AI开发环境实战

• Python数据科学生态与PyTorch 2.0

• GPU计算与CUDA加速基础

• 云端GPU资源基础概念

Transformer基础

GPT技术演变

• Transformer架构：自注意力、多头注意力、位置编码

• GPT系列演进：GPT-1→GPT-4，预训练→RLHF

• ChatGPT技术突破：指令微调、人类反馈强化学习、思维链

• 主流开源模型对比（Qwen3、Llama3、DeepSeek）

向量数据库与知识库

• 向量表示与语义检索原理

• Milvus生产级部署：索引类型、分片策略

• 知识库构建流水线：文档解析→分块策略→向量化→索引

RAG技术基础

• RAG vs Fine-tuning：适用场景对比

• Naive RAG架构：检索→增强→生成

• 检索优化：混合检索（向量+关键词）、重排序、上下文压缩

• 生成优化：提示工程、引用溯源、幻觉检测

知识库构建

• 多源文档解析：PDF/Word/网页/数据库

• 智能分块策略：固定分块→语义分块→递归分块

• 元数据设计：来源、时间、类别标签• 向量化入库与增量更新机制

• 实操：构建一个领域知识库（学术论文库）

高级RAG技术

• 查询改写与扩展（HyDE、Step-back）

• 递归检索与多跳推理

• 自适应检索（Self-RAG）

• Modular RAG：索引模块化、检索路由

RAG系统评估与优化

• 评估框架：忠实度、答案相关性、上下文精确率

• 检索调优：Embedding模型选择、查询优化

• 生成质量：引用格式、多文档融合、拒答策略

实战：企业级RAG系统

• 多源数据接入（PDF/数据库/API）

• 智能文档解析与语义分块

• 应用场景：智能研报检索生成系统

微调技术体系

• 全参数微调 vs PEFT

• Prefix/P-Tuning/Prompt Tuning

• LoRA/QLoRA/DoRA原理与选型

• Freeze与分层微调策略

Qwen2系列深度实战

• Qwen2模型家族：0.5B到72B能力边界

• 权重量化：GPTQ、AWQ、GGUF、FP8

• 工具调用（Function Calling）：Schema定义、调用链路

• 代码解释器集成：沙箱执行、结果可视化

实战：微调全流程

• 领域数据构建：指令设计、数据清洗、质量评估

• SFT训练配置：学习率调度、显存优化、断点续训

• 模型评估：微调前后表现对比

AI辅助开发实战

• vibe coding：氛围编程；自然语言驱动代码生成

• claude code：Anthropic官方CLI，Claude原生能力直达终端

-- Agentic编码：自主读取项目→理解代码库→多文件修改→执行命令→自我验证

--支持/init项目初始化、/review代码审查

• cursor：三种交互模式：Tab补全 / Cmd+K内联编辑 / Chat+Composer对话

-- Agent模式（核心优势）：自主规划→读取项目结构→跨文件修改→自动运行终端命令

-- .cursorrules项目级规则定制

• Github Copilot：IDE内对话式开发

-- Copilot Workspace：Issue→Plan→Code→PR全链路

-- Agent模式：@workspace 全项目理解

Agent架构设计

• Agent核心范式：

 - ReAct：推理-行动交替循环

 - Plan-and-Execute：规划-执行分离

 - Reflection：自我反思与纠错

• Skills原子能力封装：API标准化、动态加载、能力注册

• 工具生态集成：搜索引擎、代码执行、文件操作、数据库查询

• 记忆系统：短期上下文窗口 + 长期向量存储 + 摘要记忆

• Multi-Agent协作：角色分工、消息传递、共识机制

企业场景案例

• 智能写作助手：方案文案生成与风格迁移

RAG + Agent融合实战

• RAG-Agent融合架构：Agent驱动的自适应检索决策

• Dify / n8n框架对比与选型

• 实战项目：构建”科研助手”智能体原型

 - 文献检索 + 知识整合 + 结构化输出

 - 工具调用链路：论文搜索→内容提取→知识图谱关联→报告生成

Openclaw实战

• 核心定位：从”对话AI”到”执行型AI Agent”的范式跃迁，官方定位为 AI Agent 运行时环境（真正能做事的AI）

• 核心架构三要素：

--Gateway（统一入口/网关）：请求路由、认证鉴权、负载均衡

--Agent（智能执行核心）：任务拆解、决策调度、上下文管理

--Workspace（工作环境）：文件系统隔离、环境变量、持久化存储

• 与传统AI/RAG的核心差异：

--无状态文本交互 → 有状态 Agent Loop（感知→决策→行动→记忆）

--被动响应 → 主动执行（工具调用、文件操作、代码运行）

• 技术栈全景：TypeScript 核心、LLM 适配层（OpenAI/Anthropic/本地模型）、MCP 协议层、Skill 插件层、向量存储层

实战：openclaw擅长的工作

• 网上搜索、资料整理等

场景一：科研课题设计与项目申报

• 需求痛点：创新点挖掘难、申报书格式严格、背景调研耗时

• Agent解决方案：

1. 构建“创新点发散”Prompt链路与行业前沿文献RAG库
2.  多Agent协作：一个Agent负责文献对齐，一个Agent负责生成申请书模板大纲
3.  实战演示：自动生成国家/省级课题申报书草案。

场景二：AI全栈辅助论文写作

• 需求痛点：综述整理繁琐、语言润色困难、逻辑连贯性差

• Agent解决方案：

1. 基于RAG的防幻觉文献综述生成（带真实DOI引用标注）
2.  多轮对话打磨：标题提炼 → 摘要生成 → 章节扩写与润色（学术降重与风格迁移）
3.  伦理与规范：探讨AI辅助写作的学术边界与Turnitin/AIGC检测规避技巧。

场景三：自动化数据分析与科研绘图

• 需求痛点：Python画图代码繁琐、数据清洗耗时、统计分析门槛高

• Agent解决方案（基于代码解释器）：

1. 结构化数据接入：CSV/Excel自动读取与缺失值、异常值清洗
2. 自然语言驱动的数据探索（Text-to-SQL / Text-to-Pandas）
3.  智能EDA（探索性数据分析）：自动化生成数据分布特征与相关性报告
4.  科研绘图实战：通过自然语言指令，驱动Agent生成符合发表标准的图表。

课程总结

• Q&A答疑：学员自有业务场景落地探讨