⾦融⾏业动态⻛向评估项目：基于Zero-shot零样本学习能力，通过DeepSeek/QWen/ChatGLM模型对金融领域数据进行分类、信息抽取、文本匹配，更好的解决业务问题

知识点细分：
1. 什么是Prompt Engineering
2. Prompt Engineering的原理以及实际应用的优化技巧
3. 如何利用Prompt Engineering完成实际金融业务

核心技术： ⼤模型基础知识（主流⼤模型、⼤模型分类）、提示词介绍及撰写介绍、提示词优化⽅法

Coze搭建智能体案例：基于Coze搭建智能体，快速从0到1搭建工作流和应用程序

知识点细分：案例讲2练3；1. 案例：智能问答助手；2. 案例：旅游规划小精灵；3. 案例：智能助教；4. 案例：智能面试官；5. 案例：口语练习专家

基于Coze的技术面试助手案例 ：基于Coze工作流，为黑马程序员AI学科学生临近毕业时面试相关的问题进行提效。结合LLM、ASR、TTS、RAG等技术，为面试中常见的效率痛点赋能，代替部分人工，缓解教师压力

知识点细分：
实现如下功能：
1. 简历修改：基于OCR插件、prompt、数据库查询，实现简历中各类常见问题的召回和修改建议。 以及进阶功能：违禁词过滤、业务背景重复率统计等。辅助学生编写更好的简历
2. 面试录音分析：基于多模态大模型实现ASR，基于prompt实现面试官、应试者角色划分，最终实现文字提取、摘要以及建议，提面试高录音分析的效率
3. 面试题生成：基于黑马面试宝典使用RAG技术结合学生的简历，结合简历上的技能点、业务背景、毕业时间、专业等信息，生成个性化的面试题题库
4. 模拟面试：基于简历和面试题生成流水线等功能，基于邢老师音色克隆面试官音色，结合ASR模型、TTS模型等技术，实现实时语音面试

核心技术： 智能体介绍、 Coze智能体开发、Coze本地化部署

基于Dify实现Agent开发应用项目：项目基于Ollama私有化部署DeepSeek R1：8b模型；基于Docker结合Dify大模型应用开发平台构建可视化聊天界面

知识点细分：
1. 大模型私有化部署：Ollama、DeepSeek/QWen
2. 聊天机器人搭建：基于Dify搭建可视化聊天机器人
3. RAG构建：基于Dify搭建本地知识库
4. Agent智能体构建：基于Dify搭建Agent智能体

核心技术： Docker安装与部署、Dify安装与使用、基于Dify搭建本地知识库

AI掘金头条项目：AI掘金头条是一款基于个性化推荐的科技资讯阅读产品，包含用户端（提供移动Web、支持阅读、关注、评论及智能客服功能）、自媒体端（供自媒体作者编辑发布文章并查看运营数据）以及MIS管理后台（用于用户管理、文章审核及评论管理）等

知识点细分：
1. 项目搭建：项目初始化、配置数据库与配置模块化
2. 用户模块：获取用户信息，修改头像
3. 头条模块：获取用户频道，获取所有频道，修改用户频道
4. 文章模块：获取文章详情，用户关注列表，发布评分与评论列表及回复评论

核心技术： Python⾯向对象编程、 Python⾼阶语法、 Python ⽹络编程基础

基于人力资源场景的RAG的简历推荐系统：构建一个端到端、可水平扩展的检索增强生成（RAG）系统，支持对异构简历（PDF/DOCX/JPG/PNG）进行自动解析、结构化、语义索引与多轮对话式推荐。系统以向量数据库为核心存储，以 LLM 为推理中枢，以 Agent 框架为调度单元，面向企业 HR 及猎头平台提供秒级、可追溯、可解释的候选人推荐服务

知识点细分：
1. 文档智能
2. 向量化与索引
3. 检索增强生成
4. 智能代理
5. 配置与 DevOps

核心技术： LangChain框架、Milvus、ElasticSearch向量数据库框架

Pytorch框架： 1. Pytorch安装；2. Pytorch构建神经网络；3. Pytorch案例实战

深度学习基础： 1. 机器学习基础（术语、建模流程、核心框架、评估指标、分类回归聚类基础及案例）；2. 深度学习基础（神经网络基础、Pytorch框架加强）；3. 词向量（Word Embedding）

