• 掌握 Python 语言基础，包括语法、数据类型、运算符、输入输出函数等核心内容。
• 熟练运用 PyCharm 开发工具，掌握其安装、设置及调试相关操作。
• 精通 Python 中分支、循环结构以及各类数据结构（字符串、列表、字典、元组等）的操作与运用。
• 深入理解面向对象编程，涵盖类和对象、封装、继承、多态及设计模式等方面知识。
• 具备 Python 文件操作、异常处理以及模块制作、安装与使用的能力。
• 了解 Python 的高级特性，像深拷贝、浅拷贝、生成器、迭代器、闭包、装饰器等内容。
• 掌握 Python 进程与线程相关概念及操作，包括并发、通信、互斥锁等要点。
• 熟悉 Python 网络编程以及正则表达式相关知识，用于对应场景的实践应用。

Python核心

• Python入门：Python发展史、Python应用场景、Python开发环境搭建
• PyCharm：PyCharm的安装、设置字体、设置快捷键、PyCharm常用设置、调试
• Python基础知识：注释、变量以及数据类型、标识符和关键字、输入函数、输出函数、运算符、程序类型转换
• 分支和循环：if判断语句、运算符、if-else语句、while循环、for循环、break、continue
• 字符串和列表：字符串输入、字符串输出、下标和切片、字符串常见函数、列表(list)、列表的循环遍历、列表的增删改查、列表的嵌套、列表的切片
• 字典和元组：字典的增删改查、字典遍历、访问元组、修改元组、集合（set）
• 函数：函数定义、函数的类型、函数参数、函数返回值、函数嵌套、局部变量、全局变量、递归函数、匿名函数
• 文件操作：文件的打开与关闭、文件的读写、文件读写应用
• 面向对象（类和对象）：定义类、类的构成、类的__init__()方法、创建对象、理解self
• 面向对象（封装、继承、多态）：封装、私有方法、私有属性、__del__()方法、继承、多继承、多态、类属性、实例属性、静态方法和类方法
• 面向对象（设计模式）：单例模式、工厂模式、__new__方法
• 综合案例：愤怒的小鸟
• 异常：捕获异常、异常的传递
• 模块：模块中的__all__、模块制作、打包模块、模块安装与使用
• 深拷贝、浅拷贝、私有化：深拷贝案例、浅拷贝案例、进制、位运算、作用域、私有化、属性property
• 生成器、迭代器、闭包、装饰器、元类、垃圾回收、内建函数
• 网络编程：进程池、进程间通信、多线程、进程和线程区别、协程、网络通信、端口、IP地址、socket、UDP、TCP、http
• 网络编程综合案例：企业级web框架starlette介绍及使用
• 正则表达：表示字符、表示数量、原始字符串、表示边界、匹配分组
• 综合案例：客户信息管理系统综合案例

考试一

• 熟练安装配置 Linux 环境并掌握常用命令。
• 精通 MySQL 安装使用及 SQL 操作。
• 熟悉 Numpy 的属性、函数及运算。
• 掌握 Pandas 的数据处理方法。
• 会用多种工具进行数据可视化。
• 具备在 Linux 环境下进行数据分析和可视化的综合能力。

Linux基础&Shell

• Linux环境准备：WSL 安装、Linux 安装、VI 编辑器、软件包安装
• 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
• Shell：变量、运算符、条件判断、流程控制、系统函数&自定义函数、常用工具命令、常用正则表达式

MySQL

• MySQL安装和使用、SQL语句、数据库操作、表操作、SQL约束、多表操作、开窗函数、案例、远程连接MySQL

Docker

• Docker安装、镜像、启动容器、常用命令

前后端基础

• FastAPI+Uvicorn 核心基础、SQLAlchemy 数据库操作基础、FastAPI+SQLAlchemy 整合开发、小型实战与部署

Numpy

• Anaconda下载、安装、Ubuntu安装Anaconda、conda常用命令
• Jupyter本地安装、PyCharm中集成Jupyter、使用远程JupyterServer、Jupyter快捷键
• Numpy的属性、创建方式、数据类型、切片和索引、基本函数、统计函数、比较函数、排序函数、基本运算、去重函数、矩阵乘法

Pandas

• Pandas数据结构-Series：创建、常用属性、常用方法、布尔索引、运算
• Pandas数据结构-DataFrame：创建、常用属性、常用方法、布尔索引、运算、更改操作、数据的导入导出
• Pandas日期数据处理：to_datetime()、Series.dt、to_period()
• DataFrame：加载数据集、查看部分数据、分组聚合计算、基本绘图、常用统计值、常用排序算法；案例实操：员工薪资统计分析
• Padas数据组合函数：concat连接、merge合并
• Padas的缺失值处理函数：查看缺失值、剔除缺失值、填充缺失值
• Padas的apply函数：Series使用apply()、DataFrame使用apply()、向量化函数
• Padas的数据聚合、转换、过滤函数；Pandas透视表、案例实操：睡眠质量分析透视表；
• Pandas时间序列：Pandas中的日期与时间、使用时间作为索引、生成时间序列
• Matplotlib可视化、Pandas可视化、Seaborn可视化
• 综合案例：房地产市场洞察与价值评估

考试二

• 熟悉线性代数、概率、高数等数学基础。
• 理解线性回归的概念、分类、损失函数等，掌握梯度下降算法等方法及模型评估。
• 掌握逻辑回归的数学基础、原理及分类评估指标，能进行案例实践。

