一级片无码免费观看_欧美女互舔视频免费网站_最近2019年好看中文字幕视频_中文字幕久久蜜开_亚洲a毛片性生活_日本亚洲中文字幕网_国产高清无乱码在线播放_欧美另类xx肥妇_成人男女网18免费app_性爱视频无码

• 掌握 Python 語言基礎，包括語法、數據類型、運算符、輸入輸出函數等核心內容。
• 熟練運用 PyCharm 開發工具，掌握其安裝、設置及調試相關操作。
• 精通 Python 中分支、循環結構以及各類數據結構（字符串、列表、字典、元組等）的操作與運用。
• 深入理解面向對象編程，涵蓋類和對象、封裝、繼承、多態及設計模式等方面知識。
• 具備 Python 文件操作、異常處理以及模塊制作、安裝與使用的能力。
• 了解 Python 的高級特性，像深拷貝、淺拷貝、生成器、迭代器、閉包、裝飾器等內容。
• 掌握 Python 進程與線程相關概念及操作，包括并發、通信、互斥鎖等要點。
• 熟悉 Python 網絡編程以及正則表達式相關知識，用于對應場景的實踐應用。
• 掌握鏈表、棧、隊列的基本操作及應用。
• 熟練運用快速排序、二分查找等算法。
• 解決數組、字符串、查找等各類問題。
• 掌握遞歸、動態規劃、貪心、回溯等算法思想及應用。

Python核心

• 1、Python入門：Python發展史、Python應用場景、Python開發環境搭建
• 2、PyCharm：PyCharm的安裝、設置字體、設置快捷鍵、PyCharm常用設置、調試
• 3、Python基礎知識：注釋、變量以及數據類型、標識符和關鍵字、輸入函數、輸出函數、運算符、程序類型轉換
• 4、分支和循環：if判斷語句、運算符、if-else語句、while循環、for循環、break、continue
• 5、字符串和列表：字符串輸入、字符串輸出、下標和切片、字符串常見函數、列表(list)、列表的循環遍歷、列表的增刪改查、列表的嵌套、列表的切片
• 6、字典和元組：字典的增刪改查、字典遍歷、訪問元組、修改元組、集合（set）
• 7、函數：函數定義、函數的類型、函數參數、函數返回值、函數嵌套、局部變量、全局變量、遞歸函數、匿名函數
• 8、文件操作：文件的打開與關閉、文件的讀寫、文件讀寫應用
• 9、面向對象（類和對象）：定義類、類的構成、類的__init__()方法、創建對象、理解self
• 10、面向對象（封裝、繼承、多態）：封裝、私有方法、私有屬性、__del__()方法、繼承、多繼承、多態、類屬性、實例屬性、靜態方法和類方法
• 11、面向對象（設計模式）：單例模式、工廠模式、__new__方法
• 12、綜合案例：憤怒的小鳥
• 13、異常：捕獲異常、異常的傳遞
• 14、模塊：模塊中的__all__、模塊制作、打包模塊、模塊安裝與使用
• 15、深拷貝、淺拷貝、私有化：深拷貝案例、淺拷貝案例、進制、位運算、作用域、私有化、屬性property
• 16、生成器、迭代器、閉包、裝飾器、元類、垃圾回收、內建函數
• 17、網絡編程：進程池、進程間通信、多線程、進程和線程區別、協程、網絡通信、端口、IP地址、socket、UDP、TCP、http
• 18、網絡編程綜合案例：企業級web框架starlette介紹及使用
• 19、正則表達：表示字符、表示數量、原始字符串、表示邊界、匹配分組
• 20、綜合案例：客戶信息管理系統綜合案例

數據結構&算法

• 1、什么是數據結構、數據結構分類、什么是算法、算法的分類、時間復雜度、空間復雜度
• 2、常用數據結構：數組、鏈表、棧、隊列、哈希表、樹、圖
• 3、常用算法：查找算法、排序算法、分治算法、動態規劃算法、回溯算法、貪心算法
• 4、力扣刷題

考試一

• 1、熟練安裝配置 Linux 環境并掌握常用命令。
• 2、精通 MySQL 安裝使用及 SQL 操作。
• 3、熟悉 Numpy 的屬性、函數及運算。
• 4、掌握 Pandas 的數據處理方法。
• 5、會用多種工具進行數據可視化。
• 6、具備在 Linux 環境下進行數據分析和可視化的綜合能力。

Linux基礎&Shell

• 1、Linux環境準備：WSL 安裝、Linux 安裝、VI 編輯器、軟件包安裝
• 2、Linux 常用命令：vim、cd、mkdir、chmod、chown、grep、echo、tail、more、touch、sudo、history、yum、systemctl、ln、ifconfig、hostname、ping、netstat、ps等
• 3、Shell：變量、運算符、條件判斷、流程控制、系統函數&自定義函數、常用工具命令、常用正則表達式

