本文详细解析了RAG技术的全流程从文档解析、知识库构建分块到索引和知识增强涵盖了问答对解析、DeepDoc、MinerU等工具的使用以及多种分块策略如固定大小、滑动窗口、基于句子等。文章还介绍了上下文增强索引、添加上下文块标题和引入问题生成等知识增强方法帮助读者全面理解并实践RAG技术为构建高效的知识库和提升大模型回答质量提供实用指导。RAG技术实现全流程1、文档解析常见文档类型与特点Word VS PDFword一般是会把doc转换为docx进行解析pdf就会比较复杂些。问答对解析在RAG检索增强生成系统的文档处理流程中常规的方法其实就是对文档内容分段分割成文本块即可但很多产品中经常会有另一个选项就是对文档进行问答对的提取问答对 结构化的 (question, answer) 键值对用于把文档中明确的 Q→A 映射提取出来作为可检索的知识单元。普通文本块拆分后是连续的文本片段如“章节片段”“语义段落”属于非结构化数据存储和检索时需基于整体文本的语义进行匹配。问答对拆分后是明确的(question, answer)键值对属于结构化数据存储和检索时可针对性地对“问题”和“答案”分别处理。问答对解析 vs 文档解析DeepdocDeepDoc是RAGFlow的视觉语义文档解析引擎整合OCR、版面分析、表格结构识别与多格式解析器将“绘制指令/图像”还原为语义化、可检索的文档单元chunks/HTML表格/图片。支持PDF、DOCX、EXCEL、PPT、TXT、MD、JSON、EML、HTML、IMAGE等多种文档类型。功能优势混合策略模型工程规则——模型负责复杂判断规则修边界垃圾文本过滤、合并阈值等。模块化Parser——同一套视觉输出可驱动不同解析器PDF / Word / Excel / PPT。可视化校验——每个 chunk 保留截图并在前端高亮便于人工审阅与回溯。工程细节使用onnx推理、batch处理、scale factor 缩放、XGBoost/规则融合用于box 合并决策。MinerUdeepdoc是对每一个文档类型进行处理MinerU是把所有格式都转成md/json格式。MinerU vs Deepdoc文档解析工具对比表格解析三大视觉任务的解析OCR提取图片或扫描件中的文字内容DLR分析文档结构布局标题、段落、图像等TSR识别表格行列、合并单元格并结构化输出图片解析2、知识库构建分块分块的核心问题LLM与嵌入器有上下文窗口限制单条输入超过token上限会被截断导致关键信息丢失检索命中降低。未经处理的长文档在检索时会引入大量无关信息噪声降低召回与精确率。分块同时影响下游生成不完整的上下文会让LLM产生“虚构”或不完整的答案。一些场景场景1法律条文若按固定token截断一条法条被拆为两半问答模型可能无法定位条款责任范围。场景2会议纪要对话轮次应保留发言人上下文否则对话问答会丢失因果关系。衡量一个好的Chunk可独立理解人读该chunk能回答关于该主题的若干问题信息密集但不冗余包含足够证据以支持检索与生成但不包含大量无关内容索引/检索友好易于建立元数据文档ID、页码、标题以便溯源与引用。常见分块策略1.固定大小切块Fixed-size/Fixed Window Chunking场景使用面对“一锅粥”式的原始、混乱文本数据时比如从PDF中OCR光学字符识别出来的、没有标点符号或格式的文本或者大型的日志文件、数据流。当你对文本结构一无所知又需要快速将数据拆分成固定大小的片段以适应模型输入时这是最直接的选择。优点简单且快速 实现起来也很简单切割效率高。易于管理 每个块的大小固定便于批量处理和模型输入管理尤其是在LLM有严格token限制时。兜底策略 在其他结构化切块方法都失效时可以作为一种普适的兜底方案。缺点上下文被截断 最大的缺点是它会毫不留情地在任何位置切开文本常常会把句子、段落甚至完整的想法截断导致语义不完整或上下文信息流失严重。信息冗余 在处理结构化文本时一个块可能包含多余的信息或与下一个块的内容高度重叠。2.滑动窗口切块Sliding Window Chunking场景使用 当你的文本内容上下文关联紧密、信息连续性强时比如小说、叙事性报告、详细的技术文档、自由流动的随笔等。它能有效缓解固定大小切块中上下文被截断的问题尤其适用于LLM需要更广阔语境才能准确理解和生成回答的场景。