工程师学AI：检索增强RAG提升问答准确性

RAG检索增强生成技术，“先检索、后生成”的模式，能有效地将精准的外部知识与大模型结合，从而在不超出限制的前提下，让模型能够回答私域知识问题。在你的大模型应用中引入RAG方案能够扩展大模型所能处理的知识范围，本篇我们将基于阿里云大模型ACP培训课程内容，更深入地了解RAG工作流程，并尝试提升你的RAG应用问答准确度。

1）RAG的工作流程及原理

2）RAG应用效果评估

3）RAG应用各个环节常见问题及改进策略

1.熟悉 RAG 的工作流程

RAG（Retrieval Augmented Generation，检索增强生成）是一种结合了信息检索和生成式模型的技术，能够在生成答案时利用外部知识库中的相关信息。它的工作流程可以分为几个关键步骤：解析与切片、向量存储、检索召回、生成答案等

正如前言提到的，你需要让大模型拿到正确的"参考书"，才能给出正确的"答案"。因此，你可以尝试增加每次拿到"参考书"的数量（增加召回的文档切片数量），或者将"参考书中的知识点"整理成结构化的表格（文档内容结构化）。基本优惠思路：

1.1 让大模型获取到更多参考信息

既然知识库中存在我们想要的信息，那么你可以通过增加一次性召回的文档切片数量的方式，从而扩大检索范围，提升找到相关信息的概率，也即是增加代码中召回文档切片的数量，观察召回效果是否得到了提升。

1）调整代码

index = rag.load_index()query_engine = index.as_query_engine(streaming=True,similarity_top_k=5）# 一次检索出 5 个文档切片，默认为 2

2）评估改进效果：为了评估改进效果，需要引入Ragas量化改进效果。

如何通过 Ragas 对 RAG 应用进行评测？如何通过 Ragas 分数来定位并解决问题？RAG 自动化评测体系：为了系统化地评测RAG系统，业界出现了一些非常实用的开源自动化评测框架，这些框架通常会从以下几个维度进行评估：

✧ 召回质量 (Retrieval Quality)： RAG系统是否检索到了正确且相关的文档片段？

✧ 答案忠实度 (Faithfulness)： 生成的答案是否完全基于检索到的上下文，没有“胡编乱造”（幻觉）？

✧ 答案相关性 (Answer Relevance)： 生成的答案是否准确地回答了用户的问题？

✧ 上下文利用率/效率 (Context Utilization/Efficiency)： 大模型是否有效地利用了所有提供给它的上下文信息？（这与我们之前提到的“Lost in the Middle”和“知识浓度”密切相关）

1.1.1Ragas评估效果

Ragas的评估指标高度契合RAG系统的痛点，主要包括：

1）整体回答质量的评估：

Answer Correctness，用于评估 RAG 应用生成答案的准确度。

2）生成环节的评估：

✧ Answer Relevancy，用于评估 RAG 应用生成的答案是否与问题相关。

✧ Faithfulness，用于评估RAG应用生成答案和检索到的参考资料的事实一致性。

3）召回阶段的评估：

✧ Context Precision，用于评估 contexts 中与准确答案相关的条目是否排名靠前、占比高（信噪比）。

✧ Context Recall，用于评估有多少相关参考资料被检索到，越高的得分意味着更少的相关参考资料被遗漏。

Ragas 还提供了很多其他的指标，这里就不一一介绍，你可以访问Ragas的文档来查看更多指标的适用场景和工作原理。Ragas支持的指标可以访问：https://docs.ragas.io/en/stable/concepts/metrics/available_metrics/

1.1.2上下文是 RAG 的生命线

当用户提出一个问题时，大模型通过阅读理解你提供的上下文（Context） 来给出回答。上下文决定了大模型能否给出准确、完整的答案。如果上下文缺失重要知识点，或存在错误、无关的内容，大模型就无法给出正确的结论。为了不丢失有效知识，有人提出把全部可用资料“一股脑全部灌给大模型”，让大模型来做甄别，结果产生了一个更复杂的问题：即使某个关键线索确实存在于你提供的大量资料中，但如果它被埋藏在海量的无关信息里，大模型也很可能会“视而不见”，这便是 RAG 系统中常说的“Lost in the Middle”现象。

