专栏《大模型+RAG原理与实战》目录

原创 已于 2025-11-29 19:56:54 修改 · 720 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#大模型 #RAG

于 2025-11-20 21:24:06 首次发布

诸神缄默不语-个人技术博文与视频目录

专栏网址：https://blog.youkuaiyun.com/polarisrisingwar/category_13090713.html

本专栏旨在介绍大模型+RAG（知识检索增强）的原理和实战，实战主要关注部署本地AI知识库。RAG能够充分利用私有知识数据来提高模型的专业能力，迅速更新知识，减少大模型生成结果的幻觉，本地化部署能保证私密数据不泄露，符合对数据安全性的要求。

本专栏承诺只会涨价，绝不降价！

（当前目录是撰写规划，可能会根据后续实际撰写安排（随时可能更新技术……）而产生修正）

因为付费专栏要求文章字数必须大于5000字，所以本篇现在不在付费专栏里。

文章目录

1. 大模型+RAG原理简介

  1. 大模型简介+常用大模型教程（上）：
    包括对大模型的简单介绍和对6个常用大模型（ChatGPT、DeepSeek、元宝、Kimi、豆包、Gemini）的使用教程分享
  2. RAG简介和基本原理，与现成知识库的简单使用教程

2. 大模型+RAG实战

  1. PyTorch的下载、安装与基础使用教程
  2. PyTorch的数据预处理、模型训练与评估、推理基础教程
  3. transformers的下载、安装与基础使用教程
  4. 大模型的本地化部署
  5. RAG实战：分块、向量化、检索、排序、生成
  6. 提示工程
  7. 模型的部署、开放服务与前端可视化
  8. 实例1：通过领导讲话、历史文章、新闻材料构建的公文撰写知识库
  9. 实例2：论文润色工具
  10. 实例3：断代史知识库

3. 拓展知识

  1. 人工智能和自然语言处理原理和发展历史
  2. 机器学习基础知识：优化算法和正则化
  3. 深度学习基础知识：MLP、CNN、RNN、Transformer
  4. 自然语言处理基础知识：分词、词表征、seq2seq
  5. 大模型理论简介：从BERT和GPT开始的预训练模型和scaling law

