AI思维导图

U490197846

2025-02-07

浏览量: 63

文档转换切割

文本向量化实现方式

实战项目

AI大模型RAG应用开发工程内容详述

树图思维导图提供《AI》在线思维导图免费制作，点击“编辑”按钮，可对《AI》进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：b13e0992d99cfeb4a5b7c8a0258f7a7d

思维导图大纲

L1级别：AI大模型时代的华丽登场

LLM 大语言模型的基本情况介绍

初识大模型

人工智能演进与大模型兴起：从AI1.0到AI2.0的变迁

什么是AI

AI1.0

定义

传统AI1.0的代表产品

AI2.0

定义

传统AI2.0的代表应用

大模型与通用人工智能

大模型定义

通用人工智能定义

常见的大模型对话产品

大模型与通用人工智能是什么关系

OpenAI模型的发展历程

GPT系列模型

GPT3家族

GPT4家族

发布时间

模型概述

关键特点

模型优化升级对比

主流国产大模型

文心大模型

星火大模型

。。。。。。

智普清言大模型

大模型赋能行业分析

医疗行业

政务

法律

未来展望：大模型的趋势与挑战

发展趋势

未来挑战

大模型核心原理

1.理解大模型成功的背后

算法的创新

计算能力的提升

数据的可用性与规模性

软件与工具的进步

2.理解生成式大模型与大语言模型

什么是生成式模型

什么是大语言模型

L2级别：AI大模型RAG应用开发工程

RAG

检索增强生产

LLM的缺陷分析

RAG的定义

RAG应用场景分析

RAG的三大范式

Naive RAG Pipeline

知识库构建

文档加载与分块

分块方案详解

Embeddings向量化

向量化的意义

向量化实践

OpenAIEmbedding模型

百度文心Embedding-V1

GLM Embedding模型

bge-large-zh-v1.5

HuggingFace向量模型本地部署实战

向量相似度算法

余弦距离Cosine

点积IP

欧氏距离L2

向量检索医疗实体命名实战

向量数据库

向量数据库的作用

向量数据库类型

主流向量数据库与功能对比

向量数据库服搭建实战

Prompt上下文增强设计

项目实战：基于向量检索的RAG实现公司HR制度智能问答系统项目

Advanced-Rag

Advanced Rag前沿Paper解读

T-RAG详细分析

CRAG原理解析

Self-RAG架构分析

RAG-Fusion详细解析

Rewrite-Retrieve-Read RAG

GraphRAG结构解析

商业化RAG分析与优化方案实践

RAG商业化分析

文档加载准确性和效率

文档切分的粒度

错过排名靠前的文档

格式错误

答案不完整

未提取到答案

答案太具体或太笼统

幻觉问题

索引优化

改善数据细节度

优化索引结构

元数据索引原理与实践

摘要索引原理与实践

父子索引原理与实践

假设性问题索引原理与实践

检索前优化

微调Embedding模型

混合检索

问题转换

检索后优化

召回重排

信息压缩

知识融合

RAG项目评估

RAG效果评估

质量指标

上下文相关性

答案忠实度

答案相关性

能力指标

对噪声的鲁棒性

负面信息的排除能力

信息整合能力

面对假设情况的健壮性

评估工具

RAGS

ARES

Trulens

RAG热门项目精讲

RAGFlow应用分析

FastGPT应用分析

QAnything应用分析

LangChain-chatchat应用分析

GraphRAG应用分析

实战：基于Dify实现K12教育行业智能助教

实战项目：公司HR制度智能问答系统商业化实战

L3级别：大模型Agent应用架构进阶实践

Langchain

什么是开发框架

什么是langchain，他的意义是什么

LangChain的核心组件

Chat Models VS LLMs

流式输出

花销控制：Token追踪

结构性输出

模型I/O封装

Prompt模板

定义Prompts模板

序列化模板

数据链接（Data Connection）

文本向量化实现方式

与AI共舞的向量数据库

文档转换切割

实践：金融数据提取总结

Memory记忆封装

多种内置链的介绍与使用

Memory工具的使用

为链增加Memory

实践：多轮对话历史记录

链（Chain）：

LECL表达式

LCEL Runnable 协议设计与使用

LCEL 进阶使用：整合复杂逻辑的多链

LCEL添加记忆

实践：LCEL中的Chain与Prompts结合

实战项目：基于LangChain的企业知识库实战

LlamaIndex

LlamaIndex是什么

LlamaIndex的优势与劣势

LlamaIndex与RAG检索增强联合应用实践

LlamaIndex与Langchain的对比分析

Agent

Agents关键技术分析

Agnets概述与应用场景

Agents流程、决策图

规划（Planning）

子任务拆解

反思与改进

记忆（Memory）

工具使用（Tools）

预制工具（Tools）

预制工具集（Toolkits）

自定义工具

执行（Actions）

Function Calling

Function Calling的诞生背景

如何理解Function Calling

Function Calling的实现过程

远程Function Calling调用

支持Function Calling的国产模型

实践：Function Calling的数据库查询

实践：多Function Calling 的旅游规划实战

Agent认知框架

ReAct思考-行动-观察

Plan-and-Execute

Self- Ask

Thinking and Self-Refection