RAG精度的瓶颈，往往不在于大模型本身是否足够“聪明”，而在于你提供给它的上下文（Context）的“知识浓度”。一个高质量的上下文，理应具有较高的知识浓度，意味着其中的相关信息密度高、噪音少、与问题直接关联。能让大模型准确地专注问题核心，得出正确结论。因此，你提供的上下文质量，直接决定了 RAG 系统的上限。在Ragas中Context Recall 和 Context Precision 就是来衡量召回的上下文的有效性的。你可以通过分析这两个指标来确认你的RAG系统召回上下文的质量有没有提升。

1）context recall

context recall指标评测的是RAG应用在检索阶段的表现。如果该指标得分较低，你可以尝试从以下方面进行优化：

✧ 检查知识库：知识库是RAG应用的源头，如果知识库的内容不够完备，则会导致召回的参考信息不充分，从而影响context recall。你可以对比知识库的内容与测试样本，观察知识库的内容是否可以支持每一条测试样本（这个过程你也可以借助大模型来完成）。如果你发现某些测试样本缺少相关知识，则需要对知识库进行补充。

✧ 更换embedding模型：如果你的知识库内容已经很完备，则可以考虑更换embedding模型。好的embedding模型可以理解文本的深层次语义，如果两句话深层次相关，那么即使“看上去”不相关，也可以获得较高的相似度分数。

2）context precision

与context recall一样，context precision指标评测的也是RAG应用在检索阶段的表现，但是更注重相关的文本段是否具有靠前的排名。如果该指标得分较低，你可以尝试context recall中的优化措施，并且可以尝试在检索阶段加入rerank（重排序），来提升相关文本段的排名。

3）answer correctness

answer correctness指标评测的是RAG系统整体的综合指标。如果该指标得分较低，而前两项分数较高，说明RAG系统在检索阶段表现良好，但是生成阶段出了问题。你可以尝试前边教程学到的方法，如优化prompt、调整大模型生成的超参数（如temperature）等，你也可以更换性能更加强劲的大模型，甚至对大模型进行微调（后边的教程会介绍）等方法来提升生成答案的准确度。

1.2给大模型结构更清晰的参考信息

在实际应用中，文档的组织结构对检索效果有着重要影响。想象一下，同样的信息，放在一个结构清晰的表格中和散落在一段普通文字里，哪个更容易查找和理解？显然是前者。大语言模型也是如此。当把原本在表格中的信息转换成普通文本时，虽然信息本身没有丢失，但结构性却降低了。这就像是把一个整齐的抽屉变成了一堆散乱的物品，虽然东西都在，但查找起来就没那么方便了。

1）重建索引：Markdown格式是一个很好的选择，因为它：

✧结构清晰，层次分明

✧语法简单，易于阅读和维护

✧特别适合RAG（检索增强生成）场景下的文档组织

2）评估改进效果：改为Markdown格式之后可以重新评估RAG应用效果。

2. RAG应用各个环节与改进策略

为了进一步优化RAG应用效果，接下来，将从 RAG 中的每一个环节入手，尝试优化 RAG 的效果。

2.1 文档准备阶段

在没有大模型之前我们会根据用户所提问题，积累知识库，并共享其他人。在构建 RAG 应用时，这一过程同样不可缺少。

✧ 意图空间：我们可以把用户提问背后的需求绘制成点，这些点组成了一个用户意图空间。

✧ 知识空间：而你沉淀在知识库文档中的知识点，则构成了组成一个知识空间。这里的知识点，可以是一个段落、或者一个章节。

当我们将意图空间和知识空间投影到一起，会发现两个空间存在交集与差异，用户意图空间vs知识空间映射示意。

这些区域分别对应了我们后续的三个优化策略。

✧ 重叠区域：即可以依靠知识库的内容来回答用户问题的部分，这是 RAG 应用效果保障的基础。对于这部分用户意图，你可以通过优化内容质量、优化工程和算法，不断地提升回答质量。

✧ 未被覆盖的意图空间：因为缺乏知识库内容的支撑，大模型容易输出“幻觉”回答。例如，由于新业务发展，我们需要引入“qRPC核酸检测扩增曲线分析方面的理论与技术“，但知识库中没有相关文档，不论如何改进工程算法，RAG 应用都无法准确回答这一问题。你需要做的是主动补充缺漏的知识，不断跟进用户意图空间的变化。