Docker

• Docker安裝、鏡像、啟動容器、常用命令

MySQL

• MySQL安裝和使用、SQL語句、數據庫操作、表操作、SQL約束、多表操作、開窗函數、案例、遠程連接MySQL

Numpy

• 1、Anaconda下載、安裝、Ubuntu安裝Anaconda、conda常用命令
• 2、Jupyter本地安裝、PyCharm中集成Jupyter、使用遠程JupyterServer、Jupyter快捷鍵
• 3、Numpy的屬性、創建方式、數據類型、切片和索引、基本函數、統計函數、比較函數、排序函數、基本運算、去重函數、矩陣乘法

Pandas

• 1、Pandas數據結構-Series：創建、常用屬性、常用方法、布爾索引、運算
• 2、Pandas數據結構-DataFrame：創建、常用屬性、常用方法、布爾索引、運算、更改操作、數據的導入導出
• 3、Pandas日期數據處理：to_datetime()、Series.dt、to_period()
• 4、DataFrame：加載數據集、查看部分數據、分組聚合計算、基本繪圖、常用統計值、常用排序算法；案例實操：員工薪資統計分析
• 5、Padas數據組合函數：concat連接、merge合并
• 6、Padas的缺失值處理函數：查看缺失值、剔除缺失值、填充缺失值
• 7、Padas的apply函數：Series使用apply()、DataFrame使用apply()、向量化函數
• 8、Padas的數據聚合、轉換、過濾函數；Pandas透視表、案例實操：睡眠質量分析透視表；
• 9、Pandas時間序列：Pandas中的日期與時間、使用時間作為索引、生成時間序列
• 10、Matplotlib可視化、Pandas可視化、Seaborn可視化
• 11、綜合案例：房地產市場洞察與價值評估

考試二

• 1、熟悉線性代數、概率、高數等數學基礎。
• 2、理解線性回歸的概念、分類、損失函數等，掌握梯度下降算法等方法及模型評估。
• 3、掌握邏輯回歸的數學基礎、原理及分類評估指標，能進行案例實踐。

數學基礎

• 1、高等數學：基本函數的導數、導數的求導法則、利用導數求極值、二階導數、偏導數、梯度
• 2、線性代數：標量與向量、向量運算、向量范數、矩陣與張量、矩陣乘法、矩陣轉置、矩陣的逆
• 3、概率論：均勻分布、伯努利分布、二項分布、正態分布、貝葉斯定理、極大似然估計

機器學習概述

• 機器學習概述：發展歷程、應用領域、基本術語、算法分類、建模流程、特征工程

監督學習

• 1、線性回歸：概念和分類、損失函數和求解方法（正規方程法、梯度下降算法）、模型評估（MAE/MSE/RMSE）、API
• 2、線性回歸案例和正則化
• 3、邏輯回歸：數學基礎、原理、損失函數、混淆矩陣、精確率/召回率/F1-score分類評估、AUC指標、ROC曲線、API
• 4、邏輯回歸案例
• 5、感知機：基本概念、激活函數、具體實現；邏輯電路和感知機的局限

考試三

• 1、理解深度學習的概念、應用場景及優缺點。
• 2、掌握 Pytorch 的安裝及張量的各種操作，包括創建、類型轉換、數值計算等。
• 3、熟悉神經網絡的結構組成，如輸入層、輸出層、隱藏層等，掌握激活函數、損失函數等相關知識。
• 4、了解卷積神經網絡 CNN，掌握圖像基礎、卷積層和池化層等知識及案例應用。
• 5、掌握循環網絡 RNN 的原理及詞嵌入層、循環網絡層的 API 和文本生成案例。
• 6、具備深度學習項目實戰能力，如電商推薦和圖片搜索等項目。

深度學習簡介和Pytorch

• 1、什么是深度學習、深度學習應用場景、深度學習優缺點
• 2、Pytorch的安裝、張量創建方法、張量的類型轉換、張量的數值計算、張量運算函數、張量索引操作、張量形狀操作、張量拼接操作、自動微分模塊；案例：實現線性回歸

神經網絡

• 1、神經網絡基礎：多層感知機、激活函數、初始化方式、神經網絡搭建
• 2、神經網絡的學習：數據驅動、損失函數、梯度下降法、學習算法的實現
• 3、反向傳播算法（核心算法）：計算圖、鏈式法則、算法原理、算法實現
• 4、學習方法的優化：參數更新、權重初始值、正則化、學習率衰減、梯度消失和梯度爆炸
• 5、神經網絡案例：房價預測

