什么是 Embedding
1.1 一句话解释
Embedding（嵌入）= 把文字转换成数字向量
1.2 形象理解
想象你要给每个人建立档案
传统方式（文字）
Embedding 方式（向量）
这些数字向量包含了所有信息，而且相似的人向量会更接近。
1.3 核心特点
三个核心特点
-
- 固定维度：无论文本长短，都转换为固定长度的向量（如 768 维、1536 维）
-
- 语义相似：意思相近的文本，向量也相近
-
- 可计算：可以用数学方法计算相似度
2. 为什么需要 Embedding
2.1 计算机不懂文字
问题： 计算机如何判断两段文字是否相似？
错误方法：字符串匹配
正确方法：Embedding + 向量相似度
2.2 应用场景
2.3 实际案例对比
场景：在知识库中搜索
用户问题： “如何重置密码？”
知识库中的文档：
-
- “忘记密码怎么办”
-
- “修改登录凭证的方法”
-
- “公司年会时间安排”
传统关键词搜索：
- • 搜索 “重置密码”
- • 结果：无匹配 （因为知识库中没有"重置"这个词）
Embedding 语义搜索：
- • 计算问题的 embedding
- • 与所有文档的 embedding 计算相似度
- • 结果：
- • 文档1：“忘记密码怎么办” - 相似度 0.89
- • 文档2：“修改登录凭证的方法” - 相似度 0.76
- • 文档3：“公司年会时间安排” - 相似度 0.12
3. Embedding 的工作原理
3.1 从词向量到句子向量
早期：Word2Vec（词向量）
特点：
- • 只能处理单个词
- • 相似的词向量相近（apple 和 orange）
现代：Transformer（句子向量）
特点：
- • 可以处理整个句子/段落
- • 理解上下文关系
- • 捕捉语义信息
3.2 Embedding 模型的训练
训练方式举例：
-
- 对比学习
- • 正样本对：
"天气真好" <-> "今天天气不错"→ 向量要接近 - • 负样本对：
"天气真好" <-> "我喜欢编程"→ 向量要远离
-
- 问答对训练
- • 问题：
"如何学习 Python？" - • 答案：
"可以从基础语法开始..." - • 目标：问题和答案的 embedding 要接近
3.3 维度的意义
为什么是 768 维或 1536 维？
每一维可以理解为捕捉某种语义特征：
直观比喻：
- • 1 维：只能表示"大小"（一条线）
- • 2 维：能表示"长宽"（一个平面）
- • 3 维：能表示"长宽高"（一个空间）
- • 1536 维：能表示 1536 种不同的语义特征（超空间）
4. 向量相似度计算
4.1 三种常见相似度算法
余弦相似度（最常用）
公式：
图示：
优点：
- • 不受向量长度影响
- • 只关注方向
- • 适合文本相似度
欧氏距离
点积（内积）
对比
余弦相似度：文本语义比较、文档检索排序、内容推荐系统（多数场景用的都是这个）
欧氏距离：空间位置测量、聚类分析、异常检测
点积相似度：快速初步筛选、计算资源有限场景（说白了，就是比较拉）
4.2 实际例子
余弦相似度计算：
image-20251123230640603
4.3 相似度阈值设置
5. 常见的 Embedding 模型
5.1 国际主流模型
5.2 国内主流模型
5.3 开源 vs 闭源
5.4 模型性能对比
中文检索任务 Benchmark：
推荐选择：
- • 🥇 中文 RAG：阿里 text-embedding-v4
- • 🥈 预算有限：bge-large-zh（开源）
- • 🥉 英文为主：OpenAI text-embedding-3-small
6. 向量数据库介绍
6.1 为什么需要向量数据库？
问题： 假设你有 100 万个文档的 embedding
暴力搜索：
向量数据库：
6.2 常见向量数据库对比
在这里插入图片描述
6.3 Milvus 架构
核心概念：
-
- Collection（集合）
- • 类似关系型数据库的"表"
- • 存储同一类型的向量
-
- Field（字段）
- • 向量字段：存储 embedding
- • 标量字段：存储元数据（ID、文本、标签等）
-
- Index（索引）
- • HNSW：高性能，内存占用大
- • IVF_FLAT：平衡性能和内存
- • DiskANN：处理超大规模
-
- Partition（分区）
- • 按业务逻辑分区（如按日期、类别）
- • 提高查询效率
6.4 向量检索流程
7. 实战：LangChain4j + 阿里 text-embedding-v4 + Milvus
7.1 环境准备
依赖配置（Maven）
<dependencies> <!-- LangChain4j 核心 --> <dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j</artifactId> <version>0.35.0</version> </dependency> <!-- LangChain4j DashScope（阿里通义）集成 --> <dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j-dashscope</artifactId> <version>0.35.0</version> </dependency> <!-- LangChain4j Milvus 支持 --> <dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j-milvus</artifactId> <version>0.35.0</version> </dependency> <!-- 日志 --> <dependency> <groupId>org.slf4j</groupId> <artifactId>slf4j-simple</artifactId> <version>2.0.9</version> </dependency></dependencies>
Docker 启动 Milvus
# 下载 docker-compose.ymlwget https://github.com/milvus-io/milvus/releases/download/v2.4.1/milvus-standalone-docker-compose.yml -O docker-compose.yml# 启动 Milvusdocker-compose up -d# 检查状态docker-compose ps# 访问 Milvus# 默认端口：19530# Attu 可视化界面：8000
Milvus 服务说明：
- • Milvus：向量数据库服务（端口 19530）
- • Etcd：元数据存储
- • MinIO：对象存储
- • Attu：Web 管理界面（可选，端口 3000）
7.2 核心代码实现
步骤 1：创建阿里云 Embedding 模型
使用 langchain4j-dashscope 官方集成，无需自己实现 HTTP 调用：
