收藏！小白程序员必看：11个高级RAG策略彻底解决系统效果不佳问题

本文深入探讨了朴素RAG系统效果不佳的原因并提出了11种先进的RAG策略包括上下文感知分块、上下文检索、重排序等详细阐述了如何通过组合这些策略来提升系统准确率。文章还提供了实际应用案例和实施路线图帮助读者理解和应用这些策略最终实现高效、准确的RAG系统。朴素RAG的根本问题我们先看看为什么基础RAG经常失败。传统RAG遵循这个简单流程# 朴素RAG方法def naive_rag(query: str) - str: # 1. 对查询进行向量化 query_embedding embed(query) # 2. 查找相似片段 chunks vector_db.search(query_embedding, top_k5) # 3. 生成答案 context \n.join(chunks) answer llm.generate(fContext: {context}\n\nQuestion: {query}) return answer看起来合理对吧但问题出在哪里固定大小的分块会在思路中间切断句子丢失上下文单一查询视角会错过表述不同的文档没有相关性过滤——你得到的是“最接近”的匹配而不是最相关的有限的上下文——小片段缺乏完整画面结果就是你的RAG系统变成了一个高级猜谜游戏。下面展示如何修复这些问题。真正有效的11个策略我将这些策略分为三类摄取策略如何准备文档、查询策略如何搜索和混合方法组合策略以放大效果。策略1上下文感知分块作用不是在固定字符数处分割文档而是分析语义边界和文档结构。解决的问题当你分割“CEO宣布……[分块断开]……收入增长40%”时上下文就丢失了。上下文感知分块将相关内容保持在一起。代码示例from docling.chunking import HybridChunkerfrom transformers import AutoTokenizerclass SmartChunker: def __init__(self, max_tokens512): # 使用实际的分词器而不是字符计数 self.tokenizer AutoTokenizer.from_pretrained( sentence-transformers/all-MiniLM-L6-v2 ) self.chunker HybridChunker( tokenizerself.tokenizer, max_tokensmax_tokens, merge_peersTrue# 合并相邻的小分块 ) def chunk_document(self, document): # 分析文档结构标题、段落、表格 chunks list(self.chunker.chunk(dl_docdocument)) # 每个分块包含标题上下文 contextualized_chunks [] for chunk in chunks: # 添加分层标题信息 contextualized_text self.chunker.contextualize(chunkchunk) contextualized_chunks.append(contextualized_text) return contextualized_chunks优点免费且快速自然地保持文档结构适用于任何嵌入模型缺点比朴素分割稍慢需要正确的文档解析使用时机这应该是你的默认策略。始终优先选择语义分块而不是固定大小分割。策略2上下文检索作用在嵌入之前为每个分块添加文档级上下文。LLM生成1-2句话解释每个分块与整个文档的关系。解决的问题像“收入增长40%”这样的分块如果没有上下文哪个公司、哪个季度、哪个文档就没有意义。代码示例async def enrich_chunk(chunk: str, document: str, title: str) - str: 使用LLM添加上下文前缀 prompt f标题{title}{document[:4000]}{chunk}提供简要上下文1-2句话解释此分块 与完整文档的关系。格式此分块来自[标题]讨论[解释]。 response await client.chat.completions.create( modelgpt-4o-mini, messages[{role: user, content: prompt}], temperature0, max_tokens150 ) context response.choices[0].message.content.strip() # 嵌入带上下文的版本 return f{context}\n\n{chunk}前后对比之前收入增长40%至3.14亿美元利润率提高。之后此分块来自ACME公司2024年第二季度SEC文件讨论季度 财务表现与2024年第一季度的比较。收入增长40%至3.14亿美元利润率提高。优点减少35-49%的检索失败根据Anthropic研究分块变得自包含适用于向量和关键词搜索缺点昂贵摄取时每个分块需要1次LLM调用摄取时间更慢索引大小更大使用时机用于准确性比成本更重要的关键文档法律、医疗、财务文档。策略3重排序作用两阶段检索快速向量搜索找到20-50个候选然后交叉编码器模型重新评分以提高精度。解决的问题向量相似度并不总是匹配语义相关性。文档可能在嵌入空间中“接近”但实际上并不回答问题。