企业官网建设流程全解析

做一个响应式网站价格,wordpress recaptcha,设计网站的功能有哪些,软件开发公司怎么找客户本文将介绍使用LazyLLM搭建最基础的RAG的流程。首先介绍使用LazyLLM搭建RAG系统的必要环境配置#xff0c;然后简单回顾RAG的基本流程#xff0c;接下来分别介绍RAG中文档加载、检索组件、生成组件三个关键部分的参数和基本使用方法#xff0c;最后利用LazyLLM实现最简单的R…本文将介绍使用LazyLLM搭建最基础的RAG的流程。首先介绍使用LazyLLM搭建RAG系统的必要环境配置然后简单回顾RAG的基本流程接下来分别介绍RAG中文档加载、检索组件、生成组件三个关键部分的参数和基本使用方法最后利用LazyLLM实现最简单的RAG并展示相关效果。环境准备在使用LazyLLM搭建RAG系统之前我们需要配置好相关的环境包括“开发环境搭建”和“环境变量配置”两个步骤。1开发环境搭建您可以用以下任一方式搭建 LazyLLM 开发环境。手动配置LazyLLM 基于 Python 开发我们需要保证系统中已经安装好了 Python Pip 和 Git。在Macbook上安装这些比较复杂安装方式见附录。首先准备一个名为 lazyllm-venv 的虚拟环境并激活python -m venv lazyllm-venv source lazyllm-venv/bin/activate如果运行正常你可以在命令行的开头看到 (lazyllm-venv) 的提示。接下来我们的操作都在这个虚拟环境中进行。从 GitHub 下载 LazyLLM 的代码git clone https://github.com/LazyAGI/LazyLLM.git并切换到下载后的代码目录cd LazyLLM安装基础依赖pip3 install -r requirements.txt把 LazyLLM 加入到模块搜索路径中export PYTHONPATH $PWD : $PYTHONPATH这样我们在任意目录下都可以找到它。拉取镜像我们提供了包含最新版本的 LazyLLM 的 docker 镜像开箱即用docker pull lazyllm/lazyllm也可以从https://hub.docker.com/r/lazyllm/lazyllm/tags查看并拉取需要的版本。从Pip安装LazyLLM 支持用 pip 直接安装,下面三种安装方式分别对应不同功能的使用。安装 LazyLLM 基础功能的最小依赖包。可以支持线上各类模型的微调和推理。pip3 install lazyllm安装 LazyLLM 的所有功能最小依赖包。不仅支持线上模型的微调和推理而且支持离线模型的微调主要依赖 LLaMA-Factory和推理大模型主要依赖 vLLM多模态模型依赖LMDeployEmbedding模型依赖Infinity。pip3 install lazyllm lazyllm install standard安装 LazyLLM 的所有依赖包所有功能以及高级功能都支持比如自动框架选择AutoFinetune、AutoDeploy 等、更多的离线推理工具如增加 LightLLM 等工具、更多的离线训练工具如增加 AlpacaloraFinetune、CollieFinetune 等工具。pip3 install lazyllm lazyllm install full2API Key配置调用大模型主要分为线上调用和本地调用两种方式。对于线上调用您需要提供相应平台的API Key。如果您还没有对应平台的账号首先需要在平台上注册一个账号。LazyLLM框架提供了自动调用平台API Key的功能只需将您的API Key设置为环境变量并在调用时指定平台和模型名称即可实现线上模型的调用。LazyLLM目前支持以下平台api key链接见附件要配置平台的API Key为环境变量请按照以下步骤操作1️⃣根据您使用的平台获取相应的API Key注意SenseNova平台需要获取两个Key。2️⃣使用以下命令设置对应的环境变量export LAZYLLM_ 使用的平台环境变量名称大写_API_KEY申请到的api key例如如果您需要访问SenseNova平台如果您通过方法一获得密钥您需要设置以下环境变量export LAZYLLM_SENSENOVA_API_KEY 您的Access Key ID export LAZYLLM_SENSENOVA_SECRET_KEY 您的Access Key Secret如果您通过方法二获得密钥您需要设置以下环境变量export LAZYLLM_SENSENOVA_API_KEY 您的API-Key在配置好环境变量后当您实例化OnelineChatModule并指定模型来源时LazyLLM会自动根据配置的环境变量调用相应的API Key。通过这种方式您可以轻松管理和调用不同平台的API Key简化了模型调用的流程。RAG 实践剖析1原理回顾在准备好LazyLLM的环境和配置后让我们快速回顾一下RAGRetrieval-augmented GenerationRAG检索增强生成的基本原理。RAG的工作原理是当模型需要生成文本或回答问题时首先会从一个庞大的文档集合中检索出相关的信息这些检索到的信息随后会被用于指导生成过程从而显著提高生成文本的质量和准确性。