import dev.langchain4j.model.dashscope.QwenEmbeddingModel;import dev.langchain4j.model.embedding.EmbeddingModel;import java.time.Duration;/** * 阿里云 DashScope Embedding 模型工厂 */publicclassEmbeddingModelFactory { /** * 创建 text-embedding-v4 模型 * * @param apiKey 阿里云 API Key * @return Embedding 模型实例 */ publicstatic EmbeddingModel createQwenEmbeddingModel(String apiKey) { return QwenEmbeddingModel.builder() .apiKey(apiKey) .modelName("text-embedding-v4") // 使用 v4 版本 .build(); } /** * 创建 text-embedding-v3 模型（如果需要） */ publicstatic EmbeddingModel createQwenEmbeddingV3(String apiKey) { return QwenEmbeddingModel.builder() .apiKey(apiKey) .modelName("text-embedding-v3") .build(); } /** * 创建带详细日志的模型（用于调试） */ publicstatic EmbeddingModel createQwenEmbeddingWithLogs(String apiKey) { return QwenEmbeddingModel.builder() .apiKey(apiKey) .modelName("text-embedding-v4") .build(); }}
步骤 2：初始化 Milvus 连接
import dev.langchain4j.data.segment.TextSegment;import dev.langchain4j.store.embedding.EmbeddingStore;import dev.langchain4j.store.embedding.milvus.MilvusEmbeddingStore;import io.milvus.param.IndexType;import io.milvus.param.MetricType;/** * Milvus 向量存储配置 */publicclassMilvusConfig { privatestaticfinalStringMILVUS_HOST="localhost"; privatestaticfinalintMILVUS_PORT=19530; privatestaticfinalStringCOLLECTION_NAME="knowledge_base_v2"; // 改用新集合名 privatestaticfinalintDIMENSION=1024; // text-embedding-v4 维度 /** * 创建 Milvus Embedding 存储 * 不指定索引类型，让 LangChain4j 自动选择 */ publicstatic EmbeddingStore<TextSegment> createEmbeddingStore() { return MilvusEmbeddingStore.builder() .host(MILVUS_HOST) // Milvus 主机地址 .port(MILVUS_PORT) // Milvus 端口 .collectionName(COLLECTION_NAME) .dimension(DIMENSION) // 不指定 indexType，使用默认配置 // 不指定 metricType，使用默认配置 .build(); } /** * 创建 IVF_FLAT 索引的存储（适合中等数据集） * 注意：LangChain4j 的 MilvusEmbeddingStore 可能不支持自定义 IVF 参数 * 建议使用 FLAT 或 HNSW */ publicstatic EmbeddingStore<TextSegment> createIVFFlatStore() { return MilvusEmbeddingStore.builder() .host(MILVUS_HOST) .port(MILVUS_PORT) .collectionName(COLLECTION_NAME + "_ivf") .dimension(DIMENSION) .indexType(IndexType.IVF_FLAT) .metricType(MetricType.IP) .build(); } /** * 创建高性能配置的 Milvus 存储（HNSW 索引） * 适合大数据集，性能最好但内存占用大 */ publicstatic EmbeddingStore<TextSegment> createHighPerformanceStore() { return MilvusEmbeddingStore.builder() .host(MILVUS_HOST) .port(MILVUS_PORT) .collectionName(COLLECTION_NAME + "_high_perf") .dimension(DIMENSION) .indexType(IndexType.HNSW) // HNSW：更高性能，更大内存 .metricType(MetricType.COSINE) // 余弦相似度 .build(); } /** * 创建自定义配置的 Milvus 存储 */ publicstatic EmbeddingStore<TextSegment> createCustomStore( String host, int port, String collectionName, int dimension) { return MilvusEmbeddingStore.builder() .host(host) .port(port) .collectionName(collectionName) .dimension(dimension) .indexType(IndexType.FLAT) // 使用 FLAT 避免参数问题 .metricType(MetricType.IP) .build(); }}
步骤 3：文档索引（存储）
import com.example.embedding.config.EmbeddingModelFactory;import com.example.embedding.config.MilvusConfig;import dev.langchain4j.data.document.Document;import dev.langchain4j.data.document.DocumentSplitter;import dev.langchain4j.data.document.splitter.DocumentSplitters;import dev.langchain4j.data.embedding.Embedding;import dev.langchain4j.data.segment.TextSegment;import dev.langchain4j.model.embedding.EmbeddingModel;import dev.langchain4j.store.embedding.EmbeddingStore;import java.util.List;/** * 