✧ 未被利用的知识空间：召回不相关知识点可能会干扰大模型的回答。因此，需要你优化召回算法避免召回无关内容。此外，你还需要定期查验知识库，剔除无关内容。

在尝试优化工程或算法之前，你应该优先构建一套可以持续收集用户意图的机制。通过系统化采集真实用户需求来完善知识库内容，并邀请对用户意图有深刻理解的领域专家参与效果评估，形成"数据采集-知识更新-专家验证"的闭环优化流程，保障RAG 应用的效果。

2.2 文档解析与切片阶段

首先，RAG 应用会解析你的文档内容，然后对文档内容进行切片。

大模型在回答问题时拿到的文档切片如果缺少关键信息，会回答不准确；如果拿到的文档切片非关联信息过多（噪声），也会影响回答质量。即过少或过多的信息，都会影响模型的回答效果。因此，在对文档进行解析与切片时，需要确保最终的切片信息完整，但不要包含太多干扰信息。

2.2.1 问题分类及改进策略

在文档解析与切片阶段，你可能会遇到以下问题：

2.2.2 借助百炼解析 PDF 文件

在前面的学习过程中，为了让你更快地看到格式转换带来的效果，直接提供了一份从 PDF转换的Markdown格式文档（开源PDF解析器Grobid）。但在实际工作中，编写代码将PDF妥善地转为 Markdown并非易事。

实际工作中，你也可以借助百炼提供的 DashScopeParse 来完成 PDF、Word 等格式的文件解析。DashScopeParse 背后使用了阿里云的文档智能服务，能够帮助你从 PDF、Word 等格式的文件中识别文档中的图片、提取出结构化的文本信息。

2.2.3 使用多种文档切片方法

在文档切片的过程中，切片方式会影响检索召回的效果。让我们通过具体例子来了解不同切片方法的特点。

2.2.3.1 Token 切片

适合对 Token 数量有严格要求的场景，比如使用上下文长度较小的模型时。

示例文本： “LlamaIndex是一个强大的RAG框架。它提供了多种文档处理方式。用户可以根据需要选择合适的方法。”

使用Token切片(chunk_size=10)后可能的结果：

切片1： “LlamaIndex是一个强大的RAG”

切片2： “框架。它提供了多种文”

切片3： “档处理方式。用户可以”

token_splitter = TokenTextSplitter( chunk_size=1024, chunk_overlap=20)evaluate_splitter(token_splitter, documents, question, ground_truth,"Token")

2.2.3.2 句子切片

这是默认的切片策略，会保持句子的完整性。同样的文本使用句子切片后：

切片1: “LlamaIndex是一个强大的RAG框架。”

切片2: “它提供了多种文档处理方式。”

切片3: “用户可以根据需求选择合适的方法。”

sentence_splitter = SentenceSplitter( chunk_size=512, chunk_overlap=50)evaluate_splitter(sentence_splitter, documents, question, ground_truth,"Sentence")

2.2.3.3 句子窗口切片

每个切片都包含周围的句子作为上下文窗口。示例文本使用句子窗口切片(window_size=1)后：

切片1： “LlamaIndex是一个强大的RAG框架。” 上下文： “它提供了多种文档处理方式。”

切片2： “它提供了多种文档处理方式。” 上下文： “LlamaIndex是一个强大的RAG框架。用户可以根据需求选择合适的方法。”

切片3： “用户可以根据需求选择合适的方法。” 上下文： “它提供了多种文档处理方式。”

sentence_window_splitter = SentenceWindowNodeParser.from_defaults( window_size=3, window_metadata_key="window", original_text_metadata_key="original_text")# 注意：句子窗口切片需要特殊的后处理器query_engine = index.as_query_engine( similarity_top_k=5, streaming=True,node_postprocessors=[MetadataReplacementPostProcessor(target_metadata_key="window")])evaluate_splitter(sentence_window_splitter, documents, question, ground_truth,"Sentence Window")

2.2.3.4 语义切片

根据语义相关性自适应地选择切片点。

示例文本： “LlamaIndex是一个强大的RAG框架。它提供了多种文档处理方式。用户可以根据需求选择合适的方法。此外，它还支持向量检索。这种检索方式非常高效。”