优点保持上下文 通过块之间的重叠能有效保留跨块的上下文信息降低LLM理解时出现“断层”的风险。提高检索精度 检索时即使查询命中一个重叠部分也能带回包含更完整上下文的块。适用于无结构文本 对没有明确标题、段落分隔的文本也能较好地处理。缺点冗余度增加 重叠部分会增加存储和处理的冗余导致向量数据库更大嵌入和检索成本增加。计算开销 更多的块意味着更多的嵌入计算和检索操作。参数调优chunk_size和 overlap的比例需要根据实际数据和LLM的特性进行仔细调优否则可能效果不佳。3.基于句子切块Sentence-based Chunking场景使用 最适合语法结构完整、句子独立承载完整语义的文本如新闻报道、博客文章、产品说明书、法律条文、论文摘要、结构化的文档或纯文本数据。它可以作为更复杂切块策略的“第一步”得到粒度最小的语义单元。优点语义完整性高 每个切块都是一个完整的句子通常能保证最小的语义单元不被破坏。粒度精细 提供了最细粒度的信息便于后续的重排、过滤或更复杂的组合操作。易于理解LLM处理完整句子时理解成本更低。缺点上下文不足单个句子可能缺乏足够的上下文来完全理解其含义尤其是在上下文分散于多个句子的复杂概念中。数量庞大对于长文档句子切块会生成大量小块增加存储和检索的负担。标点依赖严重依赖文本中的标点符号来识别句子边界如果文本质量差如OCR错误、缺乏标点效果会大打折扣。4.递归切块Recursive Chunking场景使用对于长度不确定、结构不规则的文本如采访记录、自由形式的写作、用户评论、非结构化文档等。当你想确保每个切块都满足LLM的最大token限制同时尽可能保持语义完整性时递归切块是一个非常强大的通用解决方案。它会优先使用大的语义分隔符如果仍超出限制则尝试更小的分隔符直至满足要求。优点灵活性高能够处理各种长度和结构的文本适应性强。平衡完整性与粒度优先保留较大的语义单元如段落在必要时才进一步细分到句子或单词尽量减少上下文破坏。通用性强适合作为大多数RAG系统的通用切块策略。缺点实现略复杂相较于简单切块逻辑更复杂需要定义分隔符优先级。分隔符依赖分隔符的选择和顺序会影响切块质量需要一定的经验和实验。可能仍然截断在极端情况下如果所有分隔符都用完仍无法满足长度要求最终可能还是会强制截断文本。5.页面/结构化切块Page-based/Structured Chunking场景使用主要针对具有明确分页结构/明确内部结构的文档以文档的物理或格式结构为第一阶切分单元包括页面PDF/PPT页、Markdown/HTML标题、表格、代码块、章节等。将页面切块与结构化切块合并可保留排版与引用信息如页码、标题便于溯源与向用户展示证据位置。原理依赖文本的结构性标记这些标记可能是显式的如HTML标签、Markdown标题、PDF章节标题也可能是隐式的如表格、代码块、列表的格式。它不依赖通用分隔符而是根据文档特定格式元素来解析文档。 例如Markdown按标题#, ##拆分以捕获章节或小节。HTML通过标签,拆分以保留逻辑内容块。PDF经过预处理例如OCR或转换为Markdown后按标题、段落、表格或其他结构元素进行拆分。编程代码按函数或类例如def在Python中拆分以维护代码的逻辑单元。优点保留原始布局信息每个切块对应一个物理页面能完整保留该页面的所有信息和布局方便在原始文档中定位。易于引用直接关联页码便于用户或LLM引用原始出处。简化处理对于已分页的文档省去了复杂的语义分析。语义完整性强每个切块都对应数据中的一个逻辑单元语义上高度完整和聚焦。准确性高不依赖模糊的文本特征而是基于确定的结构规则切块准确率高。便于信息抽取切块后可以直接提取结构化信息方便后续的知识图谱构建或特定字段检索。缺点依赖文档格式需要文档有明确的标题或章节标记对于非结构化文本无效。解析复杂需要更智能的解析器来识别不同级别的标题和其对应的内容。若概念跨页或跨章节出现页面切块可能截断语义需对超长页面 / 章节二次细分建议与递归或语义策略结合。工程建议先按页面/标题做宏观切分保留页码/标题元数据对超长块应用二次切分策略见混合分块。6.语义切块Semantic Chunking场景使用当你的文档主题连贯但缺乏明确结构或者不同主题的句子交织在一起时如访谈记录、会议纪要的自由转录、长篇小说中人物情感的起伏、对某个复杂概念的多角度阐述。这种方法通过识别句子或段落的语义相似性将真正“谈论同一件事” 的内容聚合在一起。