文档索引服务：将文档切分、向量化并存储到 Milvus */publicclassDocumentIndexer { privatefinal EmbeddingModel embeddingModel; privatefinal EmbeddingStore<TextSegment> embeddingStore; privatefinal DocumentSplitter documentSplitter; publicDocumentIndexer(String apiKey) { // 使用 LangChain4j 官方的 DashScope 集成 this.embeddingModel = EmbeddingModelFactory.createQwenEmbeddingModel(apiKey); this.embeddingStore = MilvusConfig.createEmbeddingStore(); // 文档分割器：每 500 字符一个片段，重叠 50 字符 this.documentSplitter = DocumentSplitters.recursive(500, 50); } /** * 索引单个文档 */ publicvoidindexDocument(String documentText) { System.out.println("开始索引文档..."); // 1. 创建文档 Documentdocument= Document.from(documentText); // 2. 切分文档 List<TextSegment> segments = documentSplitter.split(document); System.out.println("文档切分为 " + segments.size() + " 个片段"); // 3. 生成 embeddings System.out.println("正在生成向量..."); List<Embedding> embeddings = embeddingModel.embedAll(segments).content(); System.out.println("生成了 " + embeddings.size() + " 个向量"); // 4. 存储到 Milvus System.out.println("正在存储到 Milvus..."); embeddingStore.addAll(embeddings, segments); System.out.println("✅ 成功存储到 Milvus"); } /** * 批量索引多个文档 */ publicvoidindexDocuments(List<String> documents) { for (inti=0; i < documents.size(); i++) { System.out.println("\n========================================"); System.out.println("索引文档 " + (i + 1) + "/" + documents.size()); System.out.println("========================================"); indexDocument(documents.get(i)); } } /** * 索引带元数据的文档 */ publicvoidindexDocumentWithMetadata(String text, String category, String source) { Documentdocument= Document.from(text); List<TextSegment> segments = documentSplitter.split(document); // 为每个片段添加元数据 for (TextSegment segment : segments) { segment.metadata().put("category", category); segment.metadata().put("source", source); segment.metadata().put("timestamp", String.valueOf(System.currentTimeMillis())); } List<Embedding> embeddings = embeddingModel.embedAll(segments).content(); embeddingStore.addAll(embeddings, segments); System.out.println("✅ 存储了 " + segments.size() + " 个片段（类别：" + category + "）"); }}
步骤 4：语义检索（查询）
import com.example.embedding.config.EmbeddingModelFactory;import com.example.embedding.config.MilvusConfig;import dev.langchain4j.data.embedding.Embedding;import dev.langchain4j.data.segment.TextSegment;import dev.langchain4j.model.embedding.EmbeddingModel;import dev.langchain4j.store.embedding.EmbeddingMatch;import dev.langchain4j.store.embedding.EmbeddingStore;import java.util.List;/** * 语义检索服务 */publicclassSemanticSearcher { privatefinal EmbeddingModel embeddingModel; privatefinal EmbeddingStore<TextSegment> embeddingStore; publicSemanticSearcher(String apiKey) { // 使用 LangChain4j 官方的 DashScope 集成 this.embeddingModel = EmbeddingModelFactory.createQwenEmbeddingModel(apiKey); this.embeddingStore = MilvusConfig.createEmbeddingStore(); } /** * 语义搜索 * * @param query 查询文本 * @param maxResults 返回最多几个结果 * @param minScore 最小相似度阈值（0-1） * @return 相关文档列表 */ public List<EmbeddingMatch<TextSegment>> search(String query, int maxResults, double minScore) { // 1. 将查询转换为向量 System.out.println("正在生成查询向量..."); EmbeddingqueryEmbedding= embeddingModel.embed(query).content(); // 2. 