卷積神經網絡

• 1、CNN：圖像基礎、卷積層計算、池化層作用及分類、全連接層、API
• 2、CNN案例：服裝分類

考試四

• 1、理解 NLP 的概念、發展歷史和應用場景。
• 2、掌握文本預處理的方法，包括文本張量表示、特征處理和數據增強等。
• 3、熟悉 RNN、LSTM、GRU 模型的概念、作用和結構特點，以及對應的 API。
• 4、了解注意力機制的概念和實現步驟，掌握 Seq2Seq 結構及添加注意力機制的方法。
• 5、理解 Transformer 架構，包括各層結構和編碼器 - 解碼器結構實現。
• 6、掌握 fastText 工具的作用、安裝和文本分類方法，以及詞向量遷移技巧。

NLP核心

• 1、NLP技術演進：規則系統階段、統計方法階段、機器學習階段、深度學習階段
• 2、NLP英文分詞：詞級分詞、字符級分詞、子詞級分詞
• 3、NLP中文分詞：字符級分詞、詞級分詞、子詞級分詞、 jieba分詞器工具
• 4、詞表示：One-hot編碼、語義化詞向量、 Word2Vec原理
• 5、RNN：基礎結構、多層結構、雙向結構、多層+雙向結構、API使用；RNN存在問題；
• 6、LSTM：基礎結構、多層結構、雙向結構、多層+雙向結構、API使用；LSTM存在問題；
• 7、GRU：基礎結構、多層結構、雙向結構、多層+雙向結構、API使用；GRU存在問題；
• 8、Seq2Seq模型：編碼器、解碼器、模型訓練、模型推理；Seq2Seq存在問題
• 9、Attention工作原理：相關性計算、注意力權重計算、上下文向量計算、解碼信息融合
• 10、Attention注意力評分函數：點積評分、通用點積評分、拼接評分；Attention存在問題
• 11、Transformer模型結構詳解：核心思想、整體結構、編碼器、解碼器
• 12、Transformer模型：模型訓練、模型推理、API使用；案例實操：中英翻譯
• 13、預訓練模型GPT：模型結構、預訓練方式、微調方式
• 14、預訓練模型BERT：模型結構、預訓練方式、微調方式
• 15、預訓練模型T5：模型結構、預訓練方式、微調方式
• 16、預訓練模型案例實操：AI智評

前后端基礎

• FastAPI+Uvicorn 核心基礎、SQLAlchemy 數據庫操作基礎、FastAPI+SQLAlchemy 整合開發、小型實戰與部署

項目一：智能發布（標題分類）

• 1、層級化分類設計：通過預測三級分類并反推上級類別，簡化多級分類任務，確保層級關系嚴格一致。
• 2、數據均衡化處理：針對原始數據類別分布不均問題，采用熱門類別下采樣與冷門類別大模型數據增強策略。
• 3、預訓練模型微調：選用bert-base-chinese模型，基于Huggingface Transformers庫進行高效訓練與部署。
• 4、高效訓練與評估：在單張V100顯卡上約一小時完成訓練，最終在多類別場景下取得近70%的F1分數。
• 5、模塊化功能集成：作為智能發布流程的核心環節，與圖片生成標題、視頻簡介復刻模塊協同工作。

考試五

• 1、理解智能體的基本概念、構成要素與工作原理。
• 2、掌握Coze、Dify等智能體開發平臺的使用與部署。
• 3、精通LangChain框架核心組件，包括Model I/O、Chains、Memory、Agents和Retrieval模塊。
• 4、熟悉LangGraph框架，能夠構建圖狀工作流解決復雜任務。
• 5、具備私有知識庫搭建與RAG系統實現能力。
• 6、掌握企業級智能體項目開發流程，包括需求分析、架構設計與部署優化。

大模型應用開發概述

• 微調入門、RAG入門、提示詞入門、智能體是什么、LLM代理的構成要素、第一個LLM智能體、為Agent配備工具、智能體基本規劃與執行、LLM智能體記憶

項目二：商戶運營管家

• 1、智能體開發概述與搭建流程，Coze、Dify的介紹和基本使用
• 2、企業私有知識庫搭建
• 3、電商場景AI應用搭建（商品營銷賣點提煉、商品評論分析、客服對話記錄分析、一鍵生成行業調研報告、客戶投訴分類助手、產品營銷海報）
• 4、自媒體領域AI應用搭建（一鍵生成行業調研PPT、復刻爆款視頻）
• 5、Python調用Coze、Dify平臺工作流
• 6、Coze、Dify的windows平臺部署
• 7、企業級大模型及Ollama、Xinference部署

