数据收集是向量数据库的源头，可以理解为后续我们要长期采集和更新的知识库或者数据源，在本课中采用了几个项目中的txt和md文档作为数据源。1、langchain工作流程。3、接入langchain。2、数据收集及向量化处理。

参考了官方的视频和教程，在本地windows部署，微调功能的使用相对比较容易上手，不深入研究的话，大体的步骤比较简单，官方文档写的非常清楚，请参考，在此不赘述。本次实战数据集采用的是书生万卷1.0中的法律部分的数据集，配置采用的是internlm2_chat_7b_qlora_lawyer_e3，基础模型使用的是internlm2_chat_7b。

首先了解了大模型的发展历程，从GPT1到GPT4的发展历程，大模型经历自OPENAI发布GPT3.5后进入了快速发展阶段，成为了技术界高度关注的热门技术。课程解决了我的一个疑问，怎么使用大模型，给了我一个非常明确的实践路线。从数据、预训练、微调、部署、评测和应用，书生浦语提供了丰富的工具支撑，解决了开展这些工作的基础工具。后续工作中，我重点关注数据准备和微调，重点学习这两部分，期待在工作中真正实现大模型的落地应用。大模型的出现改变了以往通用人工智能的困局，使得通用人工智能在通用领域的应用变得有可能。

锚点。

1、介绍了大模型部署的背景。

占位。

期待已久的微调课。

使用之前已经配置好的基础环境，如下图所示。

占位。

InternLM-Chat-7B大模型