在 Milvus 中检索 System.out.println("正在检索..."); List<EmbeddingMatch<TextSegment>> matches = embeddingStore.findRelevant( queryEmbedding, maxResults, minScore ); return matches; } /** * 打印搜索结果 */ publicvoidprintSearchResults(String query) { System.out.println("\n=========================================="); System.out.println("查询：" + query); System.out.println("=========================================="); List<EmbeddingMatch<TextSegment>> results = search(query, 5, 0.5); if (results.isEmpty()) { System.out.println("❌ 未找到相关内容"); return; } for (inti=0; i < results.size(); i++) { EmbeddingMatch<TextSegment> match = results.get(i); System.out.printf("\n📄 结果 %d (相似度: %.3f):\n", i + 1, match.score()); System.out.println("----------------------------------------"); System.out.println(match.embedded().text()); System.out.println("----------------------------------------"); } } /** * 搜索并返回最佳匹配 */ public String searchBestMatch(String query) { List<EmbeddingMatch<TextSegment>> results = search(query, 1, 0.5); if (results.isEmpty()) { return"未找到相关内容"; } return results.get(0).embedded().text(); } /** * 按类别搜索（需要先索引时添加了元数据） */ publicvoidsearchByCategory(String query, String category) { List<EmbeddingMatch<TextSegment>> matches = search(query, 10, 0.5); // 过滤指定类别 List<EmbeddingMatch<TextSegment>> filtered = matches.stream() .filter(match -> { StringmetaCategory= match.embedded().metadata("category"); return category.equals(metaCategory); }) .toList(); System.out.println("\n类别「" + category + "」的搜索结果："); for (inti=0; i < filtered.size(); i++) { EmbeddingMatch<TextSegment> match = filtered.get(i); System.out.printf("\n结果 %d (相似度: %.3f):\n", i + 1, match.score()); System.out.println(match.embedded().text()); } }}
步骤 5：完整示例程序
import com.example.embedding.service.DocumentIndexer;import com.example.embedding.service.SemanticSearcher;import java.util.List;import java.util.Scanner;/** * Embedding Demo 主程序 * 演示：文档索引 + 语义检索 */publicclassEmbeddingDemo { publicstaticvoidmain(String[] args) { // ============ 配置 API Key ============ // 替换为你的阿里云 API Key // 获取地址：https://dashscope.aliyun.com/ StringapiKey= getApiKey(); // ============ 第一步：索引文档 ============ System.out.println("========================================"); System.out.println(" 📚 开始索引知识库文档"); System.out.println("========================================"); DocumentIndexerindexer=newDocumentIndexer(apiKey); // 准备知识库文档 List<String> knowledgeBase = List.of( """ 密码重置流程： 1. 访问登录页面，点击"忘记密码" 2. 输入注册邮箱 3. 查收邮件中的重置链接 4. 设置新密码（至少8位，包含字母和数字） 5. 使用新密码登录 注意：重置链接有效期为24小时。 """, """ 账号安全建议： - 定期更换密码（建议每3个月一次） - 不要使用弱密码（如123456、生日等） - 启用两步验证增强安全性 - 不要在多个网站使用相同密码 - 发现异常登录及时修改密码 """, """ 公司年会安排： 时间：2025年1月20日 18:00-22:00 地点：香格里拉大酒店3楼宴会厅 着装要求：商务正装 节目报名：请在1月10日前提交到人事部 抽奖活动：特等奖iPhone 15 Pro一部 """, """ 请假流程： 1. 提前3天在OA系统提交请假申请 2. 等待直属主管审批 3. 超过3天需要部门总监审批 4. 病假需要提供医院证明 5. 年假需要提前一周申请 特殊情况：紧急事假可电话或微信告知主管。 """, """ 报销流程： 1. 在财务系统提交报销申请 2. 上传发票照片（需清晰可见） 3. 填写报销事由和金额 4. 主管审批后提交财务部 5. 