智能体框架： 1. Function Call的原理；2. MCP和Function Call的区别；3. SSE、AGUI、MCP、A2A协议；4. 基于LangGraph智能体开发；5. 大模型评估

基于ReAct和RAG的扫智通Agent项目：扫智通Agent项目是一个面向消费者（toC）的智能客服系统，旨在为用户提供全周期的扫地机器人相关服务并根据用户使用习惯生成使用报告，为用户提供使用优化建议。该系统基于RAG技术及ReAct框架构建，能够同时处理用户购买前后的咨询问题以及已购买用户的使用报告生成与优化建议需求。通过一个统一的Agent界面，为用户提供高效、准确且个性化的支持，提升用户体验与满意度

知识点细分：
1.数据来源：扫地机器人的产品手册及相关知识库（基础与技术类、产品功能类、智能交互类、维护与保养类、选购指南类、使用技巧类、配件与耗材类、安全与隐私类、特殊场景类等问题）
2.基于ReAct框架实现的Agent，包括推理（Reasoning）模块以及行动(Acting)模块
3.使用RAG工具实现本地知识库构建。（文档读取模块、向量数据库模块、RAG工具调用模块）
4.使用大模型Deepseek v3结合Prompt Engineering实现用户使用报告的生成
5.构建三位一体评估体系，针对检索内容（Precision、Recall、mrr）、生成内容（ROUGE-1、ROUGE-L、BERTScore、Faithfulness）、总性能（平均延时、QPS）
6.构建日志打印模块，重点监控工具的运行情况。（控制台日志+生产环境日志）
7.基于Flask的模型部署（服务端+客户端）、基于Streamlit的前端服务

核心技术： Pytorch基础、机器学习基础、神经⽹络基础、ReAct框架

基于A2A的SmartVoyage旅行智能助手：SmartVoyage 是一个智能旅行助手系统，使用 A2A (Agent-to-Agent) 协议构建多代理协作框架，支持用户查询天气和票务信息。系统包括 LLM 路由服务器（意图识别）、天气代理服务器（查询天气数据库）、票务代理服务器（查询票务数据库）、MCP 工具服务器（数据库接口）、数据采集脚本和 Streamlit 前端客户端。用户输入查询（如“北京天气”或“北京到上海火车票”），系统通过 LLM 路由到合适代理，代理生成 SQL 查询 MCP 数据库，返回结果显示在界面

知识点细分：
1. LLM 路由服务器（意图识别）
2. 天气代理服务器（查询天气数据库）
3. 票务代理服务器（查询票务数据库）
4. MCP 工具服务器（数据库接口）
5. 数据采集脚本
6. Streamlit 前端客户端

核心技术： Python-a2a、LangChain、Streamlit、MySQL Connector、 Uvicorn

基于中医药知识图谱项目（3选1）： “草本通” 项目致力于解决中医药知识难以理解、碎片化严重、检索效率低 等问题，打造一个可理解、可对话、可传播、可拓展 的智能知识服务平台。系统融合多种AI技术，支持从数据采集到语义问答、图谱构建、再到内容生成与平台发布的完整AI闭环

知识点细分：
1. 利用爬虫自动采集中药、方剂、功效、症状、疾病等原始文本
2. 使用大语言模型（DeepSeek）+ LangChain 进行实体与关系抽取
3. 构建 Neo4j 图数据库与 Faiss 向量检索双引擎，实现结构化查询与语义匹配
4. 基于 LangGraph 搭建多智能体协同系统，管理复杂问答流程
5. 提供基于 Streamlit 的网页端交互式问答界面
6. 自动生成小红书风格图文内容，并实现一键发布，实现从“知识获取”到“内容传播”的闭环

核心技术： Neo4j、LangGraph、Streamlit

基于职业教育领域RAG智慧问答系统（3选1）：基于IT职业教育行业答疑大模型抽取RAG解决方案，通过项目学习完成企业及RAG系统完整流程搭建与测试及优化。从智能查询路由设计、数据处理与多源集成、模型微调到后端服务与前端开发完成全栈RAG系统构建

知识点细分：
1.智能问答系统架构：FAQ 系统与 RAG 系统的区别与应用场景
2.数据库技术：MySQL 表查询；Redis 键值存储与缓存机制；Milvus 向量数据库的架构与索引类型
3.检索算法：BM25 算法原理；密集向量 & 稀疏向量混合检索；重排序的作用
4.query的意图识别+改写：BERT 分类器的训练与推理；LLM的调用与提示设计；查询分类与动态检索策略的实现逻辑
5.企业级开发实践：模块化代码设计与代码复用；配置文件（config.ini）与环境变量管理；日志系统设计与错误处理