RAG 的整体结构可以用下图标识系统接收一个用户 Query 首先通过检索器Retriever从外部文档中检索出与给定 Query 相似的内容然后将其与 Query 一同输入到 LLM LLM 给出最终答案RAG的离线工作流程可以归纳成以下三步1️⃣文档读取和解析Reader把各种格式的文档加载到系统中可以借助开源工具(如MinerU)来提高解析的准确率。2️⃣分块和向量化Transform and Vectorize对收集到的原始数据进行清洗、去重、分块等预处理工作然后进行向量化。3️⃣索引和存储Indexing and Store利用向量数据库或其他高效的向量检索工具将处理后的文本数据进行高效的存储和索引。小结RAG的工作流程可以归纳成以下三步1️⃣检索Retrieval用户输入问题后系统会基于该输入在知识库中检索相关内容。2️⃣增强Augmented检索到的文本内容会作为额外的上下文与用户输入一起提供给大模型。3️⃣生成Generatation大模型结合检索到的信息和自身的预训练知识生成最终的回答。接下来我们将按照顺序依次介绍LazyLLM中的文档管理、检索组件和生成组件。2文档管理RAG的核心是从文档集合进行文档检索文档集合中可以有各种各样的文档格式可以是 DOCXPDFPPT 等富文本或者 Markdown 这样的纯文本也可能是从某个 API 获取的内容如通过搜索引擎检索得到的相关信息等等。由于集合内的文档格式各异针对这些不同格式的文档我们需要特定的解析器来提取其中有用的文本、图片、表格、音频和视频等内容。在 LazyLLM 中这些用于提取特定内容的解析器被抽象为Document类目前 LazyLLM 内置的 Document可以支持 DOCXPDFPPTEXCEL 等常见的富文本内容提取您也可以自定义 Reader 读取特定格式的文档在后续的教程中我们会进行详细介绍。Document的主要参数如下Parameters:dataset_path (str) – 数据集目录的路径。此目录应包含要由文档模块管理的文档注意暂不支持指定单个文件。embed (Optional[Union[Callable, Dict[str, Callable]]], default: None ) – 用于生成文档 embedding 的对象。如果需要对文本生成多个 embedding此处需要通过字典的方式指定多个 embedding 模型key 标识 embedding 对应的名字, value 为对应的 embedding 模型。manager (bool, default: False ) – 指示是否为文档模块创建用户界面的标志。默认为 False。launcher (optional, default: None ) – 负责启动服务器模块的对象或函数。如果未提供则使用 lazyllm.launchers 中的默认异步启动器 (syncFalse)。store_conf (optional, default: None ) – 配置使用哪种存储后端和索引后端。doc_fields (optional, default: None ) – 配置需要存储和检索的字段继对应的类型目前只有 Milvus 后端会用到。在此处我们仅介绍Document最基础的使用方法embed、manager等参数的使用我们将在后续章节进行介绍。对于最基础的使用我们只需要传入数据集目录的路径即可代码GitHub链接https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter2/%E5%AE%9E%E6%88%981%EF%BC%9A%E6%9C%80%E5%9F%BA%E7%A1%80%E7%9A%84RAG.py#L19# RAG 文档读取 from lazyllm import Document # 传入绝对路径 doc Document( path/to/content/docs/ ) print ( f实际传入路径为 {} ) # 传入相对路径 doc Document( /content/docs/ )注意您需要在此处传入绝对路径或者是以当前目录为基础的相对路径其他情况下需要您通过环境变量 LAZYLLM_DATA_PATH 指定您的文档所在目录再传入相对路径效果如下图所示上述代码中我们通过doc._manager._dataset_path来访问最终传给doc的路径可以看到上述两种方式的输出完全相同。3检索组件文档集合中的文档不一定都和用户要查询的内容相关因此需要通过检索组件从文档中筛选出和用户查询相关的文档。LazyLLM 中执行检索功能的是 Retriever 组件 Retriever 组件可以创建一个用于文档查询和检索的检索模块。此构造函数初始化一个检索模块该模块根据指定的相似度度量配置文档检索过程。主要参数如下Parameters:doc (object) – 文档模块实例。该文档模块可以是单个实例也可以是一个实例的列表。如果是单个实例表示对单个Document进行检索如果是实例的列表则表示对多个Document进行检索。group_name (str) – 在哪个 node group 上进行检索。group_name 有三种内置切分策略都是用 SentenceSplitter 切分区别在于块大小不同◦ CoarseChunk: 块大小为 1024重合长度为 100◦ MediumChunk: 块大小为 256重合长度为 25◦ FineChunk: 块大小为 128重合长度为 12similarity (Optional[str], default: None ) – 用于设置文档检索的相似度函数。