# 教程目录大纲

本大纲为《从入门到精通：AI 智能体实战速成指南》的导航索引，各条目均链接至对应章节的二级标题，便于按知识脉络跳转学习。

---

## 01 大模型基础能力构建

阶段一：会用大模型

### 01-1 大模型（LLM）认识与环境准备

- 大模型的起源与发展历程、大模型与 AGI 关系、AI 应用场景 → [1、认识大模型](1-1-大模型认知与工程概览.md#_1、认识大模型)、[3、大模型如何落地](1-1-大模型认知与工程概览.md#_3、大模型如何落地)
- 国际知名、国产主流大模型的功能特点、优势与适用场景，以及开源 / 闭源差异 → [1.5 大模型的开源 vs 闭源](1-1-大模型认知与工程概览.md#_15-大模型的开源-vs-闭源)
- 大模型分类：按模态（LLM / 多模态理解 / 多模态生成）、按功能（生成式 / 嵌入 / 重排序 / 分类）→ [1.4 大模型分类](1-1-大模型认知与工程概览.md#_14-大模型分类)
- 参数规模与计量单位（B、T、FLOPs）、token 与上下文窗口 → [1.3 大模型计量单位](1-1-大模型认知与工程概览.md#_13-大模型计量单位)
- 训练三阶段：预训练 → 微调 → 推理；预训练、SFT、RLHF/RLAIF 的含义与区别 → [2、大模型是如何"被教会说人话"的？](1-1-大模型认知与工程概览.md#_2、大模型是如何%22被教会说人话%22的%3F)
- 训练与推理的区别、算力从何而来、常见硬件与瓶颈 → [3、大模型如何落地](1-1-大模型认知与工程概览.md#_3、大模型如何落地)

### 01-2 大模型调度平台

- Ollama 定义、安装与本地运行大模型、以及与 LangChain 的整合方式 → [1、Ollama 简介](12-Ollama本地部署与调用.md#_1、Ollama%20简介)、[2、安装与配置](12-Ollama本地部署与调用.md#_2、安装与配置)、[4、安装与验证模型](12-Ollama本地部署与调用.md#_4、安装与验证模型)、[5、LangChain 整合 Ollama](12-Ollama本地部署与调用.md#_5、langchain-整合-ollama)
- 如何调用私有大模型：在线平台、API 调用、本地客户端 → [4.2 访问大模型的方式](1-1-大模型认知与工程概览.md#_42-访问大模型的方式)
- 云端部署（AWS、阿里云）、本地部署等模型部署流程与方法 → [1、企业级大模型部署概述](7-企业级大模型部署.md#_1、企业级大模型部署概述)、[2、Dify 平台私有化部署](7-企业级大模型部署.md#_2、Dify%20平台私有化部署)、[3、模型部署](7-企业级大模型部署.md#_3、模型部署)

### 01-3 提示词工程

- 提示词工程基础：核心原则、基础结构、基础编写方法 → [1、提示词与提示词工程](1-2-提示词工程基础.md#_1、提示词与提示词工程)、[2、提示词怎么写](1-2-提示词工程基础.md#_2、提示词怎么写)
- 高级技巧：深入上下文控制、任务分解与链式思维提示法、Few-shot 示例与模式引导 → [2.2 核心六要素与典型构成](1-2-提示词工程基础.md#_22-核心六要素与典型构成)、[2.3 Zero-shot 与 Few-shot](1-2-提示词工程基础.md#_23-zero-shot-与-few-shot)
- 多轮对话与结构化组织：System / User / Assistant 消息角色、文件加载提示词 → [2.4 结构化组织方式](1-2-提示词工程基础.md#_24-结构化组织方式)
- 评估提示效果与迭代优化、解决 Prompt 失效与偏差问题 → [3、提示词工程的边界](1-2-提示词工程基础.md#_3、提示词工程的边界)、[4、提示词工程的几个注意点](1-2-提示词工程基础.md#_4、提示词工程的几个注意点)
- 提示词在 Agent 与工具调用中的应用 → [4、智能体开发](1-3-RAG、微调、续训与智能体选型.md#_4、智能体开发)
- 项目：商品营销卖点提炼、电商 / 自媒体爆款文案生成 → [3.10 商品营销卖点提炼（Coze）](案例与源码-1-Coze&Dify工作流智能体/3.10-Coze案例：商品营销卖点提炼/3.10-商品营销卖点提炼-Coze.md#_本案例概要)