4. 本文撰写过程中参考的资料

部分仅在单章撰写时参考的资料列在单章博文中。

  1. 《大模型应用开发：RAG入门与实战》
大模型微调部署实战及类GPT工具的高效使用
herosunly的博客
07-24 22万+
本文主要介绍了专栏《大模型微调部署实战及类GPT工具的高效使用》的核心内容，希望对使用大语言模型的同学们有所帮助。 文章目录 1. 前言 2. 专栏亮点 3. 你的收获 4. 详细目录
大模型微调和RAG的应用场景
热门推荐
herosunly的博客
06-19 24万+
本文主要介绍了大模型微调和RAG的应用场景，希望对学习大语言模型的同学们有所帮助。 文章目录 1. 前言 2. 大模型微调 vs. RAG
【大模型专栏—实战篇】基于RAG从0到1搭建AI科研知识库
文艺倾年的博客
09-15 2351
背景：大型语言模型（LLM）存在一些固有的局限性，如“模型幻觉问题”、“时效性问题”和“数据安全问题”。介绍：RAG 是检索增强生成（Retrieval Augmented Generation ）的简称，它为大语言模型 (LLMs) 提供了从数据源检索信息的能力，并以此为基础生成回答。步骤1：问题理解，准确把握用户的意图。知识检索，从知识库中相关的知识检索。【难点，用户提问可能以多种方式表达，而知识库的信息来源可能是多样的，包括PDF、PPT、Neo4j等格式。
大模型之Spring AI实战系列（二十一）：Spring AI + MCP + 本地文件系统实战指南
寻道AI，探索AI无限可能！
06-17 1862
在上一篇文章中，我们学习了如何使用 Spring AI 集成 Model Context Protocol (MCP)，并通过 Brave Search 实现了互联网搜索能力的接入。本文将继续深入 Spring AI 的 MCP 实战能力，介绍如何将 **本地文件系统** 封装为 LLM 可调用的工具
RAG专栏：RAG快速实战
m0_37145844的博客
03-26 920
RAG专栏：RAG实战，从原理到代码讲解
用 Docker Compose 部署完整大模型问答系统（DeepSeek-V3 + QLoRA + RAG 实战）
努力分享一些人工智能、计算机视觉、影像等相关的知识干货！
03-26 599
✅ 将 AI 模型从实验走向工程；✅ 解耦训练、推理、检索、前端；✅ 跨平台、跨团队协作复制；✅ 成本可控、更新灵活、安全私有。🧠 不再依赖云服务，你可以拥有自己的私有化 AI 知识中心。
用 LoRA + RAG 构建企业级知识系统：轻量微调 × 高命中率 × 快速部署
努力分享一些人工智能、计算机视觉、影像等相关的知识干货！
04-09 1519
很多企业都在搭 RAG 系统，但光靠向量检索很容易“搜得准、答不对”，尤其中文资料多、行业术语重的时候，大模型往往答得模糊兮兮。这时候加一手 LoRA 微调，能让模型不仅“找到内容”，还“说得明白”，这篇就讲讲怎么把 RAG + LoRA 真正跑通，用在自己的知识系统里，不靠 API，全链路自己掌控。
大模型应用开发实战：从Prompt工程到企业级RAG系统
私聊前往站内信：https://i.youkuaiyun.com/#/msg/chat/weixin_44976692
06-03 1472
《大模型应用开发实战：从Prompt工程到企业级RAG系统》摘要 本文系统介绍大模型在企业级应用的开发范式，涵盖三大核心模块： Prompt工程体系：提出结构化提示框架与动态优化技术，通过质量评估指标（相关性、流畅度、安全性）实现自适应提示生成。 Function Calling实践：设计工具注册中心与权限控制流水线，支持安全可控的外部工具调用（如CRM查询），结合参数校验与执行隔离保障系统安全。
【LLM大模型技术专题】「入门到精通系列教程」基于MCP协议实现集成AI服务开发实战指南（上）
世界上并没有完美的程序，但是我们并不因此而沮丧，因为写程序就是一个不断追求完美的过程。
06-03 400
MCP（即模型上下文协议，Model Context Protocol）是一个开放协议，【明确了】应用程序与AI模型之间交换上下文信息的具体方式，并且【规范了】应用程序如何向大型语言模型（LLM）提供上下文，提供了一种统一的方式将AI模型连接到不同的数据源和工具，它定义了统一的集成方式。服务启动之后，会自动调用CommandLineRunner对象的方法，同时注入对应的ToolCallbackProvider，属于Server方的对象，进行执行对应的，得到结果。
大模型之Spring AI实战系列（十二）：Spring Boot + OpenAI 构建基于RAG的智能问答系统
寻道AI，探索AI无限可能！
05-21 2658
在上一篇文章中，我们详细介绍了如何使用 Chroma 向量数据库进行文档的向量化存储与语义检索。本文将在此基础上，进一步讲解**RAG（Retrieval-Augmented Generation）架构的实现原理与工程实践**。我们将基于 `spring-ai-openai-rag` 示例项目，演示如何通过 Spring AI 集成 RAG 架构，实现一个完整的**私有知识问答系统**。
基于微信小程序平台开发的集家庭日常收支精细化记录多成员协同管理与智能财务分析于一体的云端家庭财务管理系统_微信小程序开发前端界面设计后端数据逻辑处理云数据库存储用户权限管.zip
12-04
基于微信小程序平台开发的集家庭日常收支精细化记录多成员协同管理与智能财务分析于一体的云端家庭财务管理系统_微信小程序开发前端界面设计后端数据逻辑处理云数据库存储用户权限管.zip
