讲解了如何利用大模型和 AI 工具高效开展研究与项目落地。核心内容分为两部分：科研项目落地的五大步骤、学术写作的避坑指南。同时，介绍了在不同阶段可匹配的 AI 工具。

近期学校开设了《大模型的探索与实践》这门课程。我打算通过这个系列博客，将课堂上的核心理论做一次完整的记录和复盘。我近期一直在参与 LLM Agent 和 RAG 链路的开发实践。工程落地越深入，越会发现各种“盲盒”式的问题：如何突破复杂检索的瓶颈？如何让 Agent 的多步推理更加稳定？这些痛点往往需要回到模型的最底层逻辑去寻找答案。

介绍了agent与multi-agent的概念，并引入相关重难点和应用。

多模态的传统定义：包括文字、图片、音频、视频等不同形式的数据输入与输出。多模态的广义定义：将多种不同的任务指向同一个目标，也视作一种多模态。

微调与上下文学习Finetuning, In-Context Learning

介绍强化学习基础知识与原理

2017年，Google 提出了跨时代的《Attention is all you need》论文，确立了以“注意力机制”为核心的 Transformer 架构，包含编码器（Encoder）和解码器（Decoder）。我们在使用这些强大的 AI 工具时，往往会好奇它们是如何演变而来的。当前所有大语言模型的基石，都绕不开一段短暂却惨烈的架构之争。RAGFlow 是一个强大的本地知识库构建工具，但在配

介绍了RAG 基础的技术原理与本地Docker部署RAGflow的操作

介绍了大模型发展史与全球厂商业态全景-从 NLP 到 Transformer 的底层架构演进，Scaling Law 与大模型时代的真正降临，海内外大模型厂商业态与演进

介绍了机器学习发展史与底层逻辑演进