LangChain框架

• 1、LangChain框架概述、LangChain的安裝與調用
• 2、Model I/O：Message、Prompt Template、Output Parsers、FunctionCaling
• 3、Chains：Chains的設計理念、SequentialChain、RouterChain
• 4、Memory：Memory模塊的設計理念、如何自定義Memory模塊、內置的Memory模塊
• 5、Agents：基于LangChain的Agent抽象、自定義基于ReAct范式的Agents、使用LangChain定義的ReAct策略
• 6、Retrieval：Source 與 data loaders、Text Splitters、Text embedding models、vector store
• 7、電商平臺商家對話助手案例：集成店鋪運營數據庫檢索、平臺政策實時查詢和客戶服務管理功能；開發多工具調用能力，比如：創建優惠券、平臺物流/訂單、庫存檢查、工單分類等；掌握通過記憶機制管理多會話上下文；掌握本地知識庫的搭建與調用

LangGraph框架

• 1、LangGraph入門：從鏈式到圖狀的思維轉變
• 2、圖的核心要素：State, Node, Edge - State (狀態)
• 3、Graphs：圖的構建與編譯
• 4、Memory：圖中的持久化狀態與記憶
• 5、Agents：使用LangGraph構建更魯棒、更可控的智能體
• 6、高級應用與技巧 - 流式輸出 (Streaming)
• 7、案例：內部文檔查詢助手（小型知識庫）

RAG原理及優化

• 1、RAG 架構演進、RAG 效果評估、質量分數評估、基本能力評估、評估工具 Ragas
• 2、搭建 RAG 系統：系統架構、索引過程、檢索過程、生成過程、索引模塊、RAG 鏈條、流式響應 API
• 3、索引過程：文檔加載、文本分塊、向量嵌入與存儲
• 4、RAG 優化：檢索前處理-多查詢、檢索前處理-HyDE、檢索后處理-重排序、混合檢索、分層緩存
• 5、Graph RAG：傳統 RAG 的局限、基于語料庫的 Graph RAG、基于已有知識圖譜的 Graph RAG
• 6、基于語料庫的 Graph RAG：切分文本塊、抽取實體與關系、構建知識圖譜、構建圖社區、生成社區摘要、全局查詢、局部查詢

git/github/gitee/gitlab

• 安裝配置、本地庫搭建、基本操作、工作流、集中式

項目三：掌柜智庫

• 1、前沿架構：基于 LangGraph 構建企業級可插拔 RAG 工作流。
• 2、多模態處理：集成 MinerU 與 OCR，精準解析圖文混排 PDF。
• 3、多路召回：向量檢索 + 稀疏檢索 + Neo4j 知識圖譜多路混合召回。
• 4、智能切片：支持滑動窗口、Small-to-Big 及語義切分策略。
• 5、深度優化：引入 HyDE 假設性嵌入與 BGE-Rerank 重排序技術。
• 6、全鏈路評估：集成 RAGAS 框架，自動化評估檢索與生成質量。

項目實戰一：好醫智庫（二選一）

• 1、前沿架構：基于 LangGraph 構建可審計、可溯源的企業級可插拔 RAG 工作流。
• 2、多模態處理：集成 MinerU 與OCR，精準解析醫學影像報告、電子病歷（EMR）及圖文混排醫學文獻。
• 3、多路召回：向量檢索 + 稀疏檢索 + 臨床知識圖譜多路融合召回，確保醫療問答的準確性與覆蓋率。
• 4、智能切片：支持基于病例結構的切片、滑動窗口、Small-to-Big及醫學語義切分策略，適配長文檔 EMR 與指南。
• 5、深度優化：引入 HyDE 假設性嵌入與 BGE-Rerank 重排序技術，優化對癥狀、診斷、治療路徑等查詢的匹配質量。
• 6、全鏈路評估：集成 RAGAS 與臨床知識正確性校驗流程，實現檢索與生成的自動化醫療級評估。

項目實戰一：伴學智庫（二選一）

• 1、前沿架構：基于LangGraph構建在線教育可插拔RAG工作流，支持課程構建、教輔生成與學習路徑推薦的模塊化擴展。
• 2、多模態處理：集成MinerU與OCR，精準解析教材掃描件、課堂板書截圖、圖文混排課件PDF。
• 3、多路召回：向量檢索+稀疏檢索+知識圖譜（課程體系/題庫知識點網）多路混合召回，支撐題目解析與知識點推送。
• 4、智能切片：支持滑動窗口、Small-to-Big及教育語義切分策略，適配不同學科的課件、筆記與大體量教材。
• 5、深度優化：引入HyDE假設性嵌入與BGE-Rerank重排序技術，增強對知識點、題干語義與解題邏輯的精準匹配。
• 6、全鏈路評估：集成RAGAS框架，結合題目正確率與知識點覆蓋度，完成檢索與生成質量的自動化性能評估。