### 01-4 大模型架构原理

- 大模型的发展历程、关键推动因素与趋势 → [1.2 为什么会出现大模型？](1-1-大模型认知与工程概览.md#_12-为什么会出现大模型)
- Transformer 编码器 / 解码器结构、可扩展性与 MoE 模型，以及工程实现思路 → [1.2 为什么会出现大模型？](1-1-大模型认知与工程概览.md#_12-为什么会出现大模型)、[4、大模型的工程实现概览](1-1-大模型认知与工程概览.md#_4、大模型的工程实现概览)
- 自注意力机制与多头注意力 → [全书术语表：大模型与训练基础术语](全书术语表.md#_3、大模型与训练基础术语)
- LLaMA、Qwen、GPT 等主流体系 → [1.4 大模型分类](1-1-大模型认知与工程概览.md#_14-大模型分类)
- 多模态架构：文本 + 图像 + 音频 + 视频 / 文档 / 图表 / 屏幕 UI 理解 → [1.4 大模型分类](1-1-大模型认知与工程概览.md#_14-大模型分类)

---

## 02 企业低代码平台开发与项目实战

阶段二：低代码做应用

### 02-1 Coze（扣子）平台

- Coze 界面主要功能介绍、主要目标用户 → [4.2 Coze(扣子)介绍](3-基于Coze%26Dify平台的智能体开发.md#_4.2-coze扣子介绍)
- 核心功能模块（插件、知识库、工作流、智能体）的创建与配置 → [4.3 功能说明](3-基于Coze%26Dify平台的智能体开发.md#_4.3-功能说明)
- 提示词设计、模型选择与配置、发布渠道与多端部署能力 → [4、level 3：使用 Coze 搭建高阶智能体](3-基于Coze%26Dify平台的智能体开发.md#_4、level-3使用-coze-搭建高阶智能体)
- Python 调用 Coze 平台工作流 → [1. 发布 API](5-Python调用Coze平台工作流.md#_1-发布-api)

### 02-2 项目 1：商户运营管家

- 模块 1：一键生成行业调研 PPT → [3.1 Coze 案例：一键生成行业调研 PPT](案例与源码-1-Coze&Dify工作流智能体/3.1-Coze案例：一键生成行业调研PPT/3.1-一键生成行业调研PPT.md#_本案例概要)
- 模块 2：复刻爆款视频 → [3.2 Coze 案例：复刻爆款视频](案例与源码-1-Coze&Dify工作流智能体/3.2-Coze案例：复刻爆款视频/3.2-复刻爆款视频.md#_本案例概要)
- 模块 3：产品营销海报生成 → [3.3 Coze 案例：产品营销海报生成](案例与源码-1-Coze&Dify工作流智能体/3.3-Coze案例：产品营销海报生成/3.3-产品营销海报生成.md#_本案例概要)
- 模块 4：商品营销卖点提炼 → [3.10 Coze 案例：商品营销卖点提炼](案例与源码-1-Coze&Dify工作流智能体/3.10-Coze案例：商品营销卖点提炼/3.10-商品营销卖点提炼-Coze.md#_本案例概要)
- 模块 5：商品评论分析 → [3.8 Coze 案例：商品评论分析](案例与源码-1-Coze&Dify工作流智能体/3.8-Coze案例：商品评论分析/3.8-商品评论分析-商品评论分析-Coze.md#_本案例概要)

### 02-3 Dify AI 平台

- 不同低代码平台对比、Dify 核心功能与组件（工作流、Agent、知识库）→ [5.1 Dify 介绍](3-基于Coze%26Dify平台的智能体开发.md#_5.1-dify-介绍)
- 提示词编排、工具与 Agent、模型集成、工作流基本结构 → [6、工作流的搭建](3-基于Coze%26Dify平台的智能体开发.md#_6、工作流的搭建)
- Dify 案例：客户投诉分类助手 → [3.5 Dify 案例：客户投诉分类助手](案例与源码-1-Coze&Dify工作流智能体/3.5-Dify案例：客户投诉分类助手/3.5-客户投诉分类助手.md#_本案例概要)
- Dify 案例：一键生成行业调研报告 → [3.4 Dify 案例：一键生成行业调研报告](案例与源码-1-Coze&Dify工作流智能体/3.4-Dify案例：一键生成行业调研报告/3.4-一键生成行业调研报告.md#_本案例概要)
- Dify 案例：客服对话记录分析 → [3.7 Dify 案例：客服对话记录分析](案例与源码-1-Coze&Dify工作流智能体/3.7-Dify案例：客服对话记录分析/3.7-客服对话记录分析-Dify.md#_本案例概要)
- Dify 案例：商品评论分析 → [3.9 Dify 案例：商品评论分析](案例与源码-1-Coze&Dify工作流智能体/3.9-Dify案例：商品评论分析/3.9-商品评论分析-Dify.md#_本案例概要)
- Python 调用 Dify 平台工作流 → [1、发布](4-Python调用Dify平台工作流.md#_1、发布)

