【AI大模型】RAG 架构图解：从基础到高级的7种模式，看到就是赚到！！
前言
「RAG 技术通过在 AI 生成过程中引入外部知识检索，从基础的文档查询发展到多模态、Multi-Agent 体协同的智能架构，让 AI 回答更准确、更全面」
「核心组件」
-
嵌入模型： 将文本转换为向量表示
-
生成模型： 负责最终的内容生成
-
重排序模型： 优化检索结果的相关性
-
向量数据库： 存储和检索向量化的内容
-
提示模板： 规范化的查询处理模板
-
AI Agent： 智能决策和任务协调
图例 1
Naive RAG
Naive RAG（Retrieval-Augmented Generation）是最基础的一种架构，用于结合检索和生成来处理复杂的任务，比如问答或内容生成。
其基本架构如下：
1.检索模块（Retriever）
-
负责从知识库（如文档集合或数据库）中找到与输入查询相关的上下文。
-
通常基于向量检索技术，使用嵌入模型（如 Sentence Transformers 或 OpenAI Embeddings）将查询和文档嵌入到向量空间中，计算相似性并返回最相关的文档。
2.生成模块（Generator）
-
接收用户输入和检索到的上下文，生成最终的回答或内容。
-
通常使用大型语言模型（如 GPT 或 T5）来生成自然语言输出。
3.流程
-
用户输入一个查询（如问题）。
-
检索模块从知识库中找出与查询相关的文档片段。
-
将检索结果连同查询一起传递给生成模块。
-
生成模块基于上下文生成回答或内容。
特点
-
简单高效：由于模块化设计，容易实现和调试。
-
可扩展性强：检索模块和生成模块可以独立优化或替换。
-
存在局限性：Naive RAG 通常假设检索的上下文是完备的，这在知识库更新不及时或检索效果不佳时可能导致生成结果不准确。
应用场景
-
文档问答：基于企业内部文档或外部知识库回答用户提问。
-
内容生成：辅助生成新闻、摘要等需要结合外部信息的内容。
-
技术支持：从常见问题解答（FAQ）库中检索答案并生成自然语言响应。
Naive RAG 是 RAG 系列架构的起点，更复杂的变种（如使用多轮交互或强化学习优化）通常在此基础上扩展。
Retrieve-and-rerank
Retrieve-and-Rerank 是在基础 RAG 架构上的增强版本，通过引入重排序（Reranking）步骤，进一步优化检索结果的相关性。这种方法非常适合在需要高精度答案的任务中使用。
架构增强点：重排序步骤
在基础 RAG 的检索阶段（Retriever）之后，加入一个额外的重排序模块，以更好地筛选检索结果，提高传递给生成模块（Generator）上下文的质量。
核心流程
- 初步检索（Initial Retrieval）
-
检索模块从知识库中找到一批初步相关的文档（例如，前 50 个文档）。
-
使用向量检索（如基于余弦相似度或欧几里得距离）快速生成候选文档集合。
- 重排序（Rerank）
-
传统方法：BM25、TF-IDF 等。
-
深度学习模型：基于 BERT 的交互式检索模型（如 Cross-Encoder）。
-
混合方法：将检索分数与语义模型得分结合。
-
将初步检索到的候选文档集合交给一个专门的重排序模型。
-
重排序模型可以是：
-
输出一个按相关性排序的高质量文档列表。
- 生成模块（Generator）
-
仅使用重排序后的前 N 个文档作为上下文，生成回答或内容。
-
高相关性的上下文能显著提升生成质量。
Retrieve-and-Rerank 优势
- 提升检索精度
- 初步检索模块通常快速但粗略，可能引入较多噪声；重排序能更精准地选择最相关的文档。
- 减少生成错误
- 提供高相关性上下文，避免生成模块在不相关或错误信息基础上生成答案。
- 模块灵活性
- 重排序模块可以独立优化，例如微调 BERT 模型，加入领域知识等。
- 适配长尾查询
- 对于少见或复杂的查询，重排序能进一步优化初步检索效果。
应用场景
- 问答系统
- 在文档问答中，Retrieve-and-Rerank 常用于优化检索阶段，确保提供与问题高度相关的上下文。
- 推荐系统
- 在搜索和推荐场景中，重排序步骤可以显著提高最终推荐内容的相关性和用户满意度。