CursorSetup-x64-2.1.47.exe
最新发布
12-04
CursorSetup-x64-2.1.47.exe
动态覆盖的分布式策略，具有有限感知能力.zip
12-04
1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
（55页PPT）智慧农业行业解决方案.pptx
12-04
（55页PPT）智慧农业行业解决方案.pptx
基于双目标 UCB 控制启发式算法的主动磁悬浮轴承 PID 隐式模型优化方法-基准函数测试（Matlab代码实现）
12-04
内容概要：本文提出了一种基于双目标UCB控制启发式算法的主动磁悬浮轴承PID隐式模型优化方法，并通过基准函数测试验证其有效性。该方法结合了多目标优化与启发式搜索策略，旨在提升主动磁悬浮轴承控制系统中PID参数整定的精度与稳定性，利用Matlab进行仿真代码实现，展示了在基于双目标 UCB 控制启发式算法的主动磁悬浮轴承 PID 隐式模型优化方法——基准函数测试（Matlab代码实现）复杂非线性系统建模与优化方面的应用潜力。; 适合人群：具备一定控制理论基础和Matlab编程能力的高校研究生、科研人员及从事自动化、机械电子工程等领域研发工作的技术人员。; 使用场景及目标：①用于主动磁悬浮轴承系统的高性能控制设计；②为PID控制器参数优化提供基于双目标UCB启发式算法的新思路；③适用于需要高精度、强鲁棒性控制的工业场景，如高速旋转机械、精密制造装备等。; 阅读建议：建议读者结合Matlab代码深入理解算法实现细节，重点关注双目标优化机制与UCB启发式策略的融合方式，并可通过替换不同基准函数进行扩展实验，进一步掌握其在实际控制系统优化中的调参技巧与适应性分析方法。
毕业设计基于深度学习的家庭用电量预测模型研究python源码+PPT材料+演示视频.zip
12-04
毕业设计基于深度学习的家庭用电量预测模型研究python源码+PPT材料+演示视频.zip
（48页PPT）某省市规划蓝图解决方案.pptx
12-04
（48页PPT）某省市规划蓝图解决方案.pptx
Mushanv_btbtcom_11484_1764826753056.zip
12-04
Mushanv_btbtcom_11484_1764826753056.zip
（53页PPT）DG咨询方法论.pptx
12-04
（53页PPT）DG咨询方法论.pptx
大模型+rag+prompt
10-22
大模型、RAG（检索增强生成）和Prompt（提示工程）在AI领域有着紧密的联系和广泛的应用。 ### 相关知识 - **大模型**：AI大模型具有强大的语言理解和生成能力，如GPT等模型，能进行多种自然语言处理任务，如文本生成、问答系统等。随着技术发展，人们对大模型的需求逐渐从通用能力转向私有化、个性化和定制化，以满足特定场景或领域的需求[^4]。 - **RAG（检索增强生成）**：是一种结合信息检索与生成模型的技术，通过外部知识库提升生成内容的准确性和相关性。它可以解决大模型存在的产生幻觉、缺乏对生成文本的可解释性、专业领域知识理解差以及对最新知识了解有限等问题。但RAG也面临一些挑战，如产生幻觉、缺乏可解释性、专业领域知识理解差和对最新知识了解有限等[^1][2]。 - **Prompt（提示工程）**：在大模型应用中，Prompt是向模型输入的指令或问题，用于引导模型生成期望的输出。随着对大模型使用的深入，Prompt的技巧策略需要适应LLM大模型的整体框架进行改进，不能只局限于局部运用[^1]。 ### 结合应用 - **定制化AI助手**：企业或个人希望拥有属于自己领域专业的AI助手，RAG技术可以为其打造专属的大模型知识库。通过Prompt工程设计合适的提示，引导大模型结合知识库中的信息，为用户提供特定场景或领域的精准答案。例如，企业可以利用RAG结合大模型和Prompt，创建一个能解决业务流程中特定问题的AI助手[^1][4]。 - **提高检索和生成性能**：RAG模型实现了动态Prompt生成技术，通过分析初步检索的结果，自动调整或生成新的Prompt，以优化后续的检索和生成过程。这种反馈循环可以显著提高模型的性能。同时，RAG模型允许用户对初步生成的Prompt进行评价或修改，基于用户反馈进一步优化检索和生成的结果[^3]。 ### 代码示例 以下是一个简单的代码示例，展示如何封装模型（以阿里大模型为例）： ```python from dotenv import load_dotenv load_dotenv() # 加载阿里大模型 from langchain_community.chat_models import ChatTongyi def get_tongyi_chat_model(): return ChatTongyi(model="qwen-turbo", temperature=0.1, top_p=0.3, max_tokens=512) if __name__ == "__main__": # 测试 model = get_tongyi_chat_model() response = model.invoke("你好") print(response) ```
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

诸神缄默不语

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值