代码示例from sentence_transformers import CrossEncoder# 初始化一次reranker CrossEncoder(cross-encoder/ms-marco-MiniLM-L-6-v2)async def search_with_reranking(query: str, limit: int 5) - list: # 阶段1快速向量检索获取4倍候选 candidate_limit min(limit * 4, 20) query_embedding await embedder.embed_query(query) candidates await db.query( SELECT content, metadata FROM chunks ORDER BY embedding $1 LIMIT $2, query_embedding, candidate_limit ) # 阶段2使用交叉编码器重新排序 pairs [[query, row[content]] for row in candidates] scores reranker.predict(pairs) # 按重排序分数排序并返回前N个 reranked sorted( zip(candidates, scores), keylambda x: x[1], reverseTrue )[:limit] return [doc for doc, score in reranked]性能比较查询第二季度收入增长因素是什么纯向量相似度分数1. 第二季度收入为3.14亿美元 (0.82)2. 增长因素包括... (0.78)3. 第一季度收入为... (0.76)重排序后相关性分数1. 增长因素包括... (0.94)2. 第二季度收入为3.14亿美元 (0.89)3. 第二季度表现的关键驱动因素... (0.85)优点显著提高精度考虑更多候选而不压倒LLM可以修复向量搜索错误缺点比纯向量搜索慢需要更多计算资源成本稍高使用时机当精度比速度更重要时。非常适合错误答案成本高的问题回答系统。策略4查询扩展作用使用LLM将简短查询扩展为更详细、全面的版本。解决的问题用户查询通常很模糊。“什么是RAG”并不能捕捉他们想要的是架构细节、使用案例还是实施指南。代码示例async def expand_query(query: str) - str: 将简短查询扩展为详细版本 system_prompt 你是查询扩展助手。 接受简短的用户查询并将其扩展为更详细的版本1. 添加相关上下文和澄清2. 包含相关术语和概念3. 指定应涵盖的方面4. 保持原始意图5. 保持为单个连贯问题将查询扩展为详细2-3倍同时保持专注。 response await client.chat.completions.create( modelgpt-4o-mini, messages[ {role: system, content: system_prompt}, {role: user, content: f扩展此查询{query}} ], temperature0.3 ) return response.choices[0].message.content.strip()转换示例输入什么是RAG输出什么是检索增强生成RAG它如何将 信息检索与语言生成相结合其关键组件和架构是什么 以及它为问答系统提供了哪些优势优点提高检索精度更好地处理模糊查询单一增强查询快速缺点额外的LLM调用增加延迟可能过度指定简单查询成本稍高使用时机当用户通常询问简短、模糊问题时。非常适合聊天机器人和搜索界面。策略5多查询RAG作用生成相同问题的3-4种不同表述并行搜索所有表述并去重结果。解决的问题一种表述可能错过与不同表述匹配的相关文档。代码示例async def search_with_multi_query(query: str, limit: int 5) - list: # 生成查询变体 variations_prompt f生成此查询的3种不同表述 {query} 仅返回3个查询每行一个。 response await client.chat.completions.create( modelgpt-4o-mini, messages[{role: user, content: variations_prompt}], temperature0.7 ) queries [query] response.choices[0].message.content.strip().split(\n) # 并行执行所有搜索 search_tasks [] for q in queries: query_embedding await embedder.embed_query(q) task db.fetch( SELECT * FROM match_chunks($1::vector, $2), query_embedding, limit ) search_tasks.append(task) results_lists await asyncio.gather(*search_tasks) # 按分块ID去重保留最高相似度 seen {} for results in results_lists: for row in results: chunk_id row[chunk_id] if chunk_id notin seen or row[similarity] seen[chunk_id][similarity]: seen[chunk_id] row # 返回前N个唯一结果 return sorted( seen.values(), keylambda x: x[similarity], reverseTrue )[:limit]变体示例原始如何部署ML模型变体1将机器学习模型部署到生产环境的步骤是什么变体2ML模型部署基础设施的最佳实践变体3训练模型的生产部署选项优点对模糊查询有更好的召回率捕捉不同视角并行执行保持快速缺点4倍数据库查询尽管并行化更高的API成本可能检索冗余内容使用时机当查询可能有多种有效解释时。非常适合广泛的探索性问题。策略6智能体RAG作用为AI智能体提供多个检索工具让它根据查询自主选择使用哪个。解决的问题并非所有问题都需要相同的检索策略。有时需要语义搜索有时需要完整文档有时需要结构化数据。代码示例from pydantic_ai import Agentagent Agent( openai:gpt-4o, system_prompt你是具有多个检索工具的RAG助手。为每个查询选择合适的工具。)