数学基础

• 高等数学：基本函数的导数、导数的求导法则、利用导数求极值、二阶导数、偏导数、梯度
• 线性代数：标量与向量、向量运算、向量范数、矩阵与张量、矩阵乘法、矩阵转置、矩阵的逆
• 概率论：均匀分布、伯努利分布、二项分布、正态分布、贝叶斯定理、极大似然估计

机器学习概述

• 机器学习概述：发展历程、应用领域、基本术语、算法分类、建模流程、特征工程

监督学习

• 线性回归：概念和分类、损失函数和求解方法（正规方程法、梯度下降算法）、模型评估（MAE/MSE/RMSE）、API
• 线性回归案例和正则化
• 逻辑回归：数学基础、原理、损失函数、混淆矩阵、精确率/召回率/F1-score分类评估、AUC指标、ROC曲线、API
• 逻辑回归案例
• 感知机：基本概念、激活函数、具体实现；逻辑电路和感知机的局限

考试三

• 理解深度学习的概念、应用场景及优缺点。
• 掌握 Pytorch 的安装及张量的各种操作，包括创建、类型转换、数值计算等。
• 熟悉神经网络的结构组成，如输入层、输出层、隐藏层等，掌握激活函数、损失函数等相关知识。
• 了解卷积神经网络 CNN，掌握图像基础、卷积层和池化层等知识及案例应用。
• 掌握循环网络 RNN 的原理及词嵌入层、循环网络层的 API 和文本生成案例。
• 具备深度学习项目实战能力，如电商推荐和图片搜索等项目。

深度学习简介和Pytorch

• 什么是深度学习、深度学习应用场景、深度学习优缺点
• Pytorch的安装、张量创建方法、张量的类型转换、张量的数值计算、张量运算函数、张量索引操作、张量形状操作、张量拼接操作、自动微分模块；案例：实现线性回归

神经网络

• 神经网络基础：多层感知机、激活函数、初始化方式、神经网络搭建
• 神经网络的学习：数据驱动、损失函数、梯度下降法、学习算法的实现
• 反向传播算法（核心算法）：计算图、链式法则、算法原理、算法实现
• 学习方法的优化：参数更新、权重初始值、正则化、学习率衰减、梯度消失和梯度爆炸
• 神经网络案例：房价预测

卷积神经网络

• CNN：图像基础、卷积层计算、池化层作用及分类、全连接层、API
• CNN案例：服装分类

考试四

• 理解 NLP 的概念、发展历史和应用场景。
• 掌握文本预处理的方法，包括文本张量表示、特征处理和数据增强等。
• 熟悉 RNN、LSTM、GRU 模型的概念、作用和结构特点，以及对应的 API。
• 了解注意力机制的概念和实现步骤，掌握 Seq2Seq 结构及添加注意力机制的方法。
• 理解 Transformer 架构，包括各层结构和编码器 - 解码器结构实现。
• 掌握 fastText 工具的作用、安装和文本分类方法，以及词向量迁移技巧。

NLP核心

• NLP技术演进：规则系统阶段、统计方法阶段、机器学习阶段、深度学习阶段
• NLP英文分词：词级分词、字符级分词、子词级分词
• NLP中文分词：字符级分词、词级分词、子词级分词、 jieba分词器工具
• 词表示：One-hot编码、语义化词向量、 Word2Vec原理
• RNN：基础结构、多层结构、双向结构、多层+双向结构、API使用；RNN存在问题；
• LSTM：基础结构、多层结构、双向结构、多层+双向结构、API使用；LSTM存在问题；
• GRU：基础结构、多层结构、双向结构、多层+双向结构、API使用；GRU存在问题；
• Seq2Seq模型：编码器、解码器、模型训练、模型推理；Seq2Seq存在问题
• Attention工作原理：相关性计算、注意力权重计算、上下文向量计算、解码信息融合
• Attention注意力评分函数：点积评分、通用点积评分、拼接评分；Attention存在问题
• Transformer模型结构详解：核心思想、整体结构、编码器、解码器
• Transformer模型：模型训练、模型推理、API使用；案例实操：中英翻译
• 预训练模型GPT：模型结构、预训练方式、微调方式
• 预训练模型BERT：模型结构、预训练方式、微调方式
• 预训练模型T5：模型结构、预训练方式、微调方式
• 预训练模型案例实操：AI智评

项目一：智能发布（标题分类）

• 层级化分类设计：通过预测三级分类并反推上级类别，简化多级分类任务，确保层级关系严格一致。
• 数据均衡化处理：针对原始数据类别分布不均问题，采用热门类别下采样与冷门类别大模型数据增强策略。
• 预训练模型微调：选用bert-base-chinese模型，基于Huggingface Transformers库进行高效训练与部署。
• 高效训练与评估：在单张V100显卡上约一小时完成训练，最终在多类别场景下取得近70%的F1分数。
• 模块化功能集成：作为智能发布流程的核心环节，与图片生成标题、视频简介复刻模块协同工作。

考试五

• 理解智能体的基本概念、构成要素与工作原理。
• 掌握Coze、Dify等智能体开发平台的使用与部署。
• 精通LangChain框架核心组件，包括Model I/O、Chains、Memory、Agents和Retrieval模块。
• 熟悉LangGraph框架，能够构建图状工作流解决复杂任务。
• 具备私有知识库搭建与RAG系统实现能力。
• 掌握企业级智能体项目开发流程，包括需求分析、架构设计与部署优化。