- 技术支持
- 从技术文档或 FAQ 中筛选最相关的答案，减少生成模块的错误回答率。
示例技术栈
-
检索模块
：FAISS、ElasticSearch、BM25 等。
-
重排序模块
：BERT、MiniLM、ColBERT（使用 Cross-Encoder）等。
-
生成模块
：GPT、T5、LLaMA 等。
通过这种方式，Retrieve-and-Rerank 在原始 RAG 架构的基础上增强了检索的相关性，显著提升了最终生成的质量。
Multimodal RAG
与基础 RAG 类似，Multimodal RAG 也由检索模块（Retriever）和生成模块（Generator）组成，但增强了对多模态数据的支持：
- 多模态检索模块
-
能处理和索引不同模态的数据，如图像、视频或音频的特征。
-
通常利用预训练模型将非文本模态（如图像）转换为嵌入向量，存储在统一的向量数据库中。
-
检索时，将用户输入（文本或其他模态）编码为嵌入向量，与数据库中的嵌入进行匹配。
- 多模态生成模块
-
接受多模态的上下文，例如文本和图像的组合。
-
利用专门设计的多模态生成模型（如 Flamingo、BLIP-2）生成回答或内容。
-
能够根据上下文模态灵活调整生成策略。
-
流程
-
用户输入可以是文本（如问题）或其他模态（如图像）。
-
多模态检索模块找到与输入相关的多模态上下文。
-
将检索结果传递给生成模块，结合上下文生成多模态回答或内容。
关键技术点
- 模态对齐
-
在多模态数据之间建立共同表示，例如将图像特征和文本特征映射到同一个向量空间。
-
常用技术：CLIP、Align-before-Fuse、BLIP 等。
- 模态融合
-
将检索到的不同模态的上下文信息进行有效融合，为生成模块提供统一的输入。
-
方式：早期融合（将模态特征直接拼接）、晚期融合（分别处理后再结合）。
- 生成模型支持
-
多模态生成需要具备同时处理文本和非文本模态的能力。
-
模型：Flamingo、BLIP-2、Visual ChatGPT 等。
Multimodal RAG 的优势
- 支持多种输入类型
- 不仅可以回答文本问题，还能处理图像相关的查询，如“这张图片中的物体是什么？”。
- 丰富的信息来源
- 检索和利用跨模态的信息，比如从图片和相关描述中生成答案。
- 增强的上下文理解
- 将文本、图像等模态上下文结合起来，生成更精确、更有深度的内容。
- 广泛的应用场景
- 可用于医学影像分析、教育、内容创作等需要多模态数据结合的任务。
应用场景
- 多模态问答
- 结合文本和图像回答问题，例如“这张 X 光片有什么异常？”
- 图像描述生成
- 为图像生成自然语言描述，适用于教育或辅助工具。
- 跨模态搜索
- 用户输入文本，系统从图像库中检索相关图像（或反之）。
- 医疗诊断
- 结合医学文本和影像数据，生成诊断报告或建议。
- 内容生成
- 从视频或音频中提取关键信息并生成摘要或分析报告。
技术实现示例
- 检索模块
-
图像：使用 CLIP、DINO 等模型提取图像特征。
-
文本：使用 Sentence Transformers 或 OpenAI Embeddings。
- 生成模块
- 使用多模态生成模型，如 Flamingo、BLIP-2、Visual ChatGPT 等。
- 数据库
- 存储跨模态嵌入的向量数据库，如 FAISS、Weaviate。
通过 Multimodal RAG，可以实现复杂的跨模态任务，为各种应用提供更强大的解决方案。
Graph RAG
Graph RAG是对基础 RAG 架构的一种扩展，通过引入
图数据库 来增强知识点之间的关联和文档间关系的理解。这种架构不仅提高了检索的精准性，还能更好地利用知识的上下文和结构化信息。
Graph RAG 架构
Graph RAG 的核心思想是在知识检索过程中利用图数据库（如 Neo4j、TigerGraph）来存储和管理数据。通过将文档、实体和它们之间的关系建模为图结构，可以更高效地处理复杂的知识连接和语义关系。
核心模块
- 图数据库（Graph Database）
-
图数据库存储文档及其结构化关系（节点和边），提供上下文的关系视图。
-
节点：可以表示实体（如人名、地名）、文档或知识片段。