agent.toolasync def search_knowledge_base(query: str, limit: int 5) - str: 文档分块的语义搜索 query_embedding await embedder.embed_query(query) results await db.match_chunks(query_embedding, limit) return format_results(results)agent.toolasync def retrieve_full_document(document_title: str) - str: 当分块缺乏上下文时检索完整文档 result await db.query( SELECT title, content FROM documents WHERE title ILIKE %s, f%{document_title}% ) return f**{result[title]}**\n\n{result[content]}agent.toolasync def sql_query(question: str) - str: 查询结构化数据库获取特定数据 # 智能体可以为结构化数据编写SQL查询 # 在生产环境中使用具有安全检查的适当SQL生成 return execute_safe_sql(question)示例流程用户完整的退款政策是什么智能体推理1. 调用search_knowledge_base(退款政策) → 找到提及refund_policy.pdf的分块 2. 意识到分块没有完整政策 3. 调用retrieve_full_document(退款政策) → 返回完整文档4. 从完整文档生成全面答案优点高度灵活和自适应处理多样化的数据源可以组合多种检索策略缺点实现更复杂行为不太可预测由于多步推理延迟更高使用时机当你有异构数据源文档、数据库、API且查询复杂度差异很大时。策略7自反思RAG作用检索文档后系统评估其相关性如果需要则优化查询并重新搜索直到满意为止。解决的问题初始搜索通常返回差的结果但传统RAG只是使用它得到的任何结果。代码示例async def search_with_self_reflection(query: str, limit: int 5, max_iterations: int 2) - dict: 自校正搜索循环 for iteration in range(max_iterations): # 执行搜索 results await vector_search(query, limit) # 评分相关性 grade_prompt f查询{query} 检索到的文档{format_docs_for_grading(results)}按1-5分评估这些文档与查询的相关性。仅用数字回答。 grade_response await client.chat.completions.create( modelgpt-4o-mini, messages[{role: user, content: grade_prompt}], temperature0 ) grade int(grade_response.choices[0].message.content.strip().split()[0]) # 如果结果好返回它们 if grade 3: return { results: results, iterations: iteration 1, final_query: query } # 如果结果差且不是最后一次迭代优化查询 if iteration max_iterations - 1: refine_prompt f查询{query}返回了低相关性结果。 建议一个可能找到更好文档的改进查询。仅用改进后的查询回答。 refined_response await client.chat.completions.create( modelgpt-4o-mini, messages[{role: user, content: refine_prompt}], temperature0.5 ) query refined_response.choices[0].message.content.strip() # 返回最佳尝试 return { results: results, iterations: max_iterations, final_query: query }迭代示例迭代1查询部署评分2/5太模糊迭代2优化查询机器学习模型部署到生产环境评分4/5良好结果优点自校正在迭代中改进可以从差的初始结果中恢复缺点最高延迟2-3次LLM调用最昂贵的策略对于真正困难的查询可能仍然失败使用时机当答案准确性至关重要且延迟可接受时。非常适合研究应用和复杂查询。策略8知识图谱作用将向量搜索与图数据库结合以捕捉实体间的关系。解决的问题向量搜索找到相似的文本但错过了明确的关系如“CEO of”、“located in”、“reported revenue”。使用Graphiti的概念示例from graphiti_core import Graphitifrom graphiti_core.nodes import EpisodeType# 初始化Graphiti连接到Neo4jgraphiti Graphiti(neo4j://localhost:7687, neo4j, password)async def ingest_document(text: str, source: str): 摄取到知识图谱 # Graphiti自动提取实体和关系 await graphiti.add_episode( namesource, episode_bodytext, sourceEpisodeType.text, source_descriptionf文档{source} )async def search_knowledge_graph(query: str) - str: 混合搜索语义 关键词 图 # Graphiti结合 # - 语义相似性嵌入 # - BM25关键词搜索 # - 图结构遍历 # - 时间上下文 results await graphiti.search(queryquery, num_results5) # 格式化图结果 formatted [] for result in results: formatted.append( f实体{result.node.name}\n f类型{result.node.type}\n f关系{result.relationships} ) return \n---\n.join(formatted)查询流程示例查询谁运营ACME公司第二季度发生了什么变化纯向量搜索- ACME公司CEO信息...