1、RAG检索运行效果2、RAG检索搭建开发流程图3、RAG核心技术讲解**3.1、**加载本地大模型权重文件本项目采用千问GGUF 量化模型文件llm LlamaCpp(model_pathMODEL_PATH,temperature0.4,max_tokens1024,n_ctx4096,verboseTrue,# 打开详细日志看模型推理过程n_gpu_layers-1,)3.2、本地数据库写入****chromafrom langchain_chroma import Chromavectorstore Chroma.from_texts(textstexts,metadatasmetadatas,embeddingembedding_function,persist_directoryCHROMA_DIR)vectorstore.persist()向量数据库构建成功后会在本地新建一个chroma.sqlite3数据库文件数据存储在里面的embedding_fulltext_search_content中3**.3、读取本地向量库chroma的内容**vectorstore Chroma(persist_directoryCHROMA_DIR,embedding_functionembedding_function)3.4****构建langchain基础检索器retriever vectorstore.as_retriever(search_kwargs{“k”: 1})这是一个基础的langchain检索器写法search_kwargs{“k”: 1}取相似度最高的一段retriever vectorstore.as_retriever(search_kwargs{“k”: 1“filter”: {“编号”: “GNS-xxxx-xx”}}search_type“mmr”)search_type 是 vectorstore.as_retriever() 的顶层参数用来指定向量库检索的排序 / 筛选算法控制召回文档的逻辑LangChain 的 Chroma 仅支持三种固定取值1.similarity默认不写时就是这个2.mmrMaximal Marginal Relevance 最大边际相关性3.similarity_score_threshold相似度阈值过滤检索)3.5****LangChain 管道Runnable 链式语法 / LCEL 表达式rag_chain ({“context”: retriever | format_docs, “question”: RunnablePassthrough()}| prompt| llm| StrOutputParser())3.6****embedding 在项目中调用方法from langchain_community.embeddings import HuggingFaceEmbeddingsembedding_function HuggingFaceEmbeddings(model_name“shibing624/text2vec-base-chinese”,model_kwargs{‘device’: ‘cpu’},encode_kwargs{‘normalize_embeddings’: True})Embedding(嵌入)是一种将高维、离散或非结构化数据(如文本、图像、类别标签)映射到低维连续向量空间的技术这些向量能捕捉原始数据的语义或特征信息并使得相似的对象在向量空间中距离更近。通俗比喻:给每个词语/物品发一张智能身份证身份证号码(向量)隐含其特征。通过模型(如Word2Vecf)将单词转换为向量:有技术底子的人正站在AI大模型开发的黄金入口先问自己一个问题你写了这么多年代码薪资是不是已经很久没动了面试的时候“会Spring Boot”“会Vue”会MySQL已经变成了基本操作没有人在乎了。大家都会的东西就不值钱了。但另一边有人在疯狂涨薪拉勾、BOSS直聘上“AI应用开发”“大模型开发”Agent开发的岗位数量在过去一年翻了3倍薪资中位数比同级别后端开发高出 40%-60%。不是因为他们比你聪明而是因为他们踩对了赛道。你可能觉得我又不是搞算法的大模型跟我有什么关系这就是最大的误区。AI大模型应用开发 ≠ 训练大模型说清楚一点训练大模型的是那几家大厂但用大模型做应用的是千千万万的普通企业和团队。而这些团队需要的不是PhD而是——能用大模型API搭出可用产品的应用开发者能设计Agent工作流、调用工具链的Agent工程师能把RAG、Function Calling、多轮对话落地到真实业务的AI全栈这些活儿有编程基础的你完全能干。你需要补的不是算法基础而是AI开发的技术栈和工程思维。Agent开发为什么是程序员最好的切入点因为Agent开发本质上就是用自然语言编程——而这恰恰需要你已有的工程能力你有代码功底 → 理解Function Calling、工具调用、API集成比零基础快10倍你有系统设计经验 → 设计多Agent协作架构、状态管理、错误处理逻辑一脉相承你懂工程化 → 部署、监控、性能优化这些AI项目同样需要你理解数据 → RAG系统的数据清洗、向量检索、效果调优你的DB经验直接复用说白了你已有的能力是资产不是沉没成本。差的只是AI这一层的认知和工具链。学完之后你值多少钱转型 从传统后端/前端转AI应用开发打开薪资天花板跳槽议价权拉满升职 在现有团队主导AI项目落地从写代码的变成定方向的独立 用Agent开发能力做SaaS产品、接AI外包项目技术变现多一条腿不可替代 当AI能写CRUD了你是那个用AI写代码的人而不是被AI替代的人这不是危言耸听。GitHub Copilot已经能写出70%的CRUD代码了纯执行层面的程序员价值在快速缩水。但能用AI构建AI应用的人目前严重不够用。这门课会教你什么面向有编程基础的开发者从AI大模型应用开发的工程实践出发✅ 大模型API调用与Prompt工程实战✅ RAG系统搭建从数据处理到向量检索全流程✅ Agent开发Function Calling、工具链、多步推理✅ 多Agent协作与工作流编排✅ 真实项目落地从需求到部署的完整工程链路不讲虚的全是能直接用在项目里的东西。 AI大模型应用开发课程有编程基础这就是你的下一个赛道“程序员最大的风险不是技术过时而是用旧技术赚新钱的心态。”你可能还在想再等等看——但AI这个赛道窗口期就这么长。等大模型开发变成标配技能的时候你就不是先行者了而是追赶者。你有技术底子这是你最大的优势。别浪费它。