[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"learning-extra-2026-ai-tech":3,"learning-all":13},{"id":4,"slug":5,"title":6,"description":7,"level":8,"topic":9,"url":10,"content":11,"sortOrder":12},102,"extra-2026-ai-tech","额外篇 · 2026 年 AI 应用开发必学的 5 项成熟技术","从近半年爆发的技术里，挑出已经过了尝鲜期、能真正用在项目里的 5 项：推理模型、MCP、多模态、GraphRAG、AI 编程工具链，每项都给到能跑通的代码。","ADVANCED","AI 工程实践",null,"# 额外篇 · 2026 年 AI 应用开发必学的 5 项成熟技术\r\n\r\n这一站是\"追新但不追热\"：从近半年爆发的技术里，挑出已经过了尝鲜期、能真正用在项目里的 5 项，每项都给到能跑通的代码。\r\n\r\n不是新闻盘点，是学完就能用的实战指南。\r\n\r\n---\r\n\r\n## Section 1 · 推理模型：从\"直接答\"到\"先想再答\"\r\n\r\n### Subsection 1 · 亲眼看到推理模型的区别\r\n\r\n用同一个问题分别问普通模型和推理模型：\r\n\r\n```\r\n问题：一个球和一个球拍一共 1.10 元，球拍比球贵 1 元，球多少钱？\r\n```\r\n\r\n普通模型（如 qwen-plus）大概率直接答\"0.10 元\"（错的，正