首页

投稿

90分钟手撸一个企业级的Agent多智能体（用LangGraph+MCP+RAG从0到1带你理解多智能体是怎么实现的）让你少走99%弯路！大模型面试必看！

4.9万

73

2025-12-17 14:10:23

超全【AI大模型资料包】免费领～教程笔记+实战源码+系统学习路线图，不管是面试求职还是入门、进阶提升都能用，一站式搞定！无套路直接领，戳链接速冲：https://www.bilibili.com/opus/1074899429362761736

大模型入门

大模型教程

大模型面试

大模型应用

AI全栈智能体实战发消息

1. 大模型时代，程序员弯道超车学习路线

12:42

2. 医疗行业多智能体项目业务需求分析

13:12

3.LangChainLangGraphLangSmith家族大拆解

13:08

4. 企业级Agent构建思路以及多Agent应用场景指南

13:04

5. 实战构建带工具调用的复杂Agent智能体

13:00

6. 从0到1实战搭建专属MCP服务

13:12

7. 实战打造医疗专属RAG应用智能体

13:08

8. 增加人类监督，打造“听话”的大模型应用

13:04

9. 基于LangGraph深度整合医疗辅助诊断多智能体

13:00

10. 基于DeepAgents实现企业级自适应综合智能体

13:12

11.程序员AI大模型从入门到精通最佳学习路线

13:08

12. 十分钟搭建本地私有化Llama3开源大模型

12:34

13.Llama3大模型幻觉问题诊断与解决方案详解

13:28

14. 大模型调优利器：RAG与微调优劣对比

13:32

15.深度拆解千亿级参数大模型训练机制与微调原理

13:28

16. Lora模型微调的基础原理与优化技巧详解

13:30

17.Lora微调算力需求评估与云资源选购省钱指南

13:32

18. Llama3大模型中文场景微调实战

13:28

19. 企业级大模型训练欠拟合过拟合原理分析以及调优方案剖析

13:32

20.Lora微调过程中的3个关键调优点与避坑指南

13:32

21. LlamaFactory图形化微调工具快速实战

13:28

22.程序员Al大模型高薪转型路线与百万级项目接单攻略

13:27

40.模型稀疏化的实践方法

10:34

41.全参数微调需要多少显存？

10:31

42.LoRA的原理及参数量计算

10:50

43.对比SFT、RLHF、DPO的优劣

10:44

44.大模型灾难性遗忘的解决方案

10:32

45.DeepSpeed ZeRO的显存优化策略

10:52

46.混合精度训练的实现步骤及Loss Scaling作用

10:53

47.梯度累积的计算原理与显存优化效果

10:50

48.RAG系统的核心组件及工作逻辑

10:55

49.如何解决RAG中的语义鸿沟问题

10:13

50.Agent的ReAct框架原理

10:56

51.向量数据库选型对比

10:55

52.大模型输出格式如何控制

10:20

53.多模态大模型的跨模态对齐方法

10:24

54.模型幻觉的检测与抑制技术

10:55

55.如何设计一个多Agent协作系统架构

10:51

56.大模型API服务部署优化

10:25

57.如何估算模型推理所需显存

10:24

58.大模型服务GPU选型

10:58

59.大模型监控指标设计

10:52

60.大模型安全防护方案

10:57

61.大模型推理性能优化方案

10:47

62.分布式训练中的梯度累积实现原理

10:26

63.如何构建领域专属的知识图谱

10:22

64.模型蒸馏的蒸馏策略对比

10:08

65.实时对话系统的状态管理方案

10:54

66.多轮对话的上下文建模方法

10:14

67.智能客服的FAQ匹配算法优化

10:34

68.文档问答系统的检索召回率提升方案

10:58

69.模型量化对推理速度的影响评估

10:51

70.自动化测试框架在LLM开发中的应用

10:39

71.多语言模型的对齐与融合策略

10:23

72.大模型可解释性增强技术

10:44

73.对话系统的冷启动解决方案

10:31

74.基于强化学习的对话策略优化

10:53

75.大模型API的限流熔断设计

10:39

76.模型版本管理系统的实现要点

10:56

77.对话日志的分析与挖掘方法

10:51

78.多模态预训练数据集构建流程

10:54

79.基于Prompt的模型行为控制技术

10:56

1.提示词工程能解决什么问题

10:35

2.Agent如何搭建

10:45

3.详细说下RAG的流程

10:32

4.大模型微调流程是怎样的

10:53

5.模型微调怎么评估效果-hao

10:44

6.怎么针对超长文本进行微调训练

10:29

7.大模型应用如何保证实时性和多轮对话一致性-hao

10:48

8.如何保证大模型生成内容的合规性

10:38

9.如何利用大模型实现多模态任务

10:28

10.如何降低大模型API服务的推理延迟和成本

11:18

11.什么是过拟合和欠拟合

11:21

12.解释下全参数微调、Lora、QLora区别

10:42

13.为什么选择向量数据库，而不是传统数据库-hao

11:23

14.详细说下LangChain框架应用场景

10:56

15.解释下模型蒸馏和模型量化

10:03

16.大模型意图识别是怎么做的

10:23

17.什么是大模型epoch和学习率-hao

11:14

18.vllm的推理加速是怎么实现的-hao-1

10:15

19.怎么解决大模型幻觉问题

10:44

20.PPO与DPO的区别

10:06

21.微调时模型遗忘怎么解决

10:54

22.详述Transformer多头自注意力机制

10:10

23.解释大模型中的“涌现能力”及产生原因

10:55

24.Transformer中位置编码的作用

10:51

25.LayerNorm vs BatchNorm的适用场景

10:56

26.解释Prefix LM与Causal LM的区别

10:40

27.大模型训练中梯度消失和爆炸的解决方案

10:56

28.大模型评估指标BLEU、ROUGE、Perplexity适用场景

10:54

29.知识蒸馏的原理及适用场景

10:20

30.模型量化的方法及推理加速效果

10:24

31.对比AE、VAE、GAN的生成机制

10:38

32.Transformer的编码器-解码器结构工作流程

10:42

33.解释LLaMA的RMSNorm和SwiGLU激活函数改进

10:55

34.GPT与BERT的核心区别及各自优势

10:38

35.混合专家模型（MoE）如何降低计算成本？

10:30

36.大模型长文本处理的优化方案

10:43

37.大模型位置编码的演进

10:53

38.解释FlashAttention的显存优化原理

10:32

顶部