先理解语义在话题变化处切。原理语义分块从传统的基于规则的拆分转变为基于含义的分段。这种更先进的技术不再依赖于字符数或文档结构而是根据文本的语义相似性进行划分该过程包括句子分割将文本分解成单独的句子嵌入生成将每个句子转换为向量嵌入相似性分析计算每对相邻句子的差异距离/相似度→根据选定的方法百分位/标准差/IQR设定阈值块形成遍历相邻差异如果某处差异阈值→在这些断点之间创建新的块优点高语义纯度确保每个切块中的内容在语义上高度相关减少无关信息的干扰。应对无结构文本在没有明确结构的情况下也能找到自然的语义边界。提升检索质量用户查询某个概念时能召回所有语义上相关的片段即使它们在原文中不相邻。缺点实现复杂使用句子嵌入模型如Sentence Transformers并进行向量计算和聚类分析。计算开销嵌入生成和相似度计算会增加处理时间。阈值敏感相似度阈值的设置非常关键过高可能导致块过小过低可能导致块过大并包含多个主题。模型依赖效果取决于所选嵌入模型的语义理解能力。7.Small2Big上下文补全窗口碎片化的检索结果缺失大段上下文导致大模型拼图失败。Chunk越小分块会把连贯语义切成“小片”检索命中最多只给出部分证据Chunk越大单纯增大chunk或盲目提高TopK会引入噪声、增加成本与prompt长度。SmalltoBig上下文补全窗口它不属于切块但是它属于切块里的一部分。碎片化的检索缺少上下文比如内容里有12345点只拿回来123点没有45点这样的话有可能回答不了比较片面这是第一种情况。第二种情况就是检索回来了但是他们在分块上分在不同片段上。解决方法就是上下文补全窗口。块越小语义切分越小检索命中就容易给出更多的证据检索的更准。块越大就越会引入噪声。****检索的时候用小块生成的时候用大块这样能保持小块检索的精度命中之后再向外扩展上下文检索到2、3这两个块可以用补全的方式把它们补回来合并后去重剪裁保证提示词是连贯的且不过长 大模型就能根据12345直接回答。比如检索回3就补相邻的2和4块 再把重叠overlap部分进行剪裁。还有一种当知道这篇文章的结构知道小标题之后那父块进行回溯。找到小块之后找大块直接拿回大块的一个段落用于生成。所以这是两种方式第一种邻域补全可能没有父块概念只能补充上下文。 第二种有父块概念检索小块那就回溯它的大块。但它俩不冲突再考虑重复的部分因为切块是自带重叠区域的需要把衔接处重叠部分进行剪裁避免上下文中两个一样的句子返回给大模型更完整有连贯的一个句子所以**解决问题的核心就是块大小的一个衡量。**确认好切块大小之后就能保证精度再获取上下文。核心思想检索用小块生成用大块保持“小粒度检索”的精准性→命中后再“向外扩展”上下文邻居或父块合并后去重/裁剪保证prompt连贯且不过长。具体流程按正常方式对文档切块chunk_size400chunk_overlap200。给每个chunk编上顺序号chunk_idx。全文向量检索得到TopK chunk。邻居补全Context Enrichment Window命中chunk后带上左右num_neighbors个邻居并合并裁掉重叠。实现简单提升显著。父块回溯Parent/Document Retriever小片检索命中后回溯关联的大块段落/章用于生成。更连贯便于引用位置。考虑重复部分因为chunk自带重叠区域需要把衔接处“重叠token”裁剪避免上下文里出现“两遍一样的句子”。返回给LLM的prompt就是一份更厚实、更连贯的上下文。解决的核心问题块大小的权衡精度 vs 上下文分块策略的优缺点递归切块无论处理何种文本这都是最稳妥的起点。它在通用性、简单性喝效果之间取得了很好的平衡。首先使用它建立一个性能基线。最佳分块策略语义分块的切分点寻找语义切分点的三种计算方法方法公式适用场景percentile分位数threshold第N百分位数知道大概要切多少段standard_deviation标准差thresholdmean- N×σ找明显偏离常规的异常低点interquartile四分位距IQRthresholdQ1- 1.5×IQR经典箱线图异常检测1.百分位法找“最离谱”的错误通俗理解把所有句子的“语义差异”排个队只挑排在最前面、差异最大的几个当切分点。比如只看全班作业里“错误最严重的5%”这些就是要重点标记的地方。