### 02-4 容器化技术

- Docker / Compose 核心概念、镜像、容器、数据卷、端口映射与常用命令 → [第 8 章 Docker 快速入门与 Dify 部署排障](8-Docker快速入门与Dify部署排障.md)
- Docker Desktop 安装与验证 → [第 8 章 2.2 Windows 安装前准备](8-Docker快速入门与Dify部署排障.md#_22-windows-安装前准备)
- Dify 部署后的排障、数据位置、备份升级、Navicat 连接与前端自建镜像 → [第 8 章 Docker 快速入门与 Dify 部署排障](8-Docker快速入门与Dify部署排障.md)

### 02-5 企业级大模型部署

- 部署核心方案：应用层（Dify）+ 推理层（Xinference 等）+ OpenAI 兼容 API → [1、企业级大模型部署概述](7-企业级大模型部署.md#_1、企业级大模型部署概述)
- 腾讯云/阿里云服务器部署、Dify 的下载与配置 → [2、Dify 平台私有化部署](7-企业级大模型部署.md#_2、Dify%20平台私有化部署)
- AutoDL 服务器配置、Ollama 下载与大语言模型的加载 → [3、模型部署](7-企业级大模型部署.md#_3、模型部署)
- Xinference 平台下载、嵌入模型与重排序模型的部署 → [3、模型部署](7-企业级大模型部署.md#_3、模型部署)（含 3.2 部署 Xinference、3.4 Embedding、3.5 Rerank）
- 低代码平台 Coze Studio、Dify、Coze Loop 的本地部署 → [1、整体概述](6-Coze与Dify的Windows平台部署.md#_1、整体概述)、[3、Coze Studio 的安装和配置](6-Coze与Dify的Windows平台部署.md#_3、coze-studio-的安装和配置)、[4、Dify 的安装和启动](6-Coze与Dify的Windows平台部署.md#_4、dify-的安装和启动)、[5、Coze Loop（扣子罗盘）指南](6-Coze与Dify的Windows平台部署.md#_5、coze-loop扣子罗盘指南)

---

## 03 大模型核心开发框架

阶段三：代码级开发

### 03-1 LangChain 框架原理与应用

- LangChain 框架概述、定位与六大核心模块（Models、Memory、Retrieval、Chains、Agents、Callback）→ [1、LangChain 是什么](9-LangChain概述与架构.md#_1、langchain-是什么)、[3、总体架构与六大核心模块](9-LangChain概述与架构.md#_3、总体架构与六大核心模块)
- LangChain 的安装与调用、环境与依赖 → [3、安装依赖](10-LangChain快速上手与HelloWorld.md#_3、安装依赖)、[4、实战：基于阿里百炼的 HelloWorld](10-LangChain快速上手与HelloWorld.md#_4、实战基于阿里百炼的-helloworld)

**① Model I/O（输入输出与模型接入）**

- Message、Prompt Template、Output Parsers、Function Calling → [1、Model I/O 概述与三件套](11-Model-I-O与模型接入.md#_1、model-io-概述与三件套)、[1、Prompt 与消息基础](13-提示词与消息模板.md#_1、prompt-与消息基础)、[1、输出解析器概述](14-输出解析器.md#_1、输出解析器概述)、[2、Tool 是什么与能干嘛](17-Tools工具调用.md#_2、tool-是什么与能干嘛)

**② Chains（链式调用）**

- LCEL 与 Runnable、链式调用（顺序链、分支链、串行链、并行链、函数链）→ [1、Runnable 与统一调用方式](15-LCEL与链式调用.md#_1、runnable-与统一调用方式)、[2、LCEL 是什么](15-LCEL与链式调用.md#_2、lcel-是什么)、[4、链式调用基础用法与案例](15-LCEL与链式调用.md#_4、链式调用基础用法与案例)

**③ Memory（记忆与对话历史）**

- RunnableWithMessageHistory、内存与 Redis 持久化 → [1、为什么需要记忆](16-记忆与对话历史%EF%BC%88含Redis基础%EF%BC%89.md#_1、为什么需要记忆)、[4、实现原理](16-记忆与对话历史%EF%BC%88含Redis基础%EF%BC%89.md#_4、实现原理)、[5、实现类介绍：0.3 与 1.0+](16-记忆与对话历史%EF%BC%88含Redis基础%EF%BC%89.md#_5、实现类介绍%EF%BC%9A0.3%20与%201.0%2B)、[6、案例代码](16-记忆与对话历史%EF%BC%88含Redis基础%EF%BC%89.md#_6、案例代码)