-
边：表示节点之间的关系（如“引用”“从属”“因果”等）。
- 检索模块（Graph-based Retriever）
-
查询不仅基于文档内容，还利用图的结构进行关系推理。
-
可通过图查询语言（如 Cypher）实现复杂的知识检索。
- 生成模块（Generator）
-
将检索到的多层次上下文（文档和其相关节点）输入到生成模型。
-
生成模型结合图关系信息，生成更精准、更上下文相关的输出。
Graph RAG 工作流程
- 知识建模
-
文档：“爱因斯坦提出了相对论。”
-
节点：
爱因斯坦、相对论 -
边：
提出 -
从知识库或文档集合中提取实体、关系和文本内容，构建图数据库。
-
示例：
- 用户查询
-
用户输入问题，如“相对论的提出者是谁？”。
-
将查询转换为图查询（例如，搜索与“相对论”相关的节点和边）。
- 图查询
- 检索与用户问题相关的子图，例如“相对论”节点及其直接连接的节点和关系。
- 上下文扩展
- 将检索到的子图中的信息转化为文本上下文，并传递给生成模块。
- 内容生成
- 生成模块结合用户问题和扩展上下文，生成自然语言回答。
Graph RAG 的优势
- 知识点间关系的深度挖掘
- 通过图结构，捕捉文档或知识点之间的复杂关系（如层次关系、因果关系等），提高检索结果的质量。
- 上下文的精准扩展
- 在检索阶段，图数据库可以帮助找到更相关的上下文，而不仅仅依赖向量相似性。
- 增强推理能力
- 利用图的结构化数据，可以进行关系推理，例如多跳检索（从一个节点找到间接相关的节点）。
- 动态更新与维护
- 图数据库支持动态更新，易于在知识库扩展时维护新数据的关系。
Graph RAG 应用场景
- 复杂问答
- 需要跨文档或跨实体推理的问答任务，如法律问答或科技文献分析。
- 知识管理
- 在企业或科研机构中，利用图数据库管理和查询大量关联文档或研究成果。
- 内容推荐
- 基于用户查询，利用图关系推荐相关内容或扩展知识。
- 因果推理
- 在科学或工程领域，回答因果关系复杂的问题（如“某实验的结果受到哪些因素的影响？”）。
示例技术栈
- 图数据库
- Neo4j、TigerGraph、ArangoDB 等。
- 关系提取
- 使用 NLP 模型提取实体和关系（如 spaCy、OpenIE、REBEL）。
- 生成模型
- GPT 系列、T5、BART 等。
- 检索与查询
- 使用 Cypher 查询语言或专门的图查询 API。
Graph RAG 将知识管理和自然语言生成相结合，利用图数据库强大的关系建模能力，大幅提升了文档间关系的理解和复杂问题的解决能力。
Hybrid RAG
Hybrid RAG 结合了多种技术的优势，包含图结构和传统检索方法
Graph RAG 是对基础 RAG 架构的一种扩展，通过引入
图数据库 来增强知识点之间的关联和文档间关系的理解。这种架构不仅提高了检索的精准性，还能更好地利用知识的上下文和结构化信息。
Graph RAG 架构
Graph RAG 的核心思想是在知识检索过程中利用图数据库（如 Neo4j、TigerGraph）来存储和管理数据。通过将文档、实体和它们之间的关系建模为图结构，可以更高效地处理复杂的知识连接和语义关系。
核心模块
- 图数据库（Graph Database）
-
图数据库存储文档及其结构化关系（节点和边），提供上下文的关系视图。
-
节点：可以表示实体（如人名、地名）、文档或知识片段。
-
边：表示节点之间的关系（如“引用”“从属”“因果”等）。
- 检索模块（Graph-based Retriever）
-
查询不仅基于文档内容，还利用图的结构进行关系推理。
-
可通过图查询语言（如 Cypher）实现复杂的知识检索。
- 生成模块（Generator）
-
将检索到的多层次上下文（文档和其相关节点）输入到生成模型。
-
生成模型结合图关系信息，生成更精准、更上下文相关的输出。
Graph RAG 工作流程
- 知识建模
-
文档：“爱因斯坦提出了相对论。”
-
节点：
爱因斯坦、相对论 -
边：
提出 -
从知识库或文档集合中提取实体、关系和文本内容，构建图数据库。
-
示例：
- 用户查询
-
用户输入问题，如“相对论的提出者是谁？”。
-