- 第二季度变化包括...知识图谱搜索ACME公司公司 ├─ HAS_CEO → Jane Smith人物 ├─ REPORTED_REVENUE → $314M财务 │ └─ PERIOD → Q2 2024 └─ LOCATED_IN → California地点结果可以回答 Jane Smith运营ACME公司收入在第二季度增加到3.14亿美元优点捕捉向量错过的关系减少幻觉非常适合互连数据缺点需要Neo4j基础设施设置和维护复杂更慢且更昂贵需要实体提取使用时机当实体间关系至关重要时医疗网络、财务系统、研究数据库。策略9分层RAG作用创建父-子分块关系。搜索小子分块以提高精度返回大父分块以获取上下文。解决的问题小子分块精确匹配查询但缺乏上下文。大分块有上下文但匹配不佳。代码示例def ingest_hierarchical(document: str, title: str): 创建父-子结构 # 父级大部分2000字符 parent_chunks [document[i:i2000] for i in range(0, len(document), 2000)] for parent_id, parent in enumerate(parent_chunks): # 存储父级 metadata {heading: f{title} - 部分 {parent_id}} db.execute( INSERT INTO parent_chunks (id, content, metadata) VALUES (%s, %s, %s), (parent_id, parent, json.dumps(metadata)) ) # 子级小子分块500字符 child_chunks [parent[j:j500] for j in range(0, len(parent), 500)] for child in child_chunks: embedding get_embedding(child) db.execute( INSERT INTO child_chunks (content, embedding, parent_id) VALUES (%s, %s, %s), (child, embedding, parent_id) )async def hierarchical_search(query: str) - str: 搜索子级返回父级 query_emb get_embedding(query) # 搜索小子级以提高精度 results await db.query( SELECT p.content, p.metadata FROM child_chunks c JOIN parent_chunks p ON c.parent_id p.id ORDER BY c.embedding %s LIMIT 3, query_emb ) # 返回大父级以获取上下文 formatted [] for content, metadata in results: meta json.loads(metadata) formatted.append(f[{meta[heading]}]\n{content}) return \n\n.join(formatted)优点平衡精度与上下文减少搜索中的噪音对于结构化文档很自然缺点需要父-子模式更复杂的索引需要仔细的层次设计使用时机当文档具有清晰的层次结构时技术手册、法律文件、研究论文。策略10延迟分块作用在分块标记嵌入之前通过转换器处理整个文档而不是文本。解决的问题传统分块丢失长距离上下文。延迟分块在每个分块的嵌入中保留完整的文档上下文。概念示例def late_chunk(text: str, chunk_size512) - list: 分块前嵌入完整文档 # 步骤1嵌入整个文档最多8192个标记 full_doc_token_embeddings transformer_embed(text) # 标记级别 # 步骤2定义分块边界 tokens tokenize(text) chunk_boundaries range(0, len(tokens), chunk_size) # 步骤3为每个分块池化标记嵌入 chunks_with_embeddings [] for start in chunk_boundaries: end start chunk_size chunk_text detokenize(tokens[start:end]) # 平均池化标记嵌入保留完整文档上下文 chunk_embedding mean_pool(full_doc_token_embeddings[start:end]) chunks_with_embeddings.append((chunk_text, chunk_embedding)) return chunks_with_embeddings优点保持完整文档上下文有效利用长上下文模型更好的语义理解缺点需要长上下文嵌入模型实现更复杂受模型最大标记数限制使用时机当文档上下文对于理解分块至关重要时密集技术文档、法律合同。策略11微调嵌入作用在特定领域的查询-文档对上训练嵌入模型。解决的问题通用嵌入不理解专业术语医学术语、法律行话、技术缩写。