财务审核通过后3-5个工作日到账 报销范围：差旅费、招待费、办公用品等 """, """ 远程办公政策： - 每周可申请1-2天远程办公 - 需提前一天在系统申请 - 保持在线状态，及时响应消息 - 参加线上会议必须开启摄像头 - 工作时间与办公室一致（9:00-18:00） """ ); // 索引所有文档 indexer.indexDocuments(knowledgeBase); System.out.println("\n========================================"); System.out.println(" ✅ 文档索引完成！"); System.out.println("========================================"); // 等待索引生效 System.out.println("\n等待 Milvus 索引生效（2秒）..."); try { Thread.sleep(2000); } catch (InterruptedException e) { e.printStackTrace(); } // ============ 第二步：语义检索 ============ System.out.println("\n========================================"); System.out.println(" 🔍 开始语义检索测试"); System.out.println("========================================"); SemanticSearchersearcher=newSemanticSearcher(apiKey); // 预设测试查询 List<String> testQueries = List.of( "我忘记密码了怎么办？", "我想请病假，需要什么流程？", "公司年会什么时候举办？", "如何保护账号安全？", "可以在家办公吗？", "报销需要多久到账？" ); for (String query : testQueries) { searcher.printSearchResults(query); System.out.println("\n"); } System.out.println("========================================"); System.out.println(" ✅ 测试完成！"); System.out.println("========================================"); // ============ 第三步：交互式查询 ============ interactiveSearch(searcher); } /** * 交互式查询模式 */ privatestaticvoidinteractiveSearch(SemanticSearcher searcher) { System.out.println("\n========================================"); System.out.println(" 💬 进入交互式查询模式"); System.out.println(" 输入 'exit' 退出"); System.out.println("========================================\n"); Scannerscanner=newScanner(System.in); while (true) { System.out.print("请输入查询内容："); Stringquery= scanner.nextLine().trim(); if (query.equalsIgnoreCase("exit")) { System.out.println("👋 再见！"); break; } if (query.isEmpty()) { continue; } try { searcher.printSearchResults(query); System.out.println(); } catch (Exception e) { System.err.println("❌ 查询失败：" + e.getMessage()); } } scanner.close(); } /** * 获取 API Key * 优先从环境变量读取，如果没有则使用硬编码的值 */ privatestatic String getApiKey() { // 方式1：从环境变量读取（推荐） StringapiKey= System.getenv("DASHSCOPE_API_KEY"); // 方式2：从系统属性读取 if (apiKey == null || apiKey.isEmpty()) { apiKey = System.getProperty("dashscope.api.key"); } // 方式3：硬编码（不推荐，仅用于测试） if (apiKey == null || apiKey.isEmpty()) { // TODO: 替换为你的 API Key apiKey = "sk-********c4573"; } return apiKey; }}
7.3 运行结果示例
milvus的数据展示
最终输出展示
======================================== 📚 开始索引知识库文档================================================================================索引文档 1/6========================================开始索引文档...文档切分为 1 个片段正在生成向量...生成了 1 个向量正在存储到 Milvus...✅ 成功存储到 Milvus========================================索引文档 2/6========================================开始索引文档...文档切分为 1 个片段正在生成向量...生成了 1 个向量正在存储到 Milvus...✅ 成功存储到 Milvus========================================索引文档 3/6========================================开始索引文档...文档切分为 1 个片段正在生成向量...生成了 1 个向量正在存储到 Milvus...✅ 成功存储到 Milvus========================================索引文档 4/6========================================开始索引文档...文档切分为 1 个片段正在生成向量...生成了 1 个向量正在存储到 Milvus...✅ 成功存储到 Milvus========================================索引文档 5/6========================================开始索引文档...文档切分为 1 个片段正在生成向量...生成了 1 个向量正在存储到 Milvus...✅ 成功存储到 Milvus========================================索引文档 6/6========================================开始索引文档...文档切分为 1 个片段正在生成向量...生成了 1 个向量正在存储到 Milvus...✅ 成功存储到 Milvus======================================== ✅ 文档索引完成！========================================等待 Milvus 索引生效（2秒）...======================================== 🔍 开始语义检索测试==================================================================================查询：我忘记密码了怎么办？