例子假设我们要切分一篇混合了“校园新闻”和“动物科普”的文章句子1-3讲学校运动会差异小像作业里的小错别字句子3-4突然跳到“熊猫的饮食习惯”差异超大像作业里整道题全错句子4-6讲熊猫的生活环境差异小用“95百分位法”只看前5%的大差异时只有“句子3-4”的差异能入选所以我们就在这里切分把文章分成“校园新闻”和“动物科普”两段。总结起来就是只认“最极端”的差异全班最错的5人。2.标准差法找“远超平均水平”的错误通俗理解先算全班作业的“平均错误大小”再定一个标准比如“平均错误3倍的错误波动”只要某个句子的差异超过这个标准就当切分点。相当于只抓“错误大到离谱远超全班正常水平”的情况。例子切分一篇“日常日记”大部分内容很连贯但突然插入一段“紧急事件”句子1-5记录早餐、上学差异小平均错误1分波动0.5分句子5-6“路上遇到车祸救护车呼啸而过”差异超大错误5分句子6-10继续记录到学校后的事差异小按“平均值3倍标准差”算13×0.52.5分。只有句子5-6的差异5分超过2.5分所以这里切分把“车祸事件”单独分成一段。总结认“远超平均水平”的差异错得比全班大部分人都多很多。3.四分位距法找“比大多数人错得多”的错误通俗理解把所有差异分成四组就像全班成绩按25%、50%、75%分档只抓那些“比75%的句子差异都大很多”的点。适合找“虽然不是最离谱但比大部分情况都突出”的差异尤其适合内容本身很严谨、差异普遍小的文本比如法律条文、课本知识点。例子切分一篇“数学课本的知识点讲解”大部分句子都是连续的公式推导只有个别地方切换了知识点句子1-8讲“一元一次方程”差异很小像作业里的笔误句子8-9突然跳到“二元一次方程的定义”差异比75%的句子都大句子9-15讲二元一次方程解法差异小用四分位距法时会先算出“75%的句子差异都不超过0.8分”再定标准 “0.81.5倍的四分距”比如1.5分。句子8-9的差异1.2分超过1.5 分所以在这里切分把两个方程知识点分开。总结认“比75% 的情况都突出” 的差异错得比班上中等偏上的人都多。分块策略优化1.小块≈128–256 tokens优点检索精度Precision通常高能更精确匹配用户查询中的关键词或局部事实检索延迟低向量库增长速度快但单次检索成本低。缺点上下文信息可能不足导致生成时证据缺失或上下文相关问题无法回答Recall 受限过度碎片化易引入更多检索结果但无法提供完整证据链。典型适用FAQ、短问答、代码片段、日志条目。2.中等块≈256–512 tokens优点在精度与上下文完整性之间取得较好平衡通常能提供足够的证据支持生成同时保持合理的索引规模与嵌入成本。缺点需调优 overlap 与 chunk_size配合对于主题跳跃频繁的文档仍需语义方法辅助。典型适用产品文档、博客、技术手册。3.大块≈512–1024 tokens优点块内语义连贯生成时上下文完整性好能减少需要从多个块聚合证据的情况。缺点检索精度Precision可能下降因为块包含更多无关信息嵌入与存储成本显著上升在检索时更容易召回冗余数据且增加 LLM 处理成本。典型适用需要整段上下文的复杂推理例如长篇法规段落、章节级内容但成本高慎用。4.Overlap重叠的影响适度重叠10%–25%可以显著降低边界截断导致的信息丢失提升跨块连贯性与召回率。过高重叠会导致向量库中重复信息急剧增加检索返回冗余结果并推高成本评估时注意IoU与重复命中率。3、知识库构建索引1.通过文本分词和Embedding将片段文本转化为分词列表和向量2.将片段文本和分词列表、向量存入向量数据库中文本分词与倒排索引向量检索算法Flat、IVF、HNSW向量数据库04知识库构建知识增强①上下文增强索引我们可以对一个切块进行知识增强第一种知识增强就是上下文的增强存在问题检索通常只返回孤立文本块、缺乏前后文联系导致两类问题1)检索和排序缺少上下文信息进而数据块丢失。检索不回来怎么办一种方式是采用overlap增加重叠的部分但是不能无限的增加10%-25%。另外一种方式是保留语义上下文信息。这两种方式可以进行融合。2)LLM回答的时候断章、信息不完整并且难以追溯引用来源。通过small to big进行回溯可以解决这类问题。采用“上下文增强检索”核心思想是先找出最相关的文本块然后同时返回它的前一个和后一个文本块帮助LLM更好地理解上下文从而生成更准确、更完整的回答。