卖。它需要你持续观察、持续优化。检索策略的5个参数（切片、Embedding、阈值、Top-K、重排序）不是一次设好就永远不变的，而是要根据Badcase不断调优。
产品经理的核心工作：
- 上线前：定好初始参数
- 上线后：看Badcase，定位问题是“检索不到”“检索不准”还是“答错了”
- 根据问题类型，对症下药：调阈值、调K、优化切片、加同义词、加重排序、改Prompt
这就是RAG的“产品经理版”优化方法论。掌握了这个，你就能让智能体越用越好。
自检清单（你可以带走）
- 我能说出RAG和纯大模型的核心区别（开卷 vs 闭卷）
- 我知道RAG+Agent的五层架构（感知→检索→决策→执行→反馈）
- 我能列出检索策略的5个核心参数（切片、Embedding、阈值、Top-K、重排序）
- 我知道每种参数怎么调、什么场景用什么值
-
我能用排查手册定位RAG的常见问题（检索不到、内容不相关、答错了、用户不满意）
-
我能写出一个RAG场景的Prompt（角色+规则+思维链+Few-shot）
-
我能用决策表帮团队选方案（RAG vs 微调 vs 自建）
最后
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？
答案只有一个：人工智能（尤其是大模型方向）
当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。
再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！
下面是我整理的大模型学习资源，希望能帮到你。
👇👇扫码免费领取全部内容👇👇
最后
1、大模型学习路线
2、从0到进阶大模型学习视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）
4、 AI大模型最新行业报告
2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
5、面试试题/经验
【大厂 AI 岗位面经分享（107 道）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
6、大模型项目实战&配套源码
适用人群
四阶段学习规划（共90天，可落地执行）
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👇👇
3、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】
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
9
0- 0
已为社区贡献111条内容
所有评论(0)