将查询转换为图查询（例如，搜索与“相对论”相关的节点和边）。
- 图查询
- 检索与用户问题相关的子图，例如“相对论”节点及其直接连接的节点和关系。
- 上下文扩展
- 将检索到的子图中的信息转化为文本上下文，并传递给生成模块。
- 内容生成
- 生成模块结合用户问题和扩展上下文，生成自然语言回答。
Graph RAG 的优势
- 知识点间关系的深度挖掘
- 通过图结构，捕捉文档或知识点之间的复杂关系（如层次关系、因果关系等），提高检索结果的质量。
- 上下文的精准扩展
- 在检索阶段，图数据库可以帮助找到更相关的上下文，而不仅仅依赖向量相似性。
- 增强推理能力
- 利用图的结构化数据，可以进行关系推理，例如多跳检索（从一个节点找到间接相关的节点）。
- 动态更新与维护
- 图数据库支持动态更新，易于在知识库扩展时维护新数据的关系。
Graph RAG 应用场景
- 复杂问答
- 需要跨文档或跨实体推理的问答任务，如法律问答或科技文献分析。
- 知识管理
- 在企业或科研机构中，利用图数据库管理和查询大量关联文档或研究成果。
- 内容推荐
- 基于用户查询，利用图关系推荐相关内容或扩展知识。
- 因果推理
- 在科学或工程领域，回答因果关系复杂的问题（如“某实验的结果受到哪些因素的影响？”）。
示例技术栈
- 图数据库
- Neo4j、TigerGraph、ArangoDB 等。
- 关系提取
- 使用 NLP 模型提取实体和关系（如 spaCy、OpenIE、REBEL）。
- 生成模型
- GPT 系列、T5、BART 等。
- 检索与查询
- 使用 Cypher 查询语言或专门的图查询 API。
Graph RAG 将知识管理和自然语言生成相结合，利用图数据库强大的关系建模能力，大幅提升了文档间关系的理解和复杂问题的解决能力。
Agentic RAG Router
Agentic RAG Router 使用 AI Agent 来路由和处理查询，可以选择最适合的处理路径
Agentic RAG Router 是一种更高级的 Retrieval-Augmented Generation (RAG) 架构，通过引入AI Agent 作为路由器，根据用户的查询动态选择最合适的处理路径或模块。它在复杂、多任务场景中具有明显优势，因为不同查询可能需要不同的数据源或处理逻辑。
Agentic RAG Router 架构
Agentic RAG 的核心是一个智能路由器（Agent），负责理解用户查询并决定如何处理。整个系统通常由以下模块组成：
- AI Router (Agent)
-
使用大型语言模型（如 GPT 或其他 LLM）作为路由器，分析查询的意图和类型。
-
基于查询选择最合适的检索模块和生成模块。
-
可以动态配置执行逻辑，比如调用特定知识库或外部 API。
- 多检索模块
-
文本检索：文档、FAQ。
-
图像检索：视觉数据库。
-
图数据库：复杂关系推理。
-
不同的检索模块可以处理不同的数据源或模态：
-
Router 决定调用哪种检索模块或多模块组合。
- 多生成模块
-
自然语言生成（文本）。
-
图像生成或描述（视觉）。
-
表格生成或数据分析（结构化数据）。
-
针对不同任务优化的生成模块：
- 执行路径
-
直接回答（无需检索）。
-
检索后回答（RAG 流程）。
-
调用外部工具或 API（如计算器或代码执行器）。
-
Router 分析用户查询，可能的处理路径包括：
工作流程
- 用户查询
-
“这张图片中的内容是什么？”
-
“帮我从文档中找出关于技术趋势的摘要。”
-
用户输入问题或任务描述，例如：
- 路由决策
-
任务分类：问答、生成、推理等。
-
数据模态识别：文本、图像、表格等。
-
优化目标：速度优先或准确性优先。
-
Router 分析查询的意图和模态，可能包含：
- 模块选择
-
文本问答：调用文本检索模块 + GPT 生成模块。
-
图像问答：调用图像嵌入模型（如 CLIP） + 图像描述生成模块。
-
多模态组合：同时调用文本和图像检索模块，结合生成。
-
根据分析结果，Router 调用最适合的检索模块和生成模块。
-
示例：
- 内容生成
- 通过生成模块输出结果，可能是单一模态的回答，也可能是多模态结合的内容。