大模型应用开发概述

• 微调入门、RAG入门、提示词入门、智能体是什么、LLM代理的构成要素、第一个LLM智能体、为Agent配备工具、智能体基本规划与执行、LLM智能体记忆

项目二：商户运营管家

• 智能体开发概述与搭建流程，Coze、Dify的介绍和基本使用
• 企业私有知识库搭建
• 电商场景AI应用搭建（商品营销卖点提炼、商品评论分析、客服对话记录分析、一键生成行业调研报告、客户投诉分类助手、产品营销海报）
• 自媒体领域AI应用搭建（一键生成行业调研PPT、复刻爆款视频）
• Python调用Coze、Dify平台工作流
• Coze、Dify的windows平台部署
• 企业级大模型及Ollama、Xinference部署

LangChain框架

• LangChain框架概述、LangChain的安装与调用
• Model I/O：Message、Prompt Template、Output Parsers、FunctionCaling
• Chains：Chains的设计理念、SequentialChain、RouterChain
• Memory：Memory模块的设计理念、如何自定义Memory模块、内置的Memory模块
• Agents：基于LangChain的Agent抽象、自定义基于ReAct范式的Agents、使用LangChain定义的ReAct策略
• Retrieval：Source 与 data loaders、Text Splitters、Text embedding models、vector store
• 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，比如：创建优惠券、平台物流/订单、库存检查、工单分类等；掌握通过记忆机制管理多会话上下文；掌握本地知识库的搭建与调用

LangGraph框架

• LangGraph入门：从链式到图状的思维转变
• 图的核心要素：State, Node, Edge - State (状态)
• Graphs：图的构建与编译
• Memory：图中的持久化状态与记忆
• Agents：使用LangGraph构建更鲁棒、更可控的智能体
• 高级应用与技巧 - 流式输出 (Streaming)
• 案例：内部文档查询助手（小型知识库）

RAG原理及优化

• RAG 架构演进、RAG 效果评估、质量分数评估、基本能力评估、评估工具 Ragas
• 搭建 RAG 系统：系统架构、索引过程、检索过程、生成过程、索引模块、RAG 链条、流式响应 API
• 索引过程：文档加载、文本分块、向量嵌入与存储
• RAG 优化：检索前处理-多查询、检索前处理-HyDE、检索后处理-重排序、混合检索、分层缓存
• Graph RAG：传统 RAG 的局限、基于语料库的 Graph RAG、基于已有知识图谱的 Graph RAG
• 基于语料库的 Graph RAG：切分文本块、抽取实体与关系、构建知识图谱、构建图社区、生成社区摘要、全局查询、局部查询

git/github/gitee/gitlab

• 安装配置、本地库搭建、基本操作、工作流、集中式

项目三：掌柜智库

• 前沿架构：基于 LangGraph 构建企业级可插拔 RAG 工作流。
• 多模态处理：集成 MinerU 与 OCR，精准解析图文混排 PDF。
• 多路召回：向量检索 + 稀疏检索 + Neo4j 知识图谱多路混合召回。
• 智能切片：支持滑动窗口、Small-to-Big 及语义切分策略。
• 深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术。
• 全链路评估：集成 RAGAS 框架，自动化评估检索与生成质量。

项目实战一：好医智库（五选一）

• 前沿架构：基于 LangGraph 构建可审计、可溯源的企业级可插拔 RAG 工作流。
• 多模态处理：集成 MinerU 与OCR，精准解析医学影像报告、电子病历（EMR）及图文混排医学文献。
• 多路召回：向量检索 + 稀疏检索 + 临床知识图谱多路融合召回，确保医疗问答的准确性与覆盖率。
• 智能切片：支持基于病例结构的切片、滑动窗口、Small-to-Big及医学语义切分策略，适配长文档 EMR 与指南。
• 深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术，优化对症状、诊断、治疗路径等查询的匹配质量。
• 全链路评估：集成 RAGAS 与临床知识正确性校验流程，实现检索与生成的自动化医疗级评估。

项目实战一：伴学智库（五选一）

• 前沿架构：基于LangGraph构建在线教育可插拔RAG工作流，支持课程构建、教辅生成与学习路径推荐的模块化扩展。
• 多模态处理：集成MinerU与OCR，精准解析教材扫描件、课堂板书截图、图文混排课件PDF。
• 多路召回：向量检索+稀疏检索+知识图谱（课程体系/题库知识点网）多路混合召回，支撑题目解析与知识点推送。
• 智能切片：支持滑动窗口、Small-to-Big及教育语义切分策略，适配不同学科的课件、笔记与大体量教材。
• 深度优化：引入HyDE假设性嵌入与BGE-Rerank重排序技术，增强对知识点、题干语义与解题逻辑的精准匹配。
• 全链路评估：集成RAGAS框架，结合题目正确率与知识点覆盖度，完成检索与生成质量的自动化性能评估。

项目实战一：倾听智库（五选一）

• 前沿架构：基于 LangGraph 构建企业级可插拔 RAG 工作流，支持对话意图理解、多轮问答与知识溯源，模块可灵活扩展与替换。
• 多模态处理：集成 MinerU 与 OCR，精准解析对话纪要、访谈文稿、图文混排报告及音视频转写文档。
• 多路召回：向量检索 + 稀疏检索 + 业务场景知识图谱多路混合召回，提升问答连贯性与场景匹配度。
• 智能切片：支持滑动窗口、Small-to-Big 及对话语义切分策略，适配长文本访谈记录与多轮对话日志。
• 深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术，强化对观点、诉求、关键信息的精准提取与匹配。
• 全链路评估：集成 RAGAS 框架，结合信息完整度、回答合理性与事实一致性，实现自动化质量评估。