考試六

• 1、深入理解GPT、LLaMA、Qwen等主流大模型的核心原理與架構特點。
• 2、掌握大模型微調技術，包括PEFT、LoRA、QLoRA等參數高效微調方法。
• 3、熟悉DeepSpeed分布式訓練技術，具備大模型訓練環境搭建能力。
• 4、了解強化學習基礎理論，掌握PPO、DPO、GRPO等算法在大模型優化中的應用。
• 5、具備Rasa框架深度定制能力，能夠開發領域專用對話系統。
• 6、掌握NL2SQL技術，能夠構建基于思維鏈的智能數據查詢系統。

大模型框架原理

• 1、GPT 系列模型演進歷史
• 2、當今主流LLM體系概覽
• 3、LLM基礎架構：輸入層、Transformer Block、輸出層
• 4、LLM架構演進：Attention、Feed Forward Network、殘差連接與歸一化、位置編碼
• 5、主流開源LLM架構：DeepSeek V3、Llama 4、Qwen3、GPT-OSS、其他

大模型微調核心

• 1、微調原理：BaseModel/InstructModel、ChatTemplate
• 2、微調數據集格式：alpaca指令跟隨格式、shareGPT多輪對話格式
• 3、微調算法：全參微調、參數高效微調（LoRA/QLoRA）、分布式訓練（數據并行、張量并行、流水線并行、專家并行、零冗余優化器）
• 4、微調工具鏈：Huggingface SFT、Huggingface Accelerate、Unsloth、DeepSpeed、Lamma Factory
• 5、模型部署與推理：vLLM、PagedAttention（分頁顯存管理機制）、Continuous Batching（連續批處理調度）、KV Cache 高效復用、OpenAI API 兼容服務化部署
• 6、模型評估：EvalScope、全面的評測基準、推理性能壓力測試、交互式測試報告

項目四：文摘引擎

• 1、輕量化大模型落地：基于 Qwen3-4B + LoRA 微調，實現單卡快速迭代，兼顧精度與成本，核心數據抽取準確率從 90% 提升至 96%。
• 2、全崗位報表效率提升：覆蓋運營、供應鏈、客服全周期報表場景，日報/周報生成時間壓縮 70%-90%，減少重復人工操作。
• 3、復雜邏輯與長文本處理：2048 token 上下文窗口保證季度及多維報表邏輯連貫，支持趨勢分析、問題復盤與計劃建議。
• 4、異常數據智能歸因與關鍵信息保障：自動分析異常原因并結合規則校驗，確保 SKU、促銷周期、物流延遲等核心信息零遺漏。
• 5、安全合規與易用性設計：加密傳輸與脫敏處理保障數據安全，OA 系統集成與可視化編輯界面降低員工使用門檻。
• 6、閉環迭代與業務決策延展：通過員工反饋持續優化模型，支持可視化聯動與智能問答，實現從報表工具向決策助手升級。

強化學習核心

• 1、強化學習基礎理論：馬爾可夫決策過程，貝爾曼方程，蒙特卡羅方法，時序差分方法（TD方法），策略梯度法，REINFORCE方法，Actor-Critic架構（演員評論家架構）
• 2、強化學習高級理論：PPO（近端策略優化），DPO（直接偏好優化），GRPO（組相對策略優化）
• 3、基于強化學習微調大語言模型：RLHF（基于人類反饋的強化學習），使用PPO微調大語言模型，使用DPO微調大語言模型，使用GRPO微調大語言模型
• 4、案例：從零實現DPO之“如何訓練一個智能客服”
• 5、案例：從零復刻DeepSeek-R1之“如何訓練一個帶思維鏈的醫療助手”

項目五：智能評論

• 1、嚴格遵循標準RLHF流程：嚴格遵循監督微調、獎勵模型訓練與PPO強化學習三階段，實現從基礎能力到人類偏好的精準對齊。
• 2、監督微調奠基：基于電商評論數據集對Qwen2.5-3B進行SFT，賦予模型生成流暢商品評論的核心能力。
• 3、獎勵模型提供偏好信號：在Qwen2.5-0.5B基礎上構建獎勵頭，通過正負向評論標注訓練，量化文本情感偏好。
• 4、PPO強化學習對齊：以SFT模型為行動者，集成價值頭作為評判者，結合獎勵模型打分驅動策略優化。
• 5、穩定訓練技術集成：引入KL散度懲罰防止策略漂移，采用廣義優勢估計優化優勢計算，并應用PPO-Clip確保更新穩定。
• 6、業務目標精準達成：通過端到端流程，成功引導模型從生成中性評論轉向穩定輸出積極正向的商品評價。