Agentic RAG 的优势
- 动态任务适配
- Router 能根据不同任务动态调整执行路径，无需固定流程，适合复杂场景。
- 多模态支持
- 通过灵活调用不同模态的模块（文本、图像、视频等），支持更广泛的应用场景。
- 智能资源管理
- 仅在需要时调用复杂模块，优化资源利用效率（如避免在简单问题上使用冗余计算）。
- 增强用户体验
- 通过选择最适合的路径，提供高质量、个性化的回答。
应用场景
- 多任务问答系统
- 支持用户提出多模态、多领域问题，并动态调整处理逻辑。
- 企业知识管理
- 在大规模知识库中，针对不同问题选择最相关的数据源和处理方法。
- 医疗辅助
- 动态调用医学图像分析模块、文献检索模块或诊断生成模块。
- 教育与内容生成
- 根据学生的问题选择合适的资料来源并生成解释。
- 自动化工作流
- 处理复杂查询时，调用外部工具（如计算器、翻译器、编程执行器）完成多步骤任务。
技术实现示例
- Router
- 使用大型语言模型（如 OpenAI GPT 系列、Claude、LLaMA）微调，理解用户意图。
- 检索模块
-
文本：FAISS、ElasticSearch。
-
图像：CLIP、DINO。
-
图数据库：Neo4j。
- 生成模块
-
文本生成：T5、BART、GPT。
-
图像生成：DALLE-2、Stable Diffusion。
-
数据生成：Pandas、NumPy。
- 执行引擎
- 调用工具链（如 LangChain）动态组织不同模块的调用。
Agentic RAG Router 的灵活性使其成为解决复杂问题的强大工具。通过将智能路由与强大的检索和生成能力相结合，它可以显著提升处理多模态、多任务场景的效率和准确性。
Agentic RAG Multi-Agent
Agentic RAG Multi-Agent 使用多个专门的 AI Agent 协同工作，可以调用不同的工具（如向量搜索、网页搜索、Slack、Gmail 等）
Agentic RAG Multi-Agent 是 Retrieval-Augmented Generation (RAG) 的进一步进化版本，它引入多个专门的 AI Agent，每个 Agent 负责不同的任务或工具调用。通过这些 Agent 的协同工作，系统能够在复杂、多源数据环境中灵活高效地处理任务，比如同时检索向量数据库、执行网页搜索、查询第三方 API，甚至与工具（如 Slack、Gmail）交互。
Agentic RAG Multi-Agent 架构
Agentic RAG Multi-Agent 的核心特性是多个专用 Agent 的协作，每个 Agent 可以完成特定任务或调用特定工具。整个系统由以下组件组成：
- Central Orchestrator (主控 Agent)
-
作为中央调度器，负责解析用户意图、分派任务，并整合多个 Agent 的输出。
-
主控 Agent 可以使用 LLM（如 GPT-4）来执行复杂的任务规划和路由。
- 专用 AI Agent
-
向量搜索 Agent：从向量数据库中检索相关内容。
-
网页搜索 Agent：实时从互联网获取最新信息。
-
通信工具 Agent：与 Slack、Gmail 等进行交互。
-
数据处理 Agent：处理结构化数据（如表格或数据库查询）。
-
模态特定 Agent：如图像分析、语音识别等。
-
每个 Agent 负责特定类型的任务或工具，例如：
- 工具与数据接口
- 每个 Agent 可调用专用工具或 API，比如向量检索工具（FAISS）、Web 搜索引擎（如 Google API）、生产力工具（Slack、Notion）。
- 输出整合模块
- 主控 Agent 收集和整合来自各 Agent 的结果，将最终答案以自然语言或多模态形式输出给用户。
工作流程
- 用户输入
-
“帮我分析这份文件的摘要，并用邮件发送给团队。”
-
“找出过去一周相关的行业趋势，并通知 Slack 频道。”
-
用户提出一个复杂的请求，例如：
- 任务分解
-
提取摘要：调用向量检索 Agent 或文本处理工具。
-
搜索趋势：调用网页搜索 Agent。
-
发送通知：调用 Slack 或 Gmail Agent。
-