项目实战一：金融智库（五选一）

• 前沿架构：基于 LangGraph 构建金融场景可插拔 RAG 工作流，支持研报解读、数据查询、风险提示与合规校验一体化流程。
• 多模态处理：集成 MinerU 与 OCR，精准解析财报 PDF、研报图表、招股书、合同文本及金融图文混排资料。
• 多路召回：向量检索 + 稀疏检索 + 金融知识图谱（行业 / 标的 / 指标 / 法规）多路融合召回，保障金融问答严谨性与准确性。
• 智能切片：支持按财报章节、指标维度、条款段落切分，结合滑动窗口、Small-to-Big 与金融语义切片，适配长文档研报与法规。
• 深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术，提升对金融指标、业务逻辑、风险条款的检索与生成精度。
• 全链路评估：集成 RAGAS 框架并叠加金融合规性校验，自动化评估检索准确性、生成可靠性与合规风险。

项目实战一：美途智库（五选一）

• 前沿架构：基于 LangGraph 构建文旅出行场景可插拔 RAG 工作流，支持行程规划、攻略生成、景点问答与服务推荐模块化扩展。
• 多模态处理：集成 MinerU 与 OCR，精准解析旅游攻略、景点介绍、线路手册、票务文件及图文混排文旅宣传资料。
• 多路召回：向量检索 + 稀疏检索 + 文旅知识图谱（景点 / 线路 / 交通 / 住宿 / 政策）多路混合召回，提升推荐合理性与信息全面性。
• 智能切片：支持按地域、行程天数、景点主题切片，结合滑动窗口、Small-to-Big 与出行语义切分，适配长攻略与线路手册。
• 深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术，优化对出行需求、偏好、游玩路线的语义理解与匹配。
• 全链路评估：集成 RAGAS 框架，结合信息真实度、路线合理性与用户问答满意度，完成自动化检索与生成质量评估。

考试六

• 深入理解GPT、LLaMA、Qwen等主流大模型的核心原理与架构特点。
• 掌握大模型微调技术，包括PEFT、LoRA、QLoRA等参数高效微调方法。
• 熟悉DeepSpeed分布式训练技术，具备大模型训练环境搭建能力。
• 了解强化学习基础理论，掌握PPO、DPO、GRPO等算法在大模型优化中的应用。
• 具备Rasa框架深度定制能力，能够开发领域专用对话系统。
• 掌握NL2SQL技术，能够构建基于思维链的智能数据查询系统。

大模型框架原理

• GPT 系列模型演进历史
• 当今主流LLM体系概览
• LLM基础架构：输入层、Transformer Block、输出层
• LLM架构演进：Attention、Feed Forward Network、残差连接与归一化、位置编码
• 主流开源LLM架构：DeepSeek V3、Llama 4、Qwen3、GPT-OSS、其他

大模型微调核心

• 微调原理：BaseModel/InstructModel、ChatTemplate
• 微调数据集格式：alpaca指令跟随格式、shareGPT多轮对话格式
• 微调算法：全参微调、参数高效微调（LoRA/QLoRA）、分布式训练（数据并行、张量并行、流水线并行、专家并行、零冗余优化器）
• 微调工具链：Huggingface SFT、Huggingface Accelerate、Unsloth、DeepSpeed、Lamma Factory
• 模型部署与推理：vLLM、PagedAttention（分页显存管理机制）、Continuous Batching（连续批处理调度）、KV Cache 高效复用、OpenAI API 兼容服务化部署
• 模型评估：EvalScope、全面的评测基准、推理性能压力测试、交互式测试报告

文摘引擎

• 轻量化大模型落地：基于 Qwen3-4B + LoRA 微调，实现单卡快速迭代，兼顾精度与成本，核心数据抽取准确率从 90% 提升至 96%。
• 全岗位报表效率提升：覆盖运营、供应链、客服全周期报表场景，日报/周报生成时间压缩 70%-90%，减少重复人工操作。
• 复杂逻辑与长文本处理：2048 token 上下文窗口保证季度及多维报表逻辑连贯，支持趋势分析、问题复盘与计划建议。
• 异常数据智能归因与关键信息保障：自动分析异常原因并结合规则校验，确保 SKU、促销周期、物流延迟等核心信息零遗漏。
• 安全合规与易用性设计：加密传输与脱敏处理保障数据安全，OA 系统集成与可视化编辑界面降低员工使用门槛。
• 闭环迭代与业务决策延展：通过员工反馈持续优化模型，支持可视化联动与智能问答，实现从报表工具向决策助手升级。

强化学习核心

• 强化学习基础理论：马尔可夫决策过程，贝尔曼方程，蒙特卡罗方法，时序差分方法（TD方法），策略梯度法，REINFORCE方法，Actor-Critic架构（演员评论家架构）
• 强化学习高级理论：PPO（近端策略优化），DPO（直接偏好优化），GRPO（组相对策略优化）
• 基于强化学习微调大语言模型：RLHF（基于人类反馈的强化学习），使用PPO微调大语言模型，使用DPO微调大语言模型，使用GRPO微调大语言模型
• 案例：从零实现DPO之“如何训练一个智能客服”
• 案例：从零复刻DeepSeek-R1之“如何训练一个带思维链的医疗助手”