**④ Agents（智能体与工具调用）**

- Agent 抽象、ReAct 范式、create_agent 与 Executor → [1、Agent 是什么？与 Tool 的关系](21-Agent智能体.md#_1、agent-是什么与-tool-的关系)、[2、演变过程：从多步组装到一步创建](21-Agent智能体.md#_2、演变过程从多步组装到一步创建)、[5、实操与案例](21-Agent智能体.md#_5、实操与案例)
- 现代 Agent 场景：浏览器自动化 / Computer Use、长任务研究代理、代码库维护代理、文件 / 数据分析代理 → [1.4 Agent 的使用场景](21-Agent智能体.md#_14-agent-的使用场景)

**⑤ Retrieval（检索与向量）**

- 文档加载器、Text Splitters、Embedding、向量存储与检索 → [1、向量与向量化](18-向量数据库与Embedding实战.md#_1、向量与向量化)、[2、向量数据库](18-向量数据库与Embedding实战.md#_2、向量数据库)、[2、RAG 文本处理核心知识](19-RAG检索增强生成.md#_2、rag-文本处理核心知识)

- 电商平台商家对话助手案例：集成店铺运营数据库检索、平台政策实时查询和客户服务管理功能；开发多工具调用能力，记忆机制管理多会话上下文；本地知识库的搭建与调用（待更新）

### 03-2 LangGraph 框架原理与应用

- LangGraph 入门：从链式到图状的思维转变 → [1、LangGraph 简介](22-LangGraph概述与快速入门.md#_1、langgraph-简介)、[2、HelloWorld 快速入门](22-LangGraph概述与快速入门.md#_2、helloworld-快速入门)
- 图的核心要素：State、Node、Edge → [1.4 四个核心概念：State、Nodes、Edges、Graph](22-LangGraph概述与快速入门.md#_1.4-四个核心概念：state、nodes、edges、graph)、[2、Graph API 之 State（状态）](23-LangGraphAPI：图与状态.md#_2、graph-api-之-state（状态）)、[1、Graph API 之 Node（节点）](24-LangGraphAPI：节点、边与进阶.md#_1、graph-api-之-node（节点）)、[2、Graph API 之 Edge（边）](24-LangGraphAPI：节点、边与进阶.md#_2、graph-api-之-edge（边）)
- Graphs：图的构建与编译 → [1、Graph API 之 Graph（图）](23-LangGraphAPI：图与状态.md#_1、graph-api-之-graph（图）)、[2.3 Graph 最小构建流程](22-LangGraph概述与快速入门.md#_2.3-graph-最小构建流程)
- Runtime：Pregel、Actor、Channel、Superstep 与状态快照 → [4、补充理解：LangGraph 底层如何运行这张图](23-LangGraphAPI：图与状态.md#_4、补充理解：langgraph-底层如何运行这张图)
- Memory：图中的持久化状态与记忆 → [2、状态持久化（Persistence）](25-LangGraph高级特性.md#_2、状态持久化（persistence）)、[3.5 本章和 LangGraph 官方主线的关系](16-记忆与对话历史（含Redis基础）.md#_3.5-本章和-langgraph-官方主线的关系)
- Human-in-the-loop：中断、人工审核与恢复执行 → [3、人机协作与中断恢复（Interrupt / HITL）](25-LangGraph高级特性.md#_3、人机协作与中断恢复（interrupt--hitl）)
- Agents：构建更鲁棒、更可控的智能体，覆盖长任务 Agent、多智能体协作与并行任务 → [21-Agent 智能体](21-Agent智能体.md#_1、agent-简介)、[26-LangGraph 多智能体与 A2A](26-LangGraph多智能体与A2A.md#_2、supervisor-与-handoff)
- Agent Skills：把可复用提示词、流程、模板、脚本和资源封装成按需加载的能力包 → [27-Skills 技能与 AI 编程工具实践](27-Skills技能与AI编程工具实践.md#_1、为什么-skills-突然变重要)
- 高级应用与技巧：流式输出、时间回溯与子图 → [1、流式处理（Streaming）](25-LangGraph高级特性.md#_1、流式处理（streaming）)、[4、时间回溯（Time-Travel）](25-LangGraph高级特性.md#_4、时间回溯（time-travel）)、[5、子图（Subgraphs）](25-LangGraph高级特性.md#_5、子图（subgraphs）)