默认为 ‘dummy’。候选集包括 [“bm25”, “bm25_chinese”, “cosine”]。similarity_cut_off (Union[float, Dict[str, float]], default: float(‘-inf’) ) – 当相似度低于指定值时丢弃该文档。在多 embedding 场景下如果需要对不同的 embedding 指定不同的值则需要使用字典的方式指定key 表示指定的是哪个 embeddingvalue 表示相应的阈值。如果所有的 embedding 使用同一个阈值则只指定一个数值即可。index (str, default: ‘default’ ) – 用于文档检索的索引类型。目前仅支持 ‘default’。topk (int, default: 6 ) – 表示取相似度最高的多少篇文档。embed_keys (Optional[List[str]], default: None ) – 表示通过哪些 embedding 做检索不指定表示用全部 embedding 进行检索。target目标组名将结果转换到目标组。output_format: 代表输出格式默认为None可选值有 ‘content’ 和 ‘dict’其中 content 对应输出格式为字符串dict 对应字典。join: 是否联合输出的 k 个节点当输出格式为 content 时如果设置该值为 True则输出一个长字符串如果设置为 False 则输出一个字符串列表其中每个字符串对应每个节点的文本内容。当输出格式是 dict 时不能联合输出此时join默认为False, 将输出一个字典包括’content、‘embedding’、metadata’三个key。kwargs: 其他关键字参数。下面这行代码声明检索组件需要在 doc 这个文档中的 Coarse chunk 节点组利用 bm25_chinese 相似度进行检索最终返回相似度最高的 3 个节点。此处只简单介绍如何使用 Retriever 组件相关算法原理及更多检索组件相关细节我们将在后续章节介绍。代码GitHub链接https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter2/%E5%AE%9E%E6%88%981%EF%BC%9A%E6%9C%80%E5%9F%BA%E7%A1%80%E7%9A%84RAG.py#L28from lazyllm import Retriever # 传入绝对路径 doc Document( /path/to/content/docs/ ) # 使用Retriever组件传入文档doc节点组名称这里采用内置切分策略CoarseChunk相似度计算函数bm25_Chinese retriever Retriever(doc, group_nameDocument.CoarseChunk, similarity bm25_chinese , topk3) # 调用retriever组件传入query retriever_result retriever( your query ) # 打印结果用get_content()方法打印具体的内容 print(retriever_result[0].get_content())让我们执行上面的代码来查看结果在上面的代码中我们retriever_result是一个list里面每个元素是一个node具体细节我们将在进阶1中介绍我们调用get_content()方法可以打印具体的内容。4生成组件有了检索到的内容结合我们提问的问题将二者共同输入给生成组件即可得我们想要的答案。这里的生成组件就是大模型接下来我们将以线上大模型为例说明lazyllm是如何调用大模型的。LazyLLM 通过 OnlineChatModule 统一调用线上大模型接口不管您使用的OpenAPI接口还是SenseNova接口或者是其他平台提供的接口LazyLLM均为您进行了规范的参数封装您只需要根据自己的需求将平台和模型名称等参数传给对应的模块即可代码GitHub链接https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter2/%E5%AE%9E%E6%88%981%EF%BC%9A%E6%9C%80%E5%9F%BA%E7%A1%80%E7%9A%84RAG.py#L42llm_prompt 你是一只小猫每次回答完问题都要加上喵喵喵 llm lazyllm.OnlineChatModule( source sensenova , model SenseChat-5-1202 ).prompt(llm_prompt) print (llm( 早上好 )) # 早上好呀太阳公公出来啦伸个懒腰要一起在窗台晒太阳吗今天的早餐小鱼干分你一半喵蹭蹭你 喵喵喵~仅用上述三行代码就可以调用大模型。首先我们定义了一个prompt作为大模型的提示词后续大模型的输出都会遵循这里给出的提示。然后我们定义了要调用的大模型通过OnlineChatModule传入平台source以及模型名称model通过.prompt传入定义好的prompt。