语义切片可能的结果：

切片1： “LlamaIndex是一个强大的RAG框架。它提供了多种文档处理方式。用户可以根据需求选择合适的方法。”

切片2： “此外，它还支持向量检索。这种检索方式非常高效。” （注意这里是按语义相关性分组的）

semantic_splitter = SemanticSplitterNodeParser( buffer_size=1, breakpoint_percentile_threshold=95, embed_model=Settings.embed_model)evaluate_splitter(semantic_splitter, documents, question, ground_truth,"Semantic")

2.2.3.5 Markdown 切片

专门针对 Markdown 文档优化的切片方法。

示例 Markdown 文本：

# RAG框架LlamaIndex是一个强大的RAG框架。## 特点- 提供多种文档处理方式- 支持向量检索- 使用简单方便### 详细说明用户可以根据需求选择合适的方法

Markdown切片会根据标题层级进行智能分割：

切片1： “# RAG框架\nLlamaIndex是一个强大的RAG框架。”

切片2： “## 特点\n- 提供多种文档处理方式\n- 支持向量检索\n- 使用简单方便”

切片3： “### 详细说明\n用户可以根据需求选择合适的方法。”

markdown_splitter = MarkdownNodeParser()evaluate_splitter(markdown_splitter, documents, question, ground_truth,"Markdown")

在实际应用中，选择切片方法时不必过于纠结，你可以这样思考：

✧ 如果你刚开始接触 RAG，建议先使用默认的句子切片方法，它在大多数场景下都能提供不错的效果

✧ 当你发现检索结果不够理想时，可以尝试：处理长文档且需要保持上下文？句子窗口切片

➢ 文档逻辑性强、内容专业？语义切片可能会有帮助

➢ 模型总是报 Token 超限？Token 切片可以帮你精确控制

➢ 处理 Markdown 文档？别忘了有专门的 Markdown 切片

没有最好的切片方法，只有最适合你场景的方法。你可以尝试不同的切片方法，观察 Ragas 评估结果，找到最适合你需求的方案。学习的过程就是不断尝试和调整的过程！

2.3 切片向量化与存储阶段

文档切片后，你还需要对其建立索引，以便后续检索。一个常见的方案是使用嵌入（Embedding）模型将切片向量化，并存储到向量数据库中。在这一阶段，你需要选择合适的 Embedding 模型以及向量数据库，这对于提升检索效果至关重要。

2.3.1 了解 Embedding 与向量化

Embedding 模型可以将文本转换为高维向量，用于表示文本语义，相似的文本会映射到相近的向量上，检索时可以根据问题的向量找到相似度高的文档切片。平面坐标系中的有向线段是 2 维向量。例如，从原点 (0, 0) 到 A (xa, ya) 的有向线段可以称为向量 A。向量 A 与向量 B 之间的夹角越小，也就意味着其相似度越高。

2.3.2 选择合适的 Embedding 模型

不同的 Embedding 模型对相同的几段文字进行计算时，得到的向量可能会完全不同。通常越新的 Embedding 模型，其表现越好。例如前文中使用的是阿里云百炼上提供的 text-embedding-v2。如果换成更新的版本 text-embedding-v3 你会发现即使不去做前面的优化，检索效果也会有一定的提升。

2.3.3 选择合适的向量数据库

在构建 RAG 应用时,你有多种向量存储方案可以选择,从简单到复杂依次是：

2.3.3.1 内存向量存储

最简单的方式是使用 LlamaIndex 内置的内存向量存储。只需安装 llama-index 包,无需额外配置,就能快速开发和测试 RAG 应用：

from llama_index.core import VectorStoreIndex# 创建内存向量索引index = VectorStoreIndex.from_documents(documents)