项目四：智能评论

• 严格遵循标准RLHF流程：严格遵循监督微调、奖励模型训练与PPO强化学习三阶段，实现从基础能力到人类偏好的精准对齐。
• 监督微调奠基：基于电商评论数据集对Qwen2.5-3B进行SFT，赋予模型生成流畅商品评论的核心能力。
• 奖励模型提供偏好信号：在Qwen2.5-0.5B基础上构建奖励头，通过正负向评论标注训练，量化文本情感偏好。
• PPO强化学习对齐：以SFT模型为行动者，集成价值头作为评判者，结合奖励模型打分驱动策略优化。
• 稳定训练技术集成：引入KL散度惩罚防止策略漂移，采用广义优势估计优化优势计算，并应用PPO-Clip确保更新稳定。
• 业务目标精准达成：通过端到端流程，成功引导模型从生成中性评论转向稳定输出积极正向的商品评价。

项目五：电商小二

• 行标级开源项目深度二开与定制：深入 Rasa 源码层进行企业级二次定制开发。
• 深度语义融合：构建 Sparse + Dense 双路特征提取网络，结合正则表达式（Regex）与预训练语言模型（BERT/ChineseBERT），实现对电商复杂术语的精准理解。
• DIET 多任务学习：采用 DIET (Dual Intent and Entity Transformer) 架构，在一个模型中同时完成意图分类与实体提取，大幅提升训练效率与识别准确率。
• 混合对话策略： Rule + ML (TED) 双引擎驱动。利用 RulePolicy 处理退换货等硬性业务流程，利用 TED 策略处理上下文跳跃等复杂多轮对话，拒绝“人工智障”。
• 全链路特征工程：内置 Jieba 中文分词与 CountVectors 词袋模型，针对中文电商语境进行专项优化，解决“口语化”、“缩略语”识别难题。
• 动态动作执行：基于 Action Selection 模块，不仅能“答疑”，更能“办事”。支持自定义 Action 调用外部 API，实时查询订单状态、修改物流信息。
• 可视化故事建模：基于 Stories 故事策略进行多轮对话流程建模，将非线性的用户交互转化为可控的机器学习训练样本。

项目实战二：尚医助手（五选一）

• 开源项目深度二开与定制：深入 Rasa 源码层进行企业级二次定制开发。
• 深度语义融合：构建 Sparse + Dense 双路特征提取网络，结合正则表达式（Regex）与预训练语言模型（BERT/ChineseBERT），实现对医疗专业术语的精准理解。
• DIET 多任务学习：采用 DIET (Dual Intent and Entity Transformer) 架构，在一个模型中同时完成意图分类与实体提取，大幅提升训练效率与识别准确率。
• 混合对话策略： Rule + ML (TED) 双引擎驱动。利用 RulePolicy 处理挂号缴费、病历查询等硬性业务流程，利用 TED 策略处理病情描述、用药咨询等复杂多轮对话。
• 全链路特征工程：内置 Jieba 中文分词与 CountVectors 词袋模型，针对中文医疗语境进行专项优化，解决“口语化症状描述”、“医学缩略语”识别难题。
• 动态动作执行：基于 Action Selection 模块，不仅能“答疑”，更能“办事”。支持自定义 Action 调用外部 API，实时查询检验报告、预约检查项目、更新患者诊疗信息。
• 可视化故事建模：基于 Stories 故事策略进行多轮对话流程建模，将非线性的用户交互（如症状主诉、病史追问、用药指导）转化为可控的机器学习训练样本。

项目实战二：知学助手（五选一）

• 开源项目深度二开与定制：深入Rasa源码，针对在线教育平台进行二次定制开发，支持课程咨询、学习路径推荐、作业提醒等教育业务场景需求。
• 深度语义融合：构建Sparse+Dense双路特征提取网络，结合正则表达式（Regex）与教育领域语言模型（EduBERT/ChineseBERT），精准理解课程名、教学术语、学生口语化提问。
• DIET多任务学习：应用DIET模型，实现意图分类（课程查询/报名咨询/学习疑问）与实体识别（课程名称、章节、知识点、年级）一体化，提升模型性能。
• 混合对话策略：Rule+ML(TED)双引擎驱动。RulePolicy处理选课流程、考试流程等固定路径；TED策略处理学生自由问答、课程跳跃式咨询等复杂多轮学习互动场景。
• 全链路特征工程：内置对教育语境优化的分词器与CountVectors特征模型，解决课程简称、学习术语、学生非正式表达等解析困难问题。
• 动态动作执行：基于ActionSelection，可调用LMS/教务系统API，实现课程进度查询、作业提醒、学习数据汇总等实时教学辅助功能。
• 可视化故事建模：使用Stories建模多轮学习场景，将课程咨询、知识点问答、学习规划等过程转换为可控训练样本，提高学习交互的可解释性与可扩展性。

项目实战二：倾听助手（五选一）

• 开源项目深度二开与定制：深入 Rasa 源码层进行企业级二次开发，适配政务咨询、民意倾听、投诉建议、回访调研等对话场景。
• 深度语义融合：构建 Sparse + Dense 双路特征提取网络，结合正则表达式（Regex）与中文预训练模型（BERT/ChineseBERT），精准识别诉求、意见、问题描述等口语化表达。
• DIET 多任务学习：采用 DIET 架构，在统一模型中完成意图分类（投诉 / 建议 / 咨询 / 求助）与实体提取（时间、地点、事件、对象），提升意图理解准确率。
• 混合对话策略：Rule + ML (TED) 双引擎驱动。使用 RulePolicy 处理流程化业务（登记信息、工单流转、进度查询）；使用 TED 策略处理自由陈述、多轮追问、复杂诉求表达。
• 全链路特征工程：基于 Jieba 分词与 CountVectors 词袋模型，针对民生口语、方言化表达、缩略称谓做专项优化，解决模糊诉求、长句描述的理解难题。
• 动态动作执行：通过 Action Selection 模块调用外部系统 API，实现诉求登记、工单派发、进度查询、结果反馈、回访提醒等自动化办事能力。
• 可视化故事建模：基于 Stories 完成多轮交互建模，将诉求表达、信息核实、问题追问、结果告知等流程标准化，提升对话可控性与业务落地能力。