代码示例from sentence_transformers import SentenceTransformer, lossesfrom torch.utils.data import DataLoaderdef prepare_training_data(): 领域特定的查询-文档对 return [ (什么是EBITDA, EBITDA利息、税项、折旧及摊销前利润...), (解释资本支出, 资本支出CapEx指的是...), # ... 数千对更多 ]def fine_tune_model(): 在领域数据上微调 # 加载基础模型 model SentenceTransformer(all-MiniLM-L6-v2) # 准备训练数据 train_examples prepare_training_data() train_dataloader DataLoader(train_examples, shuffleTrue, batch_size16) # 定义损失函数 train_loss losses.MultipleNegativesRankingLoss(model) # 训练 model.fit( train_objectives[(train_dataloader, train_loss)], epochs3, warmup_steps100 ) model.save(./fine_tuned_financial_model) return model# 使用微调模型embedding_model SentenceTransformer(./fine_tuned_financial_model)性能比较查询什么是营运资金通用嵌入1. 营运资金包括... (0.72)2. 资本市场提供... (0.68) ← 错误3. 工作条件在... (0.65) ← 错误微调嵌入1. 营运资金包括... (0.89)2. 营运资金比率计算... (0.84)3. 有效管理营运资金... (0.81)优点通常提高5-10%的准确性更好地理解领域术语较小模型可以胜过较大的通用模型缺点需要训练数据训练时间和资源需要定期重新训练使用时机用于通用嵌入表现不佳的专业领域医疗、法律、财务、技术。组合策略的力量实现94%准确率的关键以下是关键见解单个策略是好的。组合策略是变革性的。在测试了数十种组合后我发现了三种对不同用例特别有效的强力组合。组合1生产就绪堆栈最佳整体策略上下文感知分块 重排序 查询扩展 智能体RAG为什么有效每个策略解决不同的失败模式上下文感知分块确保连贯的分块查询扩展处理模糊查询重排序修复向量搜索错误智能体方法适应查询复杂度性能92%准确率1.2秒平均延迟成本约 $0.003每次查询最适合通用生产系统、客户支持、内部知识库组合2高准确率堆栈最适合关键应用策略上下文检索 多查询 重排序 自反思RAG为什么有效最大冗余和自校正上下文检索确保分块自包含多查询捕捉所有角度重排序过滤噪音自反思捕捉并修复错误性能96%准确率2.5秒平均延迟成本约 $0.008每次查询最适合医疗、法律、财务应用其中错误成本高组合3领域专家堆栈最适合专业领域策略微调嵌入 上下文检索 知识图谱 重排序为什么有效每层的深度领域知识微调嵌入理解专业术语上下文检索添加上下文领域知识图谱捕捉领域关系重排序应用领域感知相关性性能领域查询94%准确率1.8秒延迟成本约 $0.005每次查询初始训练投资后最适合具有专业术语的医疗、法律、财务、技术领域实施路线图从简单开始智能扩展不要一次尝试实施所有策略。以下是一个实用的路线图阶段1基础第1周上下文感知分块替换固定大小分割具有适当嵌入的基本向量搜索测量基准准确率阶段2快速获胜第2-3周添加重排序效果最大的准确率提升实现查询扩展处理模糊查询测量改进阶段3高级第4-6周添加多查询或智能体RAG根据用例选择为关键查询实现自反思微调和优化阶段4专业化第2个月以上为高价值文档添加上下文检索如果关系重要考虑知识图谱微调嵌入以提高领域特定准确率实际应用结果以下是我将这些组合应用于实际生产系统时发生的情况客户支持聊天机器人电子商务之前58%准确答案35%升级率之后组合191%准确12%升级率策略上下文感知分块 重排序 查询扩展 智能体RAG影响支持工单减少70%每年节省 $180K医疗文档系统医疗保健之前62%准确率太冒险无法生产使用之后组合296%准确率批准用于临床使用策略上下文检索 多查询 重排序 自反思影响临床医生每天节省4小时文档查找时间法律合同分析律师事务所之前65%准确率需要大量人工审查之后组合3合同条款94%准确率策略微调嵌入 上下文检索 知识图谱影响合同审查速度提高60%减少遗漏条款常见错误避免在帮助数十个团队实施这些策略后以下是我最常见到的错误错误1一次使用所有策略问题系统过于复杂难以调试昂贵解决方案从组合1开始测量结果仅在需要时添加复杂性错误2不测量基准性能问题无法证明改进不知道什么有效解决方案创建评估数据集测量每次更改前后的准确率/延迟错误3固定分块大小问题破坏语义连贯性丢失上下文解决方案始终使用上下文感知分块或灵活分块方法作为基础错误4忽略重排序问题向量相似度 ≠ 相关性得到平庸结果解决方案重排序是最高ROI策略——尽早实施错误5没有查询预处理问题用户查询模糊搜索失败解决方案至少实现查询扩展错误6单一检索策略问题一种尺寸不适合所有查询解决方案使用智能体RAG为系统提供灵活性RAG的未来趋势该领域正在快速发展。以下是我关注的新兴趋势1. 更小、更快的模型新嵌入模型以10倍速度实现90%的准确率。2. 多模态RAG检索图像、表格和图表以及文本以获取更丰富的上下文。3. 学习的稀疏检索像SPLADE这样的模型将神经网络与稀疏表示结合。写在最后构建生产就绪的RAG系统不是使用最花哨的技术。而是理解朴素RAG的失败模式并系统地解决它们。从基础开始上下文感知分块 重排序仅在需要时添加复杂性并始终测量你的改进。我分享的组合使我的准确率从60%提升到了94%。但根据你的领域、数据和使用案例效果会有所不同。关键是简单开始测量一切并根据真实的性能数据进行迭代。现在我想知道你已经在使用哪些策略哪些组合最适合你的使用案例如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取