最后调用定义好的大模型llm输入我们的问题就可以和大模型实现对话啦当然您还可以将上述第4行代码替换成以下代码来实现一个对话窗口lazyllm.WebModule(llm, port23466, history [llm]).start(). wait ()这里我们通过lazyllm.WebModule启动了一个网页端将地址和端口输入到浏览器就可以得到一个简单的对话系统啦~RAG 知识库构建RAG在LazyLLM中的基本组件我们已经介绍完成了下面我就可以用这几部分关键组件搭建完整的RAG工作流了。但是在此之前我们首先需要选择一些文档作为RAG的语料库下面我们将从cmrc2018https://huggingface.co/datasets/hfl/cmrc2018原始数据集开始为大家讲解如何基于此数据集构建我们的RAG知识库。在接下来的教程中我们将介绍RAG改进和优化的各种方法若无特殊说明将始终使用此知识库。1数据集简介CMRC 2018Chinese Machine Reading Comprehension 2018[1] 数据集是一个中文阅读理解数据集用于中文机器阅读理解的跨度提取数据集以增加该领域的语言多样性。数据集由人类专家在维基百科段落上注释的近20,000个真实问题组成。旨在推动中文机器阅读理解MRC任务的发展。其数据集的基本格式如下图所示对于每条数据包括idcontextquestion以及answers四个字段其中id是当前数据的编号context是一段文字性描述涉及历史、新闻、小说等各领域answer包括两部分一部分是answer_start标志答案从哪个context中的token开始另一部分是text代表了针对question给出的答案此答案由人类专家给出上图中有两个答案代表人类专家1和人类专家2分别给出以此来保证答案的准确性。首先我们要将此数据集下载到本地这里我们采用datasets库进行下载如果您没有安装datasets库请先利用pip install datasets进行安装代码如下代码GitHub链接https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter2/%E5%AE%9E%E6%88%981%EF%BC%9A%E6%9C%80%E5%9F%BA%E7%A1%80%E7%9A%84RAG.py#L54from datasets import load_dataset dataset load_dataset( cmrc2018 ) # 加载数据集 # dataset load_dataset(cmrc2018, cache_dirpath/to/datasets) # 指定下载路径 print (dataset)上述代码会将数据集自动下载到.cache/huggingface/datasets目录下如果您希望指定下载路径可以通过cache_dir参数来指定。下载成功后我们将看到如下格式的输出里面标着了当前datasets中包括train、validation以及test三部分数据。2构建知识库在这里我们仅使用test数据集构建RAG的知识库该数据集的其他部分将在后续章节微调模型时使用到相应章节会说明原因。具体构建思路如下考虑到每条数据中有idcontextquestion以及answers四个字段我们仅使用context部分内容作为知识库这样在后续评测RAG的效果时我们就可以选择同一条数据当中context对应的question作为query输入通过比较RAG中检索组件根据question召回的结果与RAG中生成组件与原本的answers就可以对RAG系统的好坏做出评价。在后续的章节中我们会进行详细的介绍在这里我们仅作为一个铺垫。本章您只需要明白“我们将text数据集中的context部分构建RAG数据库”即可。这里我们直接给出相应的代码代码GitHub链接https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter2/%E5%AE%9E%E6%88%981%EF%BC%9A%E6%9C%80%E5%9F%BA%E7%A1%80%E7%9A%84RAG.py#L59def create_KB ( dataset ): 基于测试集中的context字段创建一个知识库每10条数据为一个txt最后不足10条的也为一个txt Context [] for i in dataset: Context.append(i[ context ]) Context list ( set (Context)) # 去重后获得256个语料 # 计算需要的文件数 chunk_size 10 total_files ( len (Context) chunk_size - 1 ) // chunk_size # 向上取整 # 创建文件夹data_kb保存知识库语料 os.makedirs( data_kb , exist_ok True ) # 按 10 条数据一组写入多个文件 for i in range (total_files): chunk Context[i * chunk_size : (i 1 ) * chunk_size] # 获取当前 10 条数据 file_name f./data_kb/part_ {i 1 } .txt # 生成文件名 with open (file_name, w , encoding utf-8 ) as f: f.write( \n .join(chunk)) # 以换行符分隔写入文件 # print(f文件 {file_name} 写入完成) # 提示当前文件已写入上述代码中第2-3行这部分代码循环遍历 data 中的每个字典提取每个字典中的 context 字段的值并将其添加到 Context 列表中。