### 03-3 MCP 从原理到实战

- Function Calling 对比 MCP 的核心差异、功能定位、交互逻辑及适用场景 → [4.3 工具调用的实现方式](1-3-RAG、微调、续训与智能体选型.md#_43-工具调用的实现方式)、[1、为什么需要 MCP](20-MCP模型上下文协议.md#_1、为什么需要-mcp)、[2、MCP 是什么（入门概念）](20-MCP模型上下文协议.md#_2、MCP%20是什么%EF%BC%88入门概念%EF%BC%89)
- MCP 应用场景、通信机制与传输逻辑（STDIO / SSE），包括浏览器、文件、代码库与数据系统等外部能力接入 → [3、MCP 能做什么](20-MCP模型上下文协议.md#_3、mcp-能做什么)、[5、MCP 架构知识](20-MCP模型上下文协议.md#_5、mcp-架构知识)
- MCP 关键组成要素，及各要素功能在体系中的作用 → [5.1 主机、客户端、服务器定义](20-MCP模型上下文协议.md#_5.1-主机、客户端、服务器定义)、[5.4 FastMCP 的基本写法与常用 API](20-MCP模型上下文协议.md#_5.4-fastmcp-的基本写法与常用-api)
- MCP 从初始化到日志记录的完整工作流程，各环节核心动作 → [5.2 MCP 协议层面大致怎么工作](20-MCP模型上下文协议.md#_5.2-mcp-协议层面大致怎么工作)、[5.5 完整调用过程理解](20-MCP模型上下文协议.md#_5.5-完整调用过程理解)
- 热门 MCP Server 推荐：主流工具，及各工具特点及适用场景 → [4.1 直接使用现成的 MCP 服务](20-MCP模型上下文协议.md#_4.1-直接使用现成的-mcp-服务)
- 从底层逻辑剖析 MCP 在服务解耦、路由、容错等方面的核心原理 → [1.2 MCP 到底在解决什么问题](20-MCP模型上下文协议.md#_1.2-mcp-到底在解决什么问题)、[5.2 MCP 协议层面大致怎么工作](20-MCP模型上下文协议.md#_5.2-mcp-协议层面大致怎么工作)
- 案例：多种具体环境 MCP Server 部署与测试 → [6、案例实战：本地 MCP 天气服务与客户端](20-MCP模型上下文协议.md#_6、案例实战本地-mcp-天气服务与客户端)
- 案例：自定义 MCP 的开发步骤、功能验证要点与目标 → [4.2 本地自建 MCP 服务端](20-MCP模型上下文协议.md#_4.2-本地自建-mcp-服务端)、[6.2 服务端案例区分理解](20-MCP模型上下文协议.md#_6.2-服务端案例区分理解)、[6.4 客户端案例怎么区分理解](20-MCP模型上下文协议.md#_6.4-客户端案例怎么区分理解)

### 03-4 跨 Agent 通信：A2A 协议

- A2A 协议定义与作用、与 MCP 协议关系、核心组件架构 → [1、A2A 协议与多智能体架构](26-LangGraph多智能体与A2A.md#_1、a2a-协议与多智能体架构)、[1.5 A2A 和 MCP 的区别](26-LangGraph多智能体与A2A.md#_1.5-a2a-和-mcp-的区别)
- 工作流程机制、消息格式与数据结构、请求与响应流程 → [1.4 A2A 协议定义](26-LangGraph多智能体与A2A.md#_1.4-a2a-协议定义)、[1.6 LangGraph 多智能体和 A2A 是什么关系](26-LangGraph多智能体与A2A.md#_1.6-langgraph-多智能体和-a2a-是什么关系)
- 认证与授权机制、错误码与异常处理 → [1、A2A 协议与多智能体架构](26-LangGraph多智能体与A2A.md#_1、a2a-协议与多智能体架构)
- 性能优化与并发控制、典型业务场景示例，包括软件工程团队式协作、研究代理团队、数据分析代理团队与并行代码任务 → [1.9 使用场景](26-LangGraph多智能体与A2A.md#_1.9-使用场景)、[2.9 Supervisor 和 Handoff 怎么选](26-LangGraph多智能体与A2A.md#_2.9-supervisor-和-handoff-怎么选)

---

## 04 企业级 RAG / Agent 项目实战

阶段四：企业级应用

### 04-1 RAG 与知识库基础

- RAG 是什么、为何需要、执行流程（索引阶段 + 检索阶段）→ [1、RAG 的理解](2-RAG-搭建企业私有%26个人知识库.md#_1、rag-的理解)、[1、RAG 概述](19-RAG检索增强生成.md#_1、rag-概述)
- 知识库搭建平台对比与选型（Cherry Studio、ima、Dify、RAGFlow 等）→ [2、知识库的概述](2-RAG-搭建企业私有%26个人知识库.md#_2、知识库的概述)
- 使用 Cherry Studio、ima、Dify 从零搭建个人/企业知识库 → [3、Cherry-Studio 搭建个人知识库](2-RAG-搭建企业私有%26个人知识库.md#_3、cherry-studio-搭建个人知识库)、[4、ima 搭建个人知识库](2-RAG-搭建企业私有%26个人知识库.md#_4、ima-搭建个人知识库)、[5、使用 Dify 搭建知识库](2-RAG-搭建企业私有%26个人知识库.md#_5、使用-dify-搭建知识库)
- 向量与向量化、向量数据库与 Embedding 实战 → [18-向量数据库与 Embedding 实战](18-向量数据库与Embedding实战.md#_1、向量与向量化)
- RAG 综合案例：文档加载、分割、向量存储、检索与生成 → [3、RAG 综合案例：智能运维助手](19-RAG检索增强生成.md#_3、rag-综合案例智能运维助手)