项目实战二：金融助手（五选一）

• 开源项目深度二开与定制：深入 Rasa 源码进行金融场景企业级二次开发，支持理财咨询、业务办理、风险提示、客服回访等智能对话需求。
• 深度语义融合：构建 Sparse + Dense 双路特征提取网络，结合正则表达式（Regex）与金融领域预训练模型，精准识别产品名称、金额、期限、风险等级、业务条款等专业信息。
• DIET 多任务学习：采用 DIET 架构，同步实现意图分类（开户 / 转账 / 理财 / 贷款 / 查询）与实体抽取（账号、金额、产品、日期、费率），提升金融对话识别精度。
• 混合对话策略：Rule + ML (TED) 双引擎驱动。RulePolicy 负责密码验证、业务鉴权、流程办理等强规则场景；TED 策略负责理财咨询、风险解读、收益对比等复杂多轮问答。
• 全链路特征工程：优化 Jieba 分词与 CountVectors 特征模型，适配金融口语、产品简称、行业黑话与数字表达式，解决模糊查询与歧义理解问题。
• 动态动作执行：通过 Action Selection 调用核心业务 API，支持余额查询、交易明细、风险测评、产品推荐、业务预约等实时操作。
• 可视化故事建模：使用 Stories 构建多轮金融对话流程，实现咨询 — 校验 — 办理 — 告知全链路标准化，提升合规性与交互稳定性。

项目实战二：美途助手（五选一）

• 开源项目深度二开与定制：基于 Rasa 源码深度二次开发，面向文旅出行场景打造智能助手，支持景点问答、行程规划、票务查询、酒店咨询、投诉建议等功能。
• 深度语义融合：构建 Sparse + Dense 双路特征网络，结合 Regex 与中文预训练模型，精准识别目的地、景点、日期、人数、预算、出行方式等关键信息。
• DIET 多任务学习：采用 DIET 架构，统一完成意图识别（订票 / 订房 / 攻略 / 投诉 / 问路）与实体抽取（城市、景点、时间、价格区间、交通方式），提高交互效率。
• 混合对话策略：Rule + ML (TED) 双引擎驱动。RulePolicy 处理票务查询、酒店预订、入园预约等标准化流程；TED 策略处理自由行程规划、偏好调整、多目的地对比等复杂对话。
• 全链路特征工程：基于 Jieba 分词与 CountVectors 做文旅场景优化，支持景点别称、口语化需求、模糊地点描述的理解，提升用户体验。
• 动态动作执行：通过 Action Selection 调用文旅、交通、票务 API，实现实时查询车次、景点开放时间、天气、路线规划、订单状态更新等能力。
• 可视化故事建模：使用 Stories 建模多轮出行对话，将需求收集、方案推荐、修改调整、确认下单流程结构化，支持灵活扩展线路与服务类型。

项目六：掌柜问数（三选一）

• 大厂开源内核：大厂开源内核：基于京东最新开源 DataAgent 架构深度定制，承袭经亿级业务场景验证的企业级稳定性与工业化标准。
• 思维链驱动 NL2SQL：引入 Deep-Thinking 推理层，采用“重写-思考-生成”三阶段 Agent 架构，确保复杂 SQL 生成的逻辑准确性。
• 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现 Schema 语义与单元格精准值的双重混合召回。
• 动态 Schema 剪枝： ColumnFilterModule 智能列过滤技术，基于查询语义自动剔除无关字段，大幅降低 LLM 上下文噪声。
• 高并发异步架构：全链路基于 AsyncIO 构建，并行执行 Query Rewrite 与 Schema Ranking，显著降低端到端响应延迟。
• 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行查询意图扩展，有效解决业务术语与数据库字段名的语义鸿沟。

项目六：归因分析（三选一）

• 大厂开源内核：基于最新 AttributionAgent 架构深度定制，适配电商多渠道、长链路的归因分析需求。
• 思维链驱动多模型归因：引入 Deep-Attribution 推理层，采用“路径解析-因子拆解-权重分配”三阶段 Agent 架构，兼容末次互动、线性归因、时间衰减等多类模型，确保复杂用户路径归因的逻辑准确性与合理性。
• 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现用户行为触点与归因因子的双重混合召回，精准匹配每笔交易对应的全链路营销渠道与运营动作。
• 动态因子剪枝：AttrFilterModule 智能因子过滤技术，基于电商业务场景（广告投放、促销活动、自然流量等）自动剔除无关归因因子，大幅降低 LLM 上下文噪声，提升归因效率。
• 高并发异步架构：全链路基于 AsyncIO 构建，并行执行路径追溯与权重计算，适配电商大促峰值时段的海量交易数据归因需求，显著降低端到端响应延迟。
• 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行归因意图扩展，有效解决电商业务术语（如直通车、直播带货、复购归因）与归因模型字段名的语义鸿沟，提升归因精准度。