实践：结合ReAct理论与Agent项目实践

实践：财务报表的数据分析Agent

实战项目：命理Agent机器人实战

多Agent系统

AutoGPT快速打造智能体

CAMEL策略

AutoGen

MetaGPT

MetaGPT项目定位与解决的问题

MetaGPT的技术方案分析

MetaGPT各模块代码解读

项目实战：多智能体协同代码生成使用

可视化框架/Agent IDE介绍（产品经理首选）

实战项目：智能电商客服系统

GPTs

GPTs的使用与限制

Assistants API

Assistants API应用场景

Assistants thread与messages

基于Assistants 做一个自己的GPT

原生API

开源大模型

Coze扣子

Coze基础

Coze概述

AI Agent的人设

AI Agent插件系统

AI Agent工作流

知识库、数据库和变量AI Agent的记忆

AI Agent发布

Coze实操

实践：快速创建AI Bot

实践：利用预制的AI Bot创建

实践：标准流程搭建产品问答机器人

知识库介绍

RAG方案与应用

场景概述

产品知识收集

Prompt构建

Dify

Dify基础构架

Dify实操

L4级别：大模型微调与私有化部署

Transformer

Transformer结构理解

理解Self-Attention

理解Encoder与Decoder

Multi- head Attention

不同Decoding方法

Pen source

私有化大模型的必要性

国外开源模型生态

LLamax系列私有化部署

Hugging Face平台解析

PyTorch平台分析

vLLM加速原理解析

OpenLLM应用实践

Ollma架构解析

国内开源模型生态

ChatGLM模型解析

Qwen大模型解析

开源模型的三种评估方式

开源软件质量评估

开源项目应用适配角度评估

开源模型生态的评估

开源模型应用场景与局限性

医疗行业的大模型分析

金融行业的大模型分析

教育行业的大模型分析

法律行业的大模型分析

其他行业的大模型分析

实战案例：ChatGLM大模型在Ollama上的部署

Fine-Tuning

模型微调简介

如何选择合适的基座模型

任务需求维度分析

数据特征维度解析

算例资源成本角度分析

基座模型本身性能分析

基座模型可解释性和可控性分析

模型生态和支持分析

数据集的收集与预处理

数据增强

数据清洗

数据去重

微调训练框架的选择

Hugging Face Transformer特点

PyTorch框架解析

DeepSpeed接受

PEFT fine-turning

PEFT 主流技术介绍

Adapter Tuning

Prompt Tuning

Prefix Tuning

LoRA低秩适配微调

算法原理解析

性能效果分析

LoRA的改进和扩展

AdaloRA自适应权重矩阵微调算法解析

Qlora量化低秩适配微调算法解析

LongLoRA微调算法解析

实战案例：ChatGLM在医疗领域的LoRA微调

Quantlzation

模型现存占用与量化技术分析

微调中GPU算例测算算法

GPU芯片性能分析

模型运行算力要求

Tranformers原生支持的大模型量化算法

PTQ

PQT量化方法介绍

PQT量化方法特点解析

PTQ量化方法的流程演示

QAT

QAT量化方法介绍

QAT量化方法的特点解析

QAT量化方法的流程演示

AWQ：激活感知权重量化算法

GPTQ：专为GPT设计的模型量化算法

模型量化对比实例

实战案例：ChatGLM的量化演示

内存优化效果演示

加快推理速度效果演示

降低计算资源效果演示

保持模型性能效果演示

Application Engineering

大模型应用工程

大模型AI工程平台（MoPaaS）

打造私有化模型-智能时代企业关键的IP

私有化大模型部署LLaMA3.1项目实践

multimodal

什么是多模态模型

多模态的应用场景

图像生成技术概述

DALLE-3与Midjourney

Stable Diffusion与ControNet

语音生成技术概述

主流TTS技术刨析

案例：Video-LLaVA与多模态图像视频识别

微调大实战：基于LLaMA3.1-8B做医疗领域微调大实战

真实的医疗数据集

数据清洗技术应用

开源大模型做基座

LoRA微调应用

AdaloRA微调应用

LongLoRA微调应用

教育工作者AI场景思维导图

U774656410

3.83

树图思维导图提供《教育工作者AI场景》在线思维导图免费制作，点击“编辑”按钮，可对《教育工作者AI场景》进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：d4b25376634866cb52221299e8391396

人工智能发展历史时间线思维导图

normal

1.82

树图思维导图提供《人工智能发展历史时间线》在线思维导图免费制作，点击“编辑”按钮，可对《人工智能发展历史时间线》进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：129b307d8f83cd8930c3f0a341cb0994

思维导图模板

IT互联网

分析方法/模型

正文

相似思维导图模版

思维导图模版推荐

2025年规划思维导图

2025-02-07 15:03:42

抽动症它的症状主要有不断地眨眼、嘟着嘴、缩鼻子、吐舌、伸着脖子、耸着肩膀、挺着胸口等动作。思维导图

2025-02-07 15:04:06

社团体系组织树状图思维导图

2025-02-07 12:59:01

Cell Communication and Cell Cycle思维导图

首页

我的文件

我的团队

个人中心