大模型落地难，难在三个问题：知识滞后、幻觉严重、多跳推理弱。RAG（检索增强生成）是目前最主流的解法，但市面上多数 RAG 教程停在"向量检索 + LLM 生成"的玩具级别。本篇记录我从零搭建一个工业级 RAG 智能体的完整过程，覆盖 2024-2025 主流技术栈，包含完整代码和我踩过的所有坑。适合做 RAG / Agent 方向项目、准备大模型岗位面试的同学。你能学到混合检索（向量 + BM2

用 Qwen2.5-VL-3B + QLoRA微调做一个驾驶场景结构化理解系统，从环境搭建、Baseline评估到三轮训练踩坑全记录。覆盖训练 prompt 对齐、模板句陷阱、pseudo-label 补全标注、4bit 模型重复循环调参等核心问题，最终完成 Gradio Web Demo 展示。

用 Qwen2.5-VL-3B + QLoRA微调做一个驾驶场景结构化理解系统，从环境搭建、Baseline评估到三轮训练踩坑全记录。覆盖训练 prompt 对齐、模板句陷阱、pseudo-label 补全标注、4bit 模型重复循环调参等核心问题，最终完成 Gradio Web Demo 展示。

深度学习与朴素贝叶斯的融合：一种高效分类方法 本文提出了一种结合深度学习和朴素贝叶斯的混合分类方法。该方法利用深度神经网络（如VGG16）强大的特征提取能力，将原始数据转换为高级特征表示，再通过朴素贝叶斯分类器进行分类。实验在CIFAR-10数据集上验证了该方法的有效性，结果显示使用深度学习提取的特征（准确率约0.5）显著优于原始像素特征（准确率约0.3）。这种混合模型特别适合小样本数据集场景，既

深度学习与朴素贝叶斯的融合：一种高效分类方法 本文提出了一种结合深度学习和朴素贝叶斯的混合分类方法。该方法利用深度神经网络（如VGG16）强大的特征提取能力，将原始数据转换为高级特征表示，再通过朴素贝叶斯分类器进行分类。实验在CIFAR-10数据集上验证了该方法的有效性，结果显示使用深度学习提取的特征（准确率约0.5）显著优于原始像素特征（准确率约0.3）。这种混合模型特别适合小样本数据集场景，既