項目六：電商小二（三選一）

• 1、行標級開源項目深度二開與定制：深入 Rasa 源碼層進行企業級二次定制開發。
• 2、深度語義融合：構建 Sparse + Dense 雙路特征提取網絡，結合正則表達式（Regex）與預訓練語言模型（BERT/ChineseBERT），實現對電商復雜術語的精準理解。
• 3、DIET 多任務學習：采用 DIET (Dual Intent and Entity Transformer) 架構，在一個模型中同時完成意圖分類與實體提取，大幅提升訓練效率與識別準確率。
• 4、混合對話策略： Rule + ML (TED) 雙引擎驅動。利用 RulePolicy 處理退換貨等硬性業務流程，利用 TED 策略處理上下文跳躍等復雜多輪對話，拒絕“人工智障”。
• 5、全鏈路特征工程：內置 Jieba 中文分詞與 CountVectors 詞袋模型，針對中文電商語境進行專項優化，解決“口語化”、“縮略語”識別難題。
• 6、動態動作執行：基于 Action Selection 模塊，不僅能“答疑”，更能“辦事”。支持自定義 Action 調用外部 API，實時查詢訂單狀態、修改物流信息。
• 7、可視化故事建模：基于 Stories 故事策略進行多輪對話流程建模，將非線性的用戶交互轉化為可控的機器學習訓練樣本。

項目六：尚醫助手（三選一）

• 1、開源項目深度二開與定制：深入 Rasa 源碼層進行企業級二次定制開發。
• 2、深度語義融合：構建 Sparse + Dense 雙路特征提取網絡，結合正則表達式（Regex）與預訓練語言模型（BERT/ChineseBERT），實現對醫療專業術語的精準理解。
• 3、DIET 多任務學習：采用 DIET (Dual Intent and Entity Transformer) 架構，在一個模型中同時完成意圖分類與實體提取，大幅提升訓練效率與識別準確率。
• 4、混合對話策略： Rule + ML (TED) 雙引擎驅動。利用 RulePolicy 處理掛號繳費、病歷查詢等硬性業務流程，利用 TED 策略處理病情描述、用藥咨詢等復雜多輪對話。
• 5、全鏈路特征工程：內置 Jieba 中文分詞與 CountVectors 詞袋模型，針對中文醫療語境進行專項優化，解決“口語化癥狀描述”、“醫學縮略語”識別難題。
• 6、動態動作執行：基于 Action Selection 模塊，不僅能“答疑”，更能“辦事”。支持自定義 Action 調用外部 API，實時查詢檢驗報告、預約檢查項目、更新患者診療信息。
• 7、可視化故事建模：基于 Stories 故事策略進行多輪對話流程建模，將非線性的用戶交互（如癥狀主訴、病史追問、用藥指導）轉化為可控的機器學習訓練樣本。

項目六：知學助手（三選一）

• 1、開源項目深度二開與定制：深入Rasa源碼，針對在線教育平臺進行二次定制開發，支持課程咨詢、學習路徑推薦、作業提醒等教育業務場景需求。
• 2、深度語義融合：構建Sparse+Dense雙路特征提取網絡，結合正則表達式（Regex）與教育領域語言模型（EduBERT/ChineseBERT），精準理解課程名、教學術語、學生口語化提問。
• 3、DIET多任務學習：應用DIET模型，實現意圖分類（課程查詢/報名咨詢/學習疑問）與實體識別（課程名稱、章節、知識點、年級）一體化，提升模型性能。
• 4、混合對話策略：Rule+ML(TED)雙引擎驅動。RulePolicy處理選課流程、考試流程等固定路徑；TED策略處理學生自由問答、課程跳躍式咨詢等復雜多輪學習互動場景。
• 5、全鏈路特征工程：內置對教育語境優化的分詞器與CountVectors特征模型，解決課程簡稱、學習術語、學生非正式表達等解析困難問題。
• 6、動態動作執行：基于ActionSelection，可調用LMS/教務系統API，實現課程進度查詢、作業提醒、學習數據匯總等實時教學輔助功能。
• 7、可視化故事建模：使用Stories建模多輪學習場景，將課程咨詢、知識點問答、學習規劃等過程轉換為可控訓練樣本，提高學習交互的可解釋性與可擴展性。