目标是在构建检索块时同时保存“原始块”与其前后上下文overlap避免断句或丢失语义。流程要点从PDF提取原文→清洗与标准化。切分为原始块原始顺序并为每个原始块构造前后重叠上下文句 /段/字符级。每个检索单元包含原始块ID、原始块文本、前文上下文、后文上下文、metadata页码、位置信息。设计建议overlap可按任务调参例如前/后各50–200字或1–2句对学术/ 法律文本可更长。同时保留原始块不被合并便于后续精确回溯与Small2Big补全。优点减少断章、提高检索命中后上下文完整度检索到任意块即可拿到局部背景。②添加上下文“块标题”—Contextual Chunk HeadersRAG通过外部知识检索提升语言模型事实性但传统分块方法容易丢失上下文。导致检索相关性不足甚至生成脱离上下文的回答。overlap有50个字可能也不能包括更多信息检索的时候可能缺少一些上下文信息这个上下文信息是它这个章节的一些上下文信息。 ——检索增强给chunk加标题提升检索命中率。第一种解决方案就是把原文的文档标题和章节标题这种信息放到块的前面进行嵌入和检索。另外一种方案就是块标题它的上下文是更完整的。每一个块都自带文档的层级信息检索更精准。增强块和query之间的语义相关性减少一些误判避免模型断章取义生成一些错误答案。比如文档里平铺直叙没有结构化信息缺少标题段落可以利用大模型生成一些简洁的小标题这个方式就是CCH。核心思想是在切分文本时将文档标题、章节标题等高级上下文信息附加到每个文本块前部再进行嵌入与检索。实现方式自动检测文档中的章节/小节标题。将对应标题拼接到段落文本块开头。将“带标题块”作为检索单元进行向量化和检索。示例[#第三章](javascript:人工智能的基本技术人工智能的核心方法包括机器学习、深度学习和自然语言处理…优点上下文更完整每个块自带其文档层级信息。检索更精准增强块与query的语义相关性。减少误判避免模型因断章取义生成错误答案。进一步优化除了章节标题还可将文章标题添加到块中进一步区分不同文档来源。对于缺少清晰标题的段落可利用大模型生成简洁小标题作为CCH。③引入问题生成—QuestionGeneration传统RAG仅依赖文本块向量化→检索粒度有限。当用户问题表述与原文差异较大时检索可能不命中或命中不准。问答的时候需要切块问答对也是一种方式。片段比较单一的而且用户的问题其实和你的块是其实是差异比较大的这个叫什么叫不对称性用户问的问题是我要听周杰伦的歌后边是写介绍周杰伦的歌你这样的话它俩块是不一样的一是长度不一样二是它的那个语义也不太一样 就算是现在模型上做了这方面的训练了其实它也可能也会存在一种这种内容的缺失 而且它块的表达可能跟你用户的问题就是不一样那这种时候你这种不确定性你其实就会检索不到 或者说会受到别的干扰那我们就要需要引入一种方式就是叫那个引入问题生成核心思想就是在文档处理的时候我们除了对文本块进行那个嵌入之外我们还要对每一个块形成一个相关问题进行一起并入这个嵌入就是说当完了当用户进行那个提问的时候我们就可以直接匹配这个问题了。其实就是这个方案我们其实也可以有两种第一种就是说我们把这问题作为一个向量进行一个只是检索问题这是第一种。第二种就是说我们把问题和块这就是比较简单的把问题和块合在一变成一个块。把问题拼在前头了这样的话就保证的是我们把问题信息也在前面表示出来了这也是可以的。核心思想在文档处理阶段除嵌入文本块外还为每个块生成若干相关问题一并嵌入。**原理用户提问时系统可匹配到由LLM自动生成问题从而更精准地找到对应文本块。流程要点文本分块Chunking将文档切分为200~300字左右的小块。问题生成Question Generation使用大模型LLM为每个文本块生成 2~5 个相关问题。示例文本块主题机器学习、 自动生成问题“什么是机器学习”、“机器学习有哪些常见算法”、“机器学习和人工智能有什么关系”嵌入与存储将文本块和生成问题一同向量化存入向量数据库。检索与回答用户提问→命中相关问题或块→返回块文本→LLM生成答案。优点提升检索召回率问题生成扩展了query匹配入口。增强语义对齐缩小用户问题与文档原文之间的语义差距。提高回答质量帮助LLM找到更相关的上下文。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】