==========================================正在生成查询向量...正在检索...📄 结果 1 (相似度: 0.867):----------------------------------------密码重置流程：1. 访问登录页面，点击"忘记密码"2. 输入注册邮箱3. 查收邮件中的重置链接4. 设置新密码（至少8位，包含字母和数字）5. 使用新密码登录注意：重置链接有效期为24小时。----------------------------------------📄 结果 2 (相似度: 0.798):----------------------------------------账号安全建议：- 定期更换密码（建议每3个月一次）- 不要使用弱密码（如123456、生日等）- 启用两步验证增强安全性- 不要在多个网站使用相同密码- 发现异常登录及时修改密码----------------------------------------📄 结果 3 (相似度: 0.687):----------------------------------------请假流程：1. 提前3天在OA系统提交请假申请2. 等待直属主管审批3. 超过3天需要部门总监审批4. 病假需要提供医院证明5. 年假需要提前一周申请特殊情况：紧急事假可电话或微信告知主管。----------------------------------------📄 结果 4 (相似度: 0.672):----------------------------------------报销流程：1. 在财务系统提交报销申请2. 上传发票照片（需清晰可见）3. 填写报销事由和金额4. 主管审批后提交财务部5. 财务审核通过后3-5个工作日到账报销范围：差旅费、招待费、办公用品等----------------------------------------📄 结果 5 (相似度: 0.657):----------------------------------------远程办公政策：- 每周可申请1-2天远程办公- 需提前一天在系统申请- 保持在线状态，及时响应消息- 参加线上会议必须开启摄像头- 工作时间与办公室一致（9:00-18:00）----------------------------------------==========================================查询：我想请病假，需要什么流程？==========================================正在生成查询向量...正在检索...📄 结果 1 (相似度: 0.875):----------------------------------------请假流程：1. 提前3天在OA系统提交请假申请2. 等待直属主管审批3. 超过3天需要部门总监审批4. 病假需要提供医院证明5. 年假需要提前一周申请特殊情况：紧急事假可电话或微信告知主管。----------------------------------------📄 结果 2 (相似度: 0.773):----------------------------------------报销流程：1. 在财务系统提交报销申请2. 上传发票照片（需清晰可见）3. 填写报销事由和金额4. 主管审批后提交财务部5. 财务审核通过后3-5个工作日到账报销范围：差旅费、招待费、办公用品等----------------------------------------📄 结果 3 (相似度: 0.766):----------------------------------------远程办公政策：- 每周可申请1-2天远程办公- 需提前一天在系统申请- 保持在线状态，及时响应消息- 参加线上会议必须开启摄像头- 工作时间与办公室一致（9:00-18:00）----------------------------------------📄 结果 4 (相似度: 0.686):----------------------------------------公司年会安排：时间：2025年1月20日 18:00-22:00地点：香格里拉大酒店3楼宴会厅着装要求：商务正装节目报名：请在1月10日前提交到人事部抽奖活动：特等奖iPhone 15 Pro一部----------------------------------------📄 结果 5 (相似度: 0.673):----------------------------------------密码重置流程：1. 访问登录页面，点击"忘记密码"2. 输入注册邮箱3. 查收邮件中的重置链接4. 设置新密码（至少8位，包含字母和数字）5. 使用新密码登录注意：重置链接有效期为24小时。----------------------------------------
7.4 核心要点回顾
普通人如何抓住AI大模型的风口？
领取方式在文末
为什么要学习大模型？
目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。
目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！
最后
只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
大模型全套学习资料展示
自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。
希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！
01 教学内容
-
从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！
-
大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
02适学人群
应届毕业生： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
vx扫描下方二维码即可
本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！
03 入门到进阶学习路线图
大模型学习路线图，整体分为5个大的阶段：
04 视频和书籍PDF合集
从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）
新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
05 行业报告+白皮书合集
收集70+报告与白皮书，了解行业最新动态！
06 90+份面试题/经验
AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）
07 deepseek部署包+技巧大全
由于篇幅有限
只展示部分资料
并且还在持续更新中…
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
扫一扫
1195
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