主控 Agent 将任务分解为子任务：
- 任务分配
- 主控 Agent 将子任务分派给相关专用 Agent，按优先级并行处理。
- 执行任务
- 专用 Agent 调用相应工具或接口完成任务，返回结果。
- 整合与反馈
- 主控 Agent 收集所有 Agent 的结果，整合为用户可以理解的最终输出。
Agentic RAG Multi-Agent 的优势
- 模块化设计
- 各 Agent 独立工作，便于扩展和优化。例如，可新增图像处理 Agent 或语音处理 Agent。
- 多任务并行处理
- 多个 Agent 可并行运行，大幅提高复杂任务的处理效率。
- 工具支持广泛
- 能调用多种工具和 API，覆盖从数据检索到内容生成、任务执行等全流程。
- 动态任务适配
- 主控 Agent 可根据任务动态调整执行路径和 Agent 调用顺序。
- 复杂任务自动化
- 能自动化执行跨工具、跨数据源的多步骤任务，例如从检索数据到生成报告并发送通知。
应用场景
- 企业知识管理
- 检索企业文档、结合网页搜索实时更新信息，并将结果发送至团队协作工具（如 Slack）。
- 内容创作与分发
- 从向量数据库中检索素材，生成文章或报告，并分发至邮箱或内容管理系统。
- 多模态问答
- 同时调用文本、图像和视频分析 Agent，生成多模态回答。
- 实时数据分析
- 从网页和内部数据库中收集实时数据，生成趋势分析报告。
- 个人助理
- 处理日常任务，如查看邮件、管理日程、设置提醒等。
- 复杂客户支持
- 检索 FAQ、结合网页搜索和实时工具调用，为用户提供高质量的支持。
示例技术栈
- 主控 Agent
- 使用 GPT 系列或其他大型语言模型。
- 专用 Agent
-
向量检索：FAISS、Weaviate。
-
网页搜索：Google API、Bing Search API。
-
通信工具：Slack API、Gmail API。
-
数据分析：Pandas、NumPy。
- 协作框架
-
LangChain：支持 Agent 编排。
-
Tools SDK：实现与外部工具的接口。
示例场景：行业趋势通知
用户输入： “帮我从数据库和互联网找出过去一周的行业趋势，并用摘要发邮件给团队。”
系统执行：
- 主控 Agent 分解任务：
-
检索数据库：调用向量搜索 Agent。
-
搜索互联网：调用网页搜索 Agent。
-
生成摘要：调用文本生成 Agent。
-
发送邮件：调用 Gmail Agent。
- 各 Agent 独立工作并返回结果：
-
向量搜索 Agent：检索内部数据库的行业报告。
-
网页搜索 Agent：爬取过去一周的行业新闻。
-
文本生成 Agent：将数据整合为摘要。
-
Gmail Agent：将摘要发送给团队。
- 主控 Agent 整合结果并完成任务。
通过 Agentic RAG Multi-Agent，复杂任务可以自动化完成，显著提升效率和用户体验，尤其在需要跨模态、跨工具协作的场景中表现尤为出色。
最后的最后
感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。
因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。
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】
大模型知识脑图
为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
经典书籍阅读
阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。
实战案例
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
面试资料
我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下
640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
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】