项目六：商城风控（三选一）

• 大厂开源内核：基于最新 RiskAgent 架构深度定制，适配电商全场景风控排查需求。
• 思维链驱动风险识别：引入 Deep-Risk 推理层，采用“特征提取-风险研判-决策生成”三阶段 Agent 架构，确保复杂交易风险、欺诈行为识别的逻辑准确性。
• 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现风险特征语义与交易行为数据的双重混合召回，精准捕捉潜在风控隐患。
• 动态风险因子剪枝：RiskFilterModule 智能风险因子过滤技术，基于查询语义自动剔除无关风险字段，大幅降低 LLM 上下文噪声，提升风控识别效率。
• 高并发异步架构：全链路基于 AsyncIO 构建，并行执行风险检测与特征排序，适配电商大促峰值时段的海量交易风控需求，显著降低端到端响应延迟。
• 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行风控意图扩展，有效解决电商风控术语（如刷单、盗刷、恶意退款）与风控模型字段名的语义鸿沟。

项目七：市场罗盘（四选一）

• 场景化任务拆解：结合问数、客服等智能体场景，布置真实业务需求（如电商订单数据查询、售后问题统计），明确智能体功能边界与验收标准​
• 自主设计与开发：学生从 0 到 1 完成智能体架构设计、核心功能编码（如对话逻辑、数据接口集成），老师提供实时技术答疑与方案指导​
• 阶段性目标划分：按 “需求分析→原型设计→开发调试→功能验证” 拆分阶段，每个阶段设定明确产出（如需求文档、可运行 Demo），避免盲目开发​
• 动态进度管控：通过项目看板同步各学生进度，每周开展 1 次进度复盘，老师针对滞后情况调整任务难度或提供额外支持​
• 多维度过程检查：关键节点（如架构确定、核心功能完成）进行代码评审与功能测试，老师指出优化点（如交互流畅度、数据准确性）​
• 成果落地与展示：学生最终提交可运行智能体及开发报告，组织成果演示环节，老师点评亮点与改进方向，强化实战成就感

项目七：万应助手（四选一）

• 中控调度架构：采用基于 Orchestrator 的分诊模式，精准识别用户意图，在知识库、SQL 查询、地图服务与购物助手间动态路由。
• Text-to-SQL：内置 sql_info_agent，支持将自然语言转化为结构化 SQL，精准查询维修站分布、城市覆盖及特定服务信息。
• 时空智能集成：引入 MCP (Model Context Protocol) 协议对接百度地图，实现基于地理位置（LBS）的维修点查询与导航规划。
• 领域知识 RAG：集成 knowledge_agent 垂直知识库，专门处理“电脑无法开机”等硬件故障诊断，提供专家级维修指导。
• 全生命周期记忆：基于 JSON 的持久化 Session 管理，支持多轮对话上下文保持，确保服务过程的连续性与个性化。
• 全栈交互体验：Python 异步后端配合 Vue3 + Element Plus 前端，打造响应式、可视化的现代智能客服终端。

项目七：舆情分析（四选一）

• 多源舆情采集架构：采用分布式爬虫与API对接结合模式，全面抓取电商平台、社交媒体、新闻资讯、论坛评论等多渠道舆情数据，实现全场景舆情覆盖。
• 智能舆情分类研判：内置 sentiment_agent 情感分析模块，结合 BERT 预训练模型，精准识别舆情正面、负面、中性倾向，自动标注舆情核心诉求与关键词。
• 舆情热度动态追踪：引入热度计算模型与时间序列分析，实时监测舆情传播速度、覆盖范围、互动量，生成可视化热度趋势图，精准捕捉舆情爆发点。
• 风险舆情预警机制：基于关键词匹配与语义相似度检索，设置多级预警阈值，针对恶意诋毁、投诉集中、虚假宣传等风险舆情，实现实时弹窗与短信预警。
• 全周期舆情记忆：采用 JSON 持久化存储与上下文关联技术，留存舆情历史数据与研判记录，支持多轮舆情追溯、趋势对比与复盘分析。
• 全栈可视化展示：Python 异步后端搭配 Vue3 + ECharts 前端，打造舆情仪表盘，直观呈现舆情分布、情感占比、风险等级，支持自定义查询与数据导出。

项目七：运维管家（四选一）

• 智能运维调度架构：采用基于 Orchestrator 的分诊模式，精准识别运维告警意图，在设备监控、故障排查、日志分析与工单处理间动态路由，实现运维全流程自动化。
• 日志智能解析：内置 log_analysis_agent，结合 NLP 与正则匹配技术，支持将自然语言运维需求转化为日志查询指令，精准提取设备异常、性能瓶颈等关键信息。
• 多维度监控集成：引入 Prometheus + Grafana 监控协议，对接服务器、数据库、应用程序等多类运维对象，实现硬件负载、软件性能的实时监测与可视化展示。
• 运维知识 RAG：集成 ops_knowledge_agent 垂直知识库，专门处理服务器宕机、端口异常、内存溢出等常见运维故障，提供标准化排查流程与解决方案。
• 全周期运维记忆：基于 JSON 的持久化 Session 管理，留存设备运行日志、故障处理记录与运维操作历史，支持多轮故障追溯、问题复盘与经验沉淀。
• 全栈运维交互：Python 异步后端配合 Vue3 + Element Plus 前端，打造智能化运维控制台，直观呈现设备状态、告警信息、处理进度，支持一键提交运维工单。

考试七

• 理解多模态技术的基本概念及其在AI中的应用。
• 掌握Vision Transformer（ViT）的核心原理，并能够从零实现图片分类任务。
• 学习CLIP模型的工作机制，掌握如何基于CLIP实现“文搜图”任务。
• 理解ClipCap和扩散模型（Diffusion Model）的工作原理，能够实现图像生成文字及条件扩散模型的任务。
• 了解OpenAI Dall-E2的核心原理，掌握从零实现文本到图像生成的技术。
• 能够进行模型微调优化、训练策略定制，以及高效向量检索的设计与实施。
• 掌握多模态特征融合的方法，包括图像表征预计算、数据集构建与提示工程等高级技巧。