### 04-2 项目 2：掌柜智库

- 架构设计：基于 LangGraph 构建适配电商设备手册查询、商品售后咨询的可插拔 RAG 工作流（待更新）
- 多模态解析：集成 MinerU 与 OCR，精准解析电商设备操作手册、商品售后指南类图文混排 PDF（待更新）
- 检索机制：采用向量检索 + 稀疏检索 + Neo4j 电商知识图谱（设备故障 - 解决方案关联）多路召回（待更新）
- 智能切片：支持滑动窗口、语义切分策略，适配电商设备故障排查步骤、商品参数说明的语义保留（待更新）
- 深度优化：引入 HyDE 与 BGE-Rerank，提升 “打印机卡纸怎么办”“商品保修政策”等电商疑问匹配精度（待更新）
- 全链路评估：集成 RAGAS 框架，自动化评估电商售后问答准确性、设备操作指引合规性（待更新）

### 04-3 项目 3：电商小二

- 对话理解与意图解析：实现用户模糊咨询的多意图识别，支持上下文关联（如跨轮追问 “之前说的订单退款进度”），精准匹配用户真实需求（待更新）
- 多源知识库联动：对接产品手册、售后工单库、常见问题库（FAQ），实现 “问题 - 答案” 智能映射，支持手册更新后的知识库自动同步与检索优化（待更新）
- 实时交互体验优化：采用流式输出技术减少回复等待时长，配置常见问题快捷回复模板，针对高频咨询（如 “物流查询”）实现 1 秒内响应，支持表情、链接等富文本回复（待更新）
- 人机协同转人工机制：设置转人工触发条件（如复杂投诉、需求不明确），转人工时自动同步当前对话上下文至人工坐席，避免用户重复描述，提升协同效率（待更新）
- 对话数据复盘与优化：自动采集对话日志，分析高频未解决问题、用户满意度低的回复场景，输出优化建议（如补充知识库内容、调整意图识别规则）（待更新）
- 多渠道适配与监控：支持 APP、网页、小程序等多渠道接入，集成服务监控面板，实时查看响应耗时、意图识别准确率、转人工率等核心指标，保障服务稳定性（待更新）