項目七：掌柜問數（三選一）

• 1、大廠開源內核：大廠開源內核：基于京東最新開源 DataAgent 架構深度定制，承襲經億級業務場景驗證的企業級穩定性與工業化標準。
• 2、思維鏈驅動 NL2SQL：引入 Deep-Thinking 推理層，采用“重寫-思考-生成”三階段 Agent 架構，確保復雜 SQL 生成的邏輯準確性。
• 3、混合多路召回：創新性融合 Qdrant 向量檢索與 Elasticsearch 倒排索引，實現 Schema 語義與單元格精準值的雙重混合召回。
• 4、動態 Schema 剪枝： ColumnFilterModule 智能列過濾技術，基于查詢語義自動剔除無關字段，大幅降低 LLM 上下文噪聲。
• 5、高并發異步架構：全鏈路基于 AsyncIO 構建，并行執行 Query Rewrite 與 Schema Ranking，顯著降低端到端響應延遲。
• 6、精準語義對齊：集成 Jieba 分詞與 HyDE 策略進行查詢意圖擴展，有效解決業務術語與數據庫字段名的語義鴻溝。

項目七：智醫問數（三選一）

• 1、大廠開源內核：基于京東最新開源DataAgent架構深度定制，面向醫療數據合規要求強化安全控制，承襲經三甲醫院與健康管理平臺驗證的企業級穩定性與醫療級審計標準。
• 2、思維鏈驅動NL2SQL：引入Deep-Thinking推理層，采用“重寫-思考-生成”三階段Agent架構，確保復雜醫療查詢（如病歷關聯查詢、檢查結果聯動）的邏輯準確性。
• 3、混合多路召回：創新性融合Qdrant向量檢索與Elasticsearch倒排索引，實現醫學術語語義與檢驗指標精準數值的雙重混合召回。
• 4、動態Schema剪枝：ColumnFilterModule智能列過濾技術，基于臨床查詢語義自動剔除無關病歷字段，顯著降低LLM上下文噪聲與合規風險。
• 5、高并發異步架構：全鏈路基于AsyncIO構建，并行執行QueryRewrite與SchemaRanking，滿足醫院HIS（Hospital Information System，醫院信息系統）/LIS（Laboratory Information System，檢驗信息系統）等高并發場景下的實時響應需求。
• 6、精準語義對齊：集成醫學詞庫解析與HyDE策略進行查詢意圖擴展，有效解決醫療專業名詞、檢查指標與數據庫字段之間的語義鴻溝。

項目七：學情問數（三選一）

• 1、大廠開源內核：基于京東最新開源DataAgent架構深度定制，針對在線教育平臺的課程數據、學習行為數據強化模塊化治理，承襲經大規模教學平臺驗證的企業級穩定性與教學質量監控標準。
• 2、思維鏈驅動NL2SQL：引入Deep-Thinking推理層，采用“重寫-思考-生成”三階段Agent架構，確保復雜教學分析SQL（如學習軌跡、課程完成度、多維教學效果分析）的邏輯準確性。
• 3、混合多路召回：創新性融合Qdrant向量檢索與Elasticsearch倒排索引，實現教學概念語義與學生行為精準值的雙重混合召回。
• 4、動態Schema剪枝：ColumnFilterModule智能列過濾技術，基于教育查詢意圖自動剔除無關字段，有效降低LLM對課程、題庫、學習記錄等多維數據的上下文負載。
• 5、高并發異步架構：全鏈路基于AsyncIO構建，并行執行QueryRewrite與SchemaRanking，滿足在線課堂高并發訪問與實時學習行為分析的延遲要求。
• 6、精準語義對齊：集成教育行業詞庫與HyDE策略進行查詢意圖擴展，有效解決課程術語、教學指標與數據庫結構之間的語義對齊問題。

項目八：市場羅盤（二選一）

• 1、場景化任務拆解：結合問數、客服等智能體場景，布置真實業務需求（如電商訂單數據查詢、售后問題統計），明確智能體功能邊界與驗收標準?
• 2、自主設計與開發：學生從 0 到 1 完成智能體架構設計、核心功能編碼（如對話邏輯、數據接口集成），老師提供實時技術答疑與方案指導?
• 3、階段性目標劃分：按 “需求分析→原型設計→開發調試→功能驗證” 拆分階段，每個階段設定明確產出（如需求文檔、可運行 Demo），避免盲目開發?
• 4、動態進度管控：通過項目看板同步各學生進度，每周開展 1 次進度復盤，老師針對滯后情況調整任務難度或提供額外支持?
• 5、多維度過程檢查：關鍵節點（如架構確定、核心功能完成）進行代碼評審與功能測試，老師指出優化點（如交互流暢度、數據準確性）?
• 6、成果落地與展示：學生最終提交可運行智能體及開發報告，組織成果演示環節，老師點評亮點與改進方向，強化實戰成就感