最终Context 将包含所有的 context 数据。第6行通过使用 set()该行代码去除了 Context 中的重复项确保每个 context 只出现一次。然后使用 list() 将去重后的 set 转换回列表。第9-10行chunk_size 设置为10表示每个文件将包含最多10条 context 数据。为了计算需要生成多少个文件total_files 通过将 Context 列表的长度除以 chunk_size 进行计算且使用了向上取整的技巧 (len(Context) chunk_size - 1) // chunk_size。这确保了即使 Context 的长度不是10的整数倍最后一部分数据也会被单独写入一个文件。第15-20行将 Context 列表按每10条数据一组进行拆分并将每组数据写入一个独立的文本文件。具体操作如下for i in range(total_files)循环遍历需要创建的文件数量。chunk Context[i * chunk_size : (i 1) * chunk_size]从 Context 中获取当前批次的10条数据即每个文件包含10条数据。file_name f./data_kb/part_{i1}.txt为每个文件生成一个唯一的文件名例如 part_1.txt, part_2.txt 等。with open(file_name, “w”, encoding“utf-8”) as f:以写模式打开或创建对应的文本文件并确保使用 UTF-8 编码。f.write(“\n”.join(chunk))将当前批次的10条数据通过换行符 \n 拼接起来并写入文件。代码GitHub链接https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter2/%E5%AE%9E%E6%88%981%EF%BC%9A%E6%9C%80%E5%9F%BA%E7%A1%80%E7%9A%84RAG.py#L82# 调用create_KB()创建知识库 create_KB(dataset[ test ]) # 展示其中一个txt文件中的内容 with open ( data_kb/part_1.txt ) as f: print (f.read())上述代码执行完成后您的当前目录下将多出一个data_kb文件夹里面包括若干个txt文件文件中的内容大致如下请注意上述data_kb文件夹的路径在后续的RAG系统搭建中若无特殊说明我们将始终以此路径下的文件作为RAG的知识库。3环境检查检查你环境中的数据库sqlite是否支持多线程from lazyllm.common.queue import sqlite3_check_threadsafety print (sqlite3_check_threadsafety())如果结果为False则你需要先重装sqlite使之支持多线程。以macbook为例brew update brew install sqlite which sqlite3如果结果不是homebrew下的sqlite则你需要设置如下环境变量并重装pythonbrew uninstall python export PATH /opt/homebrew/opt/sqlite/bin: $PATH export LDFLAGS -L/opt/homebrew/opt/sqlite/lib export CPPFLAGS -I/opt/homebrew/opt/sqlite/include” brew install python实现基础的 RAG我们已经介绍了LazyLLM中最常用的三个RAG 组件准备好了知识库接下来就让我们实现最简单的RAG吧下面我们再来简单回顾下上文提到的 RAG 核心组件DocumentRetriever大模型Document 组件负责文档加载与管理使用时只需指定文档地址即可实现加载和存储文档。Retriever 组件负责实现 RAG 系统的检索功能使用时需要指定在哪个文档库进行检索以何种方式进行检索以及返回多少条检索结果等。大模型LLM负责根据检索到的文档进行答复简单情况下只需输入用户查询和检索组件检索到的文档即可。LazyLLM 提供了 TrainableModule 和 OnlineChatModule 分别支持本地模型和在线模型的统一调用用户无需关注内部细节可以自由切换不同模型。将这三个组件的使用串联在一起我们就得到了最简单的RAG代码如下代码GitHub链接https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter2/%E5%AE%9E%E6%88%981%EF%BC%9A%E6%9C%80%E5%9F%BA%E7%A1%80%E7%9A%84RAG.py#L89import lazyllm # 文档加载 documents lazyllm.Document(dataset_path /content/docs ) # 检索组件定义 retriever lazyllm.Retriever(docdocuments, group_name CoarseChunk , similarity bm25_chinese , topk3) # 生成组件定义 llm