### 04-4 项目 4：电商问数

- 项目定位：自然语言问数把数仓、检索、生成、执行和前端交付串成一条链路 → [3、这个项目到底在做什么](实战项目-电商问数/0-前言.md#_3、这个项目到底在做什么)、[5、这套项目的核心技术栈](实战项目-电商问数/0-前言.md#_5、这套项目的核心技术栈)
- 数仓与元数据基础：先理解事实表、维度表、指标和元数据在问数里的角色 → [3、数据仓库基础](实战项目-电商问数/1-项目概述与数仓基础.md#_3、数据仓库基础)、[4、维度建模入门](实战项目-电商问数/1-项目概述与数仓基础.md#_4、维度建模入门)、[2、元数据知识库](实战项目-电商问数/2-项目整体架构与智能体流程.md#_2、元数据知识库)
- 工程与基础设施：用 uv、docker-compose、配置管理和客户端封装把 MySQL、Qdrant、Elasticsearch、Embedding 跑起来 → [1、先建立整体认识](实战项目-电商问数/3-开发环境与基础服务准备.md#_1、先建立整体认识)、[1、项目目录结构](实战项目-电商问数/4-项目结构与基础服务配置管理.md#_1、项目目录结构)、[1、Qdrant 客户端接入](实战项目-电商问数/5-Qdrant与ES快速入门与接入.md#_1、qdrant-客户端接入)、[1、Embedding 客户端管理](实战项目-电商问数/6-MySQL、Embedding与日志管理.md#_1、embedding-客户端管理)
- 元数据与检索：围绕表、字段、字段值和指标构建可检索的知识库 → [1、为什么先构建元数据知识库](实战项目-电商问数/7-元数据知识库总览与构建入口.md#_1、为什么先构建元数据知识库)、[1、本章在整条构建流程中的位置](实战项目-电商问数/8-表与字段信息同步到元数据库.md#_1、本章在整条构建流程中的位置)、[1、为什么字段检索不能只靠一种能力](实战项目-电商问数/9-字段与指标检索能力构建.md#_1、为什么字段检索不能只靠一种能力)
- 问数工作流：用 LangGraph 组织状态、上下文、关键词抽取、多路召回和上下文合并 → [1、问数智能体的整体工作流](实战项目-电商问数/10-问数智能体总览与工作流骨架.md#_1、问数智能体的整体工作流)、[2、三路召回分别解决什么](实战项目-电商问数/11-关键词抽取与多路召回.md#_2、三路召回分别解决什么)、[2、为什么召回结果不能直接交给大模型](实战项目-电商问数/12-召回信息合并与上下文构建.md#_2、为什么召回结果不能直接交给大模型)、[2、为什么合并后还要过滤](实战项目-电商问数/13-SQL生成前的信息过滤与补全.md#_2、为什么合并后还要过滤)
- SQL 闭环：完成 SQL 生成、校验、纠错和执行，形成可控的 NL2SQL 流程 → [1、本章在问数链路中的位置](实战项目-电商问数/14-SQL生成与执行闭环.md#_1、本章在问数链路中的位置)、[3、生成 SQL：generate_sql](实战项目-电商问数/14-SQL生成与执行闭环.md#_3、生成-sqlgenerate_sql)、[4、校验 SQL：validate_sql](实战项目-电商问数/14-SQL生成与执行闭环.md#_4、校验-sqlvalidate_sql)、[6、校正 SQL：correct_sql](实战项目-电商问数/14-SQL生成与执行闭环.md#_6、校正-sqlcorrect_sql)、[7、执行 SQL：run_sql](实战项目-电商问数/14-SQL生成与执行闭环.md#_7、执行-sqlrun_sql)
- 接口与联调：用 FastAPI、SSE、QueryService、dependencies 和 lifespan 把能力交给前端并做好排障 → [1、查询接口要解决什么问题](实战项目-电商问数/15-API接口基础与FastAPI入门.md#_1、查询接口要解决什么问题)、[5、SSE 协议：前后端约定的流式格式](实战项目-电商问数/15-API接口基础与FastAPI入门.md#_5、sse-协议前后端约定的流式格式)、[3、QueryService：把一次请求变成一次图执行](实战项目-电商问数/16-查询接口实现与依赖组装.md#_3、queryservice把一次请求变成一次图执行)、[5、request_id：让并发日志能查得清楚](实战项目-电商问数/17-前后端联调与日志追踪.md#_5、request_id让并发日志能查得清楚)

### 04-5 项目 5：深度研搜

- 项目文档入口与源码仓库：先读 [深度研搜前言](实战项目-深度研搜/0-前言.md)，再对照 [deepsearch-agents 源码仓库](https://github.com/didilili/deepsearch-agents) 跑通项目
- DeepAgents 基础：从普通 Agent 过渡到主智能体、子智能体、任务委派和上下文隔离 → [第 1 章 DeepAgents 基础与核心概念](实战项目-深度研搜/1-DeepAgents基础与核心概念.md)、[第 2 章 DeepAgents 快速入门与流式解析](实战项目-深度研搜/2-DeepAgents快速入门与流式解析.md)、[第 3 章 子智能体进阶与异步执行](实战项目-深度研搜/3-子智能体进阶与异步执行.md)
- 生态接入与控制能力：把 LangGraph、LangChain、人机协作、Backend、中间件和 Skills 接到 DeepAgents 项目里 → [第 4 章 接入 LangGraph 与 LangChain](实战项目-深度研搜/4-接入LangGraph与LangChain.md)、[第 5 章 人机协作与中断恢复](实战项目-深度研搜/5-人机协作与中断恢复.md)、[第 6 章 长期记忆与 Backend 存储](实战项目-深度研搜/6-长期记忆与Backend存储.md)、[第 7 章 中间件机制与 Skills 配置](实战项目-深度研搜/7-中间件机制与Skills配置.md)
- 工程初始化与基础模块：理解项目目录、模型配置、提示词配置、会话目录和上下文变量 → [第 8 章 项目总览与工程初始化](实战项目-深度研搜/8-项目总览与工程初始化.md)、[第 9 章 基础模块与模型配置](实战项目-深度研搜/9-基础模块与模型配置.md)
- 多来源检索能力：实现网络搜索、MySQL 查询和 RAGFlow 知识库三个子智能体 → [第 10 章 网络搜索子智能体与 Tavily 工具](实战项目-深度研搜/10-网络搜索子智能体与Tavily工具.md)、[第 11 章 数据库查询子智能体与 MySQL 工具](实战项目-深度研搜/11-数据库查询子智能体与MySQL工具.md)、[第 12 章 RAGFlow 子智能体与知识库准备](实战项目-深度研搜/12-RAGFlow子智能体与知识库准备.md)
- 项目闭环：搭建主智能体、异步执行、FastAPI 接口、WebSocket 进度回传和文件交付链路 → [第 13 章 主智能体搭建与异步执行](实战项目-深度研搜/13-主智能体搭建与异步执行.md)、[第 14 章 FastAPI 接口与项目闭环](实战项目-深度研搜/14-FastAPI接口与项目闭环.md)