項目八：萬應助手（二選一）

• 1、中控調度架構：采用基于 Orchestrator 的分診模式，精準識別用戶意圖，在知識庫、SQL 查詢、地圖服務與購物助手間動態路由。
• 2、Text-to-SQL：內置 sql_info_agent，支持將自然語言轉化為結構化 SQL，精準查詢維修站分布、城市覆蓋及特定服務信息。
• 3、時空智能集成：引入 MCP (Model Context Protocol) 協議對接百度地圖，實現基于地理位置（LBS）的維修點查詢與導航規劃。
• 4、領域知識 RAG：集成 knowledge_agent 垂直知識庫，專門處理“電腦無法開機”等硬件故障診斷，提供專家級維修指導。
• 5、全生命周期記憶：基于 JSON 的持久化 Session 管理，支持多輪對話上下文保持，確保服務過程的連續性與個性化。
• 6、全棧交互體驗：Python 異步后端配合 Vue3 + Element Plus 前端，打造響應式、可視化的現代智能客服終端。

考試七

• 1、理解多模態技術的基本概念及其在AI中的應用。
• 2、掌握Vision Transformer（ViT）的核心原理，并能夠從零實現圖片分類任務。
• 3、學習CLIP模型的工作機制，掌握如何基于CLIP實現“文搜圖”任務。
• 4、理解ClipCap和擴散模型（Diffusion Model）的工作原理，能夠實現圖像生成文字及條件擴散模型的任務。
• 5、了解OpenAI Dall-E2的核心原理，掌握從零實現文本到圖像生成的技術。
• 6、能夠進行模型微調優化、訓練策略定制，以及高效向量檢索的設計與實施。
• 7、掌握多模態特征融合的方法，包括圖像表征預計算、數據集構建與提示工程等高級技巧。

多模態核心原理

• 1、多模態技術概論
• 2、Vision Transformer（ViT）核心原理講解
• 3、從零實現Vision Transformer架構，完成圖片分類任務
• 4、CLIP模型核心原理講解
• 5、從零實現CLIP模型，完成“文搜圖”任務
• 6、ClipCap模型核心原理講解
• 7、從零實現ClipCap模型，實現“圖生文”
• 8、擴散模型（Diffusion Model）核心原理講解
• 9、條件擴散模型（Conditional Diffusion Model）核心原理講解
• 10、從零實現擴散模型和條件擴散模型
• 11、OpenAI Dall-E2（文生圖）核心原理講解
• 12、從零實現一個Dall-E2文生圖模型

項目九：智能檢索

• 1、模型微調優化：基于 CLIP Chinese 模型進行續訓，采用部分參數凍結策略，重點解凍文本端后3層與視覺端后2層，以提升圖文匹配能力。
• 2、訓練策略定制：使用 AdamW 分組學習率與權重衰減，結合線性預熱、余弦衰減、梯度裁剪和早停機制，確保訓練穩定高效。
• 3、高效向量檢索：利用優化后的模型將圖像編碼為歸一化特征向量，存入基于 HNSW 索引的 Chroma 向量數據庫，實現快速近似最近鄰搜索。
• 4、端到端檢索流程：用戶文本經模型編碼后，通過點積相似度在向量庫中檢索最相關圖像，完成“文搜圖”的完整閉環。
• 5、資源與性能平衡：在單張 V100 GPU 上完成訓練，顯存占用約 15GB，訓練時長約 5 小時，在有限資源下實現了檢索效果的顯著提升。

項目十：智能發布（標題生成）

• 1、圖像表征預計算：訓練時完全凍結圖像編碼器，將圖像預處理為統一格式后，通過CLIP視覺模型提取特征并提前存儲，顯著提升訓練效率并降低總體計算開銷。
• 2、數據集構建與提示工程：通過圖像ID關聯預計算的圖像特征與文本描述，構建訓練數據集，并將文本描述嵌入到特定的提示詞模板中以指導模型學習。
• 3、多模態特征融合：將圖像特征通過投影層映射為提示詞序列，替換文本嵌入中對應的占位符向量，實現圖像與文本信息的深度融合。
• 4、高效訓練策略：采用帶預熱與衰減的AdamW優化器，結合梯度裁剪，在固定圖文對數據集上進行多輪訓練，并通過早停機制防止過擬合。
• 5、推理流程自動化：接收用戶圖像，實時編碼并投影為特征序列，與固定的提示詞前綴融合后輸入語言模型，通過自回歸采樣生成推薦標題。
• 6、資源優化配置：整個訓練過程在單張高性能GPU上完成，通過預計算和高效的訓練設置，在可控的顯存占用和時間內完成模型優化。

• 1、從技術和項目兩個角度按照企業面試要求帶領同學們復習。
• 2、手把手簡歷指導，讓同學們順利通過簡歷篩選。

就業面試題講解

• 1、串講所學的所有技術點。
• 2、串講所有學過的項目。
• 3、對所有串講的過的面試題和項目進行考試。

就業簡歷指導

• 1、簡歷指導、職業規劃。
• 2、簡歷書寫（Word、網上）
• 3、模擬面試。