核心技术： MySQL、LangChain、Redis、Milvus

基于多场景的智能工单Agent（3选1）：大型ToC企业中的客服团队往往是人力外包，对公司业务细节的了解程度不够，需要和产研团队多次沟通才能完成一次工单的处理，效率低下。 同时，随着AI的发展，工单的处理也可以基于大模型+RAG+funcation call能力进行提效，部分工单自动处理，从而节省部分客服人力资源。 本系统结合大模型能力，融合多种AI技术（RAG+多Agent+MCP）等，完成工单的判定、处理、建议等全流程流转闭环

知识点细分：
1. 项目冷启动阶段，基于大模型 + NLP算法，完成工单数据的清洗和工单、业务知识库的搭建（ElasticSearch），工单会进行脱敏
2. 消费工单的Kafka消息队列数据，并基于规则过滤出来需要处理的工单
3. 实现query改写，提高检索内容的准确性，对ES进行检索时采用上下文+向量混合检索的方式，结合重排序模型实现查询内容的准确性
4. 实现意图识别和槽位填充，基于用户的query基于MCP协议执行funcation call，在上下文中补充用户的实时数据作为上下文信息
5. 实现知识库实时迭代， 实现知识库数据实时更新，保证内容是最新的
6. Docker镜像的构建和生产环境docker-compose模式部署

核心技术： Git、LangGraph、ElasticSearch、Kafka、Docker

模型部署：Flask/FastAPI/Gradio；Docker安装与部署；接口文档；模型部署实战

面试加强：
Agent常见架构剖析
DeepSeek大模型架构剖析
大模型Agent开发常见面试题
大模型RAG开发常见面试题
常用数据结构常见面试题

大模型主流模型运行机制：
1. Transformer架构
2. 大模型Transformer架构的注意力机制
3. 大模型Transformer架构（encoder、decoder、encoder+decoder）
4. 大模型Transformer文本翻译实战

大模型迁移学习：
1. 迁移学习的预训练模型和微调阶段
2. NLP中的常用预训练模型（BERT、GPT-1、GPT-2）
3. Hugging Face预训练模型仓库
4. Huggingface Transformers库使用（提供了NLP领域预训练语言模型结构模型和调用框架）
5. Bert文本分类案例

大模型核心架构：
1.主流大模型原理及架构（GPT系列、GLM、QWen、DeeepSeek）
2.大模型微调策略（PET、P-Tuning、LoRA）

【LoRA微调】微博文本信息抽取项目 ：基于Qwen/DeepSeek+LoRA微调实现微博文本信息抽取+文本分类的多任务，通过一个大模型同时解决多种任务开发和应用，项目基于LLM进行混合任务开发应用的实现， 利用Qwen/DeepSeek大模型进行P-Tuning微调的方式，基于Flask框架实现API接口开发和应用

知识点细分：
1. 理解信息抽取任务以及文本分类的业务意义及应用场景
2. 数据预处理：修改数据格式适配大模型训练、数据张量的转换等
3.Qwen/DeepSeek模型解析，LoRA方法讲解、P-Tuning方法解析
4. 基于Qwen/DeepSeek+LoRA方法实现模型的训练和评估
5. 基于Qwen/DeepSeek+P-Tuning方法实现模型的训练和评估
6. 基于Flask框架开发API接口，实现模型线上应用

核心技术： PET、P-Tuning、LoRA、Flask

【QLoRA微调】QWen微调文本摘要项目：项目以QWen模型为核心，借助DeepSpeed框架实现训练过程的加速优化。同时采用了GPTQ和QLoRA技术对模型进行量化处理，旨在进一步提升模型的推理速度。最终，通过Vllm平台完成了模型的部署，实现了对文本中关键信息的自动化抽取，完成信息抽取的任务

知识点细分：
1. 数据集处理、模型构建、模型训练、模型预测
2. 大模型并行计算：deepspeed,数据并行、流水线并行、模型并行
3. 大模型量化:训练量化方法QLora，训练后量化方法GPTQ
4. 模型部署和推理优化框架：vLLM和oLLAMA

核心技术： Git、LangGraph、ElasticSearch、Kafka、Docker