多模态核心原理

• 多模态技术概论
• Vision Transformer（ViT）核心原理讲解
• 从零实现Vision Transformer架构，完成图片分类任务
• CLIP模型核心原理讲解
• 从零实现CLIP模型，完成“文搜图”任务
• ClipCap模型核心原理讲解
• 从零实现ClipCap模型，实现“图生文”
• 扩散模型（Diffusion Model）核心原理讲解
• 条件扩散模型（Conditional Diffusion Model）核心原理讲解
• 从零实现扩散模型和条件扩散模型
• OpenAI Dall-E2（文生图）核心原理讲解
• 从零实现一个Dall-E2文生图模型

项目八：智能检索

• 模型微调优化：基于 CLIP Chinese 模型进行续训，采用部分参数冻结策略，重点解冻文本端后3层与视觉端后2层，以提升图文匹配能力。
• 训练策略定制：使用 AdamW 分组学习率与权重衰减，结合线性预热、余弦衰减、梯度裁剪和早停机制，确保训练稳定高效。
• 高效向量检索：利用优化后的模型将图像编码为归一化特征向量，存入基于 HNSW 索引的 Chroma 向量数据库，实现快速近似最近邻搜索。
• 端到端检索流程：用户文本经模型编码后，通过点积相似度在向量库中检索最相关图像，完成“文搜图”的完整闭环。
• 资源与性能平衡：在单张 V100 GPU 上完成训练，显存占用约 15GB，训练时长约 5 小时，在有限资源下实现了检索效果的显著提升。

项目九：智能发布（标题生成）

• 图像表征预计算：训练时完全冻结图像编码器，将图像预处理为统一格式后，通过CLIP视觉模型提取特征并提前存储，显著提升训练效率并降低总体计算开销。
• 数据集构建与提示工程：通过图像ID关联预计算的图像特征与文本描述，构建训练数据集，并将文本描述嵌入到特定的提示词模板中以指导模型学习。
• 多模态特征融合：将图像特征通过投影层映射为提示词序列，替换文本嵌入中对应的占位符向量，实现图像与文本信息的深度融合。
• 高效训练策略：采用带预热与衰减的AdamW优化器，结合梯度裁剪，在固定图文对数据集上进行多轮训练，并通过早停机制防止过拟合。
• 推理流程自动化：接收用户图像，实时编码并投影为特征序列，与固定的提示词前缀融合后输入语言模型，通过自回归采样生成推荐标题。
• 资源优化配置：整个训练过程在单张高性能GPU上完成，通过预计算和高效的训练设置，在可控的显存占用和时间内完成模型优化。

• 理解并掌握 Harness Engineering 核心思想。
• 掌握 Hermes Agent 自我改进型智能体设计方法。
• 掌握 Vibe Coding 意图驱动型编程范式，打破传统逐行编码的开发模式，学会以自然语言描述需求意图、场景与功能，提升开发效率与创新空间。
• 掌握 OpenClaw 常驻型 AI 助手搭建与实操。

Harness Engineering

• 基于 Hermes Agent 技术，讲解“自我改进型智能体”这一前沿方向。学生将掌握具备长期记忆、技能沉淀、经验学习、工具调用、自动调度与多 Agent 协同能力的智能体系统设计方法，理解 AI 应用如何从一次性代码生成，进一步升级为“会记忆、会积累、会持续执行任务”的长期运行型 Agent。Hermes Agent 官方将其定位为 self-improving AI agent，强调 built-in learning loop，可从经验中创建并改进 skills、搜索过往对话、跨会话建立用户模型，并支持定时任务与多平台接入。

Vibe Coding

• Vibe Coding 是当下 AI 浪潮下全新的意图驱动型编程范式，颠覆传统逐行手写代码的开发模式，核心实现「人类定义需求意图，AI 落地代码实现」的高效协作开发。课程系统讲解 Vibe Coding 的核心思想、协作逻辑与落地方法论，帮助学员跳出语法细节与底层逻辑的繁琐束缚，掌握以自然语言描述目标、场景与功能诉求的高效开发方式。

OpenClaw小龙虾技术

• 基于 OpenClaw 开源智能体平台，掌握常驻型 AI 助手的基本使用方式，掌握多渠道消息接入、工具调用、技能扩展与日常任务处理等重要能力。学生将通过实际操作，认识个人 AI 助手类产品的基本形态，掌握搭建与使用通用智能体应用的入门方法。

Hermes Agent爱马仕技术

• 围绕 Harness 思想，讲解 AI Agent 从“直接调用模型”走向“可控运行系统”的关键架构升级。学生将理解 Harness 并非单一产品，而是位于模型与外部世界之间的运行控制层，负责工具接入、权限约束、状态管理、执行循环、安全控制与结果回收等核心能力，掌握 Agent Runtime / Agent Host / 控制外壳等重要概念，为后续学习复杂智能体系统设计打下基础。近期关于 agent harness 的研究与技术讨论，普遍将其定义为把原始大模型转化为可控自治体的基础设施层。

全程就业护航

• 对标招聘需求，进行全方位复习及准备；
• 手把手指导：简历撰写、投递，面试机会源源不断；
• 1V1模拟面试，通过后再正式开始就业；
• 就业老师为你复盘每日面试情况，传授面试及谈薪技巧；
• N多企业内推，工作机会又多又顺；
• 入职后技术老师持续答疑，为你的职场之路保驾护航。