---

## 05 大模型微调实践

以中文关键词抽取为贯穿案例，按“判断是否需要微调 → 准备数据 → 理解训练 → AutoDL 实操 → 验证与导出”的顺序学习。

### 05-1 项目、数据与训练原理

- [第 28 章 大模型微调概述与整体流程](28-大模型微调概述与整体流程.md)：回顾 Prompt、RAG 与 Agent 的分工，理解模型类型，定义任务并认识基线。
- [第 29 章 微调数据准备与对话模板](29-微调数据准备与对话模板.md)：读真实 JSONL，学习 Alpaca/ShareGPT、清洗、查重、数据划分和模板。
- [第 30 章 模型训练原理与高效微调](30-模型训练原理与高效微调.md)：用算例理解 batch、step、学习率、显存、LoRA 和量化。

### 05-2 AutoDL 单卡实操

- [第 31 章 LLaMA-Factory 环境搭建与微调实战](31-LLaMA-Factory环境搭建与微调实战.md)：AutoDL 单卡环境、清洗版数据登记、LoRA 参数配置、150 步训练、日志核对与结果备份。
- [第 32 章 微调效果评估与模型部署](32-微调效果评估与模型部署.md)：单条 Chat 验证、200 条双组预测、文件转换与关键词评分、完整模型导出与独立加载。
- 配套文件：`案例与源码-4-微调/`，包含关键词样本、`keywords-clean` 训练/验证/测试数据、处理与评分脚本、训练/预测/导出配置及回答示例。

### 05-3 效果评估与进阶练习

- [第 32 章的选做内容](32-微调效果评估与模型部署.md?id=_6、vllm-部署与接口调用（选做）)：在兼容环境中使用 vLLM 部署、API 调用与 Adapter 分开加载；基线比较和关键词评分属于本章主线。
- [第 33 章 微调显存优化与多卡训练](33-微调显存优化与多卡训练.md)：单卡显存排查与 QLoRA 选做、三种并行分工、DeepSpeed ZeRO、短跑日志与结果判断。

| 学习内容           | 阅读或操作条件                                   | 学习目标                                       |
| ------------------ | ------------------------------------------------ | ---------------------------------------------- |
| 单卡关键词微调     | 按第 31 章准备模型、数据与训练环境               | 完成训练，读懂日志并保存 Adapter               |
| 回答评估与模型导出 | 使用自己的训练产物，或先阅读配套回答与报告       | 区分格式和内容质量，比较模型并检查导出文件     |
| vLLM 部署与调用    | 按第 32 章准备独立推理环境，跟做采用合并模型路线 | 从程序发起请求，并检查实际回答                 |
| 多卡与大模型练习   | 先阅读配置与日志示例，具备适用硬件后再操作       | 核对实际设备参与情况，比较显存、速度与任务效果 |

可先完成单卡主线，再按需求选择进阶内容。导出文件或接口调用成功，都不能代替对模型回答质量的检查。

### 05-4 后续拓展

私有数据采集与数据增强、其他 PEFT 方法（如 Prompt Tuning）、全参数微调对照、ONNX 导出，以及更多业务调优案例，可作为后续专题。Zero-shot / Few-shot 提示方式可先回看[提示词工程基础](1-2-提示词工程基础.md)，不要与需要训练参数的 Prompt Tuning 混淆。

---

## 06 大厂开发规范

### 06-1 企业大模型研发流程

- 流程概述、技术前沿调研、行业实践调研、完整技术调研结构（待更新）
- 自研方案输出、算法框架设计、RAG 项目逻辑、对话系统分发与 pipeline（待更新）
- 评估指标、业务方 / 运营方 / 产品方角色、研发过程、行业趋势与能力培养（待更新）
- 项目立项报告、产品需求、项目设计说明书等（待更新）

### 06-2 大模型当下热点

- Agent/RAG 项目研发主流技术，AI Coding / 代码库级协作、Computer Use / Browser Use、长任务 Agent、多智能体协作等前沿热点跟踪（待更新）

---

## 附录与导航

- **教程案例链接汇总**（在线演示与源码入口）→ [教程案例链接汇总](教程案例链接汇总.md)
- **全书术语表**（核心概念速查、易混概念对照）→ [全书术语表](全书术语表.md)
- **新手入门与常见问题**（环境准备、运行案例、API Key 配置、常见报错）→ [新手入门与常见问题](新手入门与常见问题.md)
- **教程更新日志** → [教程更新日志](教程更新日志.md)