优点是快速上手，适合开发测试；缺点是数据无法持久化，且受限于内存大小。

2.3.3.2 本地向量数据库

当数据量增大时,可以使用开源的向量数据库,如 Milvus、Qdrant 等。这些数据库提供了数据持久化和高效检索能力

优点是功能完整、可控性强；缺点是需要自行部署维护。

2.3.3.3 云服务向量存储

对于生产环境,推荐使用云服务提供的向量存储能力。阿里云提供了多种选择：

✧ 向量检索服务（DashVector）：按量付费、自动扩容，适合快速启动项目。详细功能请参考向量检索服务（DashVector）。

✧ 向量检索服务 Milvus 版：兼容开源 Milvus，便于迁移已有应用。详细功能请参考向量检索服务 Milvus 版。

✧ 已有数据库的向量能力：如果已使用阿里云数据库(RDS、PolarDB等)，可直接使用其向量功能

云服务的优势在于：

✧ 无需关注运维，自动扩容

✧ 提供完善的监控和管理工具

✧ 按量付费，成本可控

✧ 支持向量 + 标量的混合检索，提升检索准确性

选择建议：

✧ 开发测试时使用内存向量存储

✧ 小规模应用可以使用本地向量数据库

✧ 生产环境推荐使用云服务，可根据具体需求选择合适的服务类型

2.4 检索召回阶段

检索阶段会遇到的主要问题就是，很难从众多文档切片中，找出和用户问题最相关、且包含正确答案信息的片段。从切入时机来看，可以将解法分为两大类：

✧ 在执行检索前，很多用户问题描述是不完整、甚至有歧义的，你需要想办法还原用户真实意图，以便提升检索效果。

➢ 问题改写

➢ 问题扩写 通过增加更多信息，让检索结果更全面

➢ 基于用户画像扩展上下文 结合用户信息、行为等数据扩写问题

➢ 提取标签 提取标签，用于后续标签过滤+向量相似度检索

➢ 反问用户

➢ 思考并规划多次检索

✧ 在执行检索后，你可能会发现存在一些无关的信息，需要想办法减少无关信息，避免干扰下一步的答案生成。

➢ 重排序 ReRank + 过滤 多数向量数据库会考虑效率，牺牲一定精确度，召回的切片中可能有一些实际相关性不够高

➢ 滑动窗口检索 在检索到一个切片后，补充前后相邻的若干个切片。这样做的原因是：相邻切片之间往往存在语义联系，仅看单个切片可能会丢失重要信息。 滑动窗口检索确保了不会因为过度切分而丢失文本间的语义连接。

2.5 生成答案阶段

现在，大模型会根据你的问题和检索召回的内容，生成最终的答案。然而，这个答案可能还是不及你的预期。你可能会遇到的问题有：

1）没有检索到相关信息，大模型捏造答案。

2）检索到了相关信息，但是大模型没有按照要求生成答案。

3）检索到了相关信息，大模型也给出了答案，但是你希望 AI 给出更全面的答案。

为了解决这些问题，你可以从以下角度着手分析与解决：

1）选择合适的大模型：简单常识问题、推理问题、专业领域

2）充分优化提示词模板：明确要求不编造答案、添加内容分隔标记、根据问题类型调整模板

3）调整大模型的参数：temperature、seed、top_p、top_k、max_tokens

4）调优大模型：如果上述方法都做了充分的尝试，仍然不及预期，或者希望有更进一步的效果提升，你也可以尝试面向你的场景调优一个模型。在后续的章节中，你将学习和实践这一点。

3. 小结

通过前面的学习，你已经了解了一个简单 RAG 的工作流程，以及常见优化手段。你也可以结合前面学习到的知识，结合实际需求，将不同的问题，路由到不同的 RAG 应用中，以构建一个能力更强大的模块化 RAG 应用。此外，通过前面的学习，你应该也能发现，大模型不只是可以用于构建问答系统。借助大模型识别用户意图、提取结构化信息（比如前面的根据用户问题提取标签），也能在很多其他应用场景中发挥作用。

当然，RAG 的优化手段远不止课程中介绍的这些，业内关于 RAG 的研究和探索也在持续进行，还有很多高级 RAG 课题值得你去学习。从前面的学习可以看到，构建一个完善、表现得足够好的 RAG 应用并不简单。而在实际工作中，你可能需要更快地捕捉业务机会，没有时间投入到这些细节完善中。以下是一些值得探索的方向：

1）GraphRAG：技术巧妙地结合了检索增强生成（RAG）和查询聚焦摘要（QFS）的优点，为处理大规模文本数据提供了一个强大的解决方案。它把两种技术的特长融合在一起：RAG 擅长找出精确的细节信息，而 QFS 则更善于理解和总结文章的整体内容。通过这种结合，GraphRAG 既能准确回答具体问题，又能处理需要深入理解的复杂查询，特别适合用来构建智能问答系统。

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！2025 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 AI：

1. 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👇👇

​

2025 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”！