lazyllm.OnlineChatModule(source sensenova , model SenseChat-5-1202 ) # prompt 设计 prompt You will act as an AI question-answering assistant and complete a dialogue task. In this task, you need to provide your answers based on the given context and questions. llm.prompt(lazyllm.ChatPrompter(instructionprompt, extra_keys[context_str])) # 推理 query 为我介绍下玉山箭竹 # 将Retriever组件召回的节点全部存储到列表doc_node_list中 doc_node_list retriever(queryquery) # 将query和召回节点中的内容组成dict作为大模型的输入 res llm({ query : query, context_str : .join([node.get_content() for node in doc_node_list])}) print(fWith RAG Answer: {res})上述代码思路梳理1️⃣我们首先按照上面的介绍分别定义了文档加载组件document第4行代码、检索组件retriever第7行代码以及生成组件第10行代码。2️⃣然后设计了大模型的prompt第13行代码所谓prompt就是指对大模型扮演角色/要执行任务的一个事先指定然后我们通过llm.prompt方法将prompt和下文的附加信息context_str传给大模型。里面使用了内置的ChatPrompter方法其具体含义为ChatPrompter负责提示词模板化RAG 需要大模型基于提供的文档回答相应问题因此在输入大模型时需要告诉大模型哪些是参考资料哪个是问题。除此之外在线模型往往需要将提示词按照规定的格式传给在线服务ChatPrompter 可以帮助用户实现这个过程而无需用户自行转换。3️⃣接下来我们输入自己的query17行并调用retriever的得到检索结果19行存储在列表doc_mode_list中。4️⃣最后我们调用大模型llm21行这里传入了一个字典字典包括两部分一部分是我们提出的问题query另一部分是参考信息即retriever检索到的结果content_str这里我们从doc_mode_list取出各个检索节点并通过.get_content方法和.join方法拼接为一个完整的内容。我们对比一下在没有使用RAG直接调用大模型的情况下的结果# 生成组件定义 llm_without_rag lazyllm.OnlineChatModule( source sensenova , model SenseChat-5-1202 ) query 为我介绍下玉山箭竹 res llm_without_rag(query) print (f Without RAG Answer: {res} )看一下上述代码的执行效果参考文献[1] A Span-Extraction Dataset for Chinese Machine Reading Comprehension附录mac安装 Python Pip 和 Git1.先安装xcode并且接受许可协议然后安装xcode的命令行工具sudo xcode- select -s /Applications/Xcode.app/Contents/Developer # 确保路径正确 sudo xcodebuild -license accept # 接受许可证协议 xcode- select --install # 安装 Xcode 命令行工具2.安装homebrew并并通过homebrew安装python和pip/bin/bash -c $(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh) echo eval $(/opt/homebrew/bin/brew shellenv) ~/.zshrc source ~/.zshrc brew install pyenv pyenv install 3.10.03.安装python3.10。注意不能安装python3.13因为我们依赖的spacy包不支持python3.13echo export PYENV_ROOT$HOME/.pyenv ~/.zshrc echo export PATH$PYENV_ROOT/bin:$PATH ~/.zshrc echo eval $(pyenv init --path) ~/.zshrc echo eval $(pyenv init -) ~/.zshrc pyenv global 3.10.0 python3 -m venv lazyllm source lazyllm/bin/activate想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2026 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2026 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”