本文以通俗易懂的方式梳理了13个常见的AI概念，从最基础的大模型、Token、AIGC、多模态等底层地基，到提示词、知识库、RAG、幻觉等调教层，再到智能体、工作流、MCP等干活层，以及数字人、具身智能等最终形态，帮助读者构建清晰的AI知识体系。文章强调理解“大模型→智能体”的核心逻辑，并指出在AI时代，成为能够为团队定方向、做决策的人比掌握所有技术名词更重要。

好了，以上就是目前所总结的 Agent 九大设计模式，其实 Agent 中。

本文针对RAG简历包装化问题，指出面试官看重具体技术决策与量化效果。文章详细解析了离线解析、在线召回等核心模块的简历写法，强调需包含具体技术栈及合理数据。同时提供了数字估算方法与完整简历案例，旨在帮助求职者写出高含金量简历，将面试转化为优势。

如何将DeepSeek-R1 模型能力蒸馏到 Qwen-1.5B，使其具备与 o1-mini 相似的能力？该过程分准备和蒸馏两阶段，准备阶段选定教师（R1）和学生（Qwen-1.5B）模型，蒸馏阶段将教师知识提炼给学生模型，达成降低计算成本目的。

文章系统介绍了深度学习模型压缩三大技术：剪枝(移除冗余连接)、量化(降低数值精度)和知识蒸馏(教师模型指导学生模型)。通过技术组合应用，可实现模型尺寸大幅减小、推理速度显著提升，并使模型能够在资源受限的边缘设备部署。实践案例显示，组合技术可达到16倍模型压缩和4倍以上推理加速，同时保持可接受的精度损失。

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

通过学习大模型课程，可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术，从而提升自己在数据处理、分析和决策制定方面的能力。此外，大模型技术在多个行业中的应用日益增加，掌握这一技术将有助于提高就业竞争力，并为未来的创新创业提供坚实的基础。与“Planning”设计模式一样，我发现“Multi-Agent Collaboration”的输出质量很难预测，尤其是当智能体可以自由互动并且拥有多样的

虽然RAG工程整体有很多论文、算法和方法论，但在实际使用过程中，当数据量大了RAG很容易出现不可控的问题， 本篇就针对实践过程中遇到的问题总结面经进行分享，看看能不能给大家提供一些帮助。下面是一个快捷目录。下面是答案。**目的：**让被检索的内容与query之间的相关性更加紧密特别是术语更新较快且比较罕见的领域，可以针对性地进行微调。**目的：**基于上下文动态调整embedding当然这只是个发

知识蒸馏是一种机器学习技术，通过将知识从一个更大、更复杂的模型（通常称为“教师”模型）转移到一个更小、更简单的模型（称为“学生”模型）。这个过程使学生模型能够在性能上接近教师模型，同时更加高效，所需的计算资源更少。以下是知识蒸馏的工作原理：教师模型训练：一个大型且通常复杂的神经网络在数据集上进行训练。由于其规模和复杂性，这个模型可以达到高精度，但通常需要高计算成本。学生模型训练：学生模型较小且不那

RAG相关理论知识与经验整理。谈到大模型在各垂直领域中的应用，一定离不开RAG，本系列开始分享一些RAG相关使用经验，可以帮助大家在效果不理想的时候找到方向排查或者优化。本系列以医疗领域为例，用面试题的形式讲解RAG相关知识，开始RAG系列的分享~本篇主要是理论知识与经验；后续会结合最新的优化方法给出详细的优化代码，和实践中衍生的思考。下面是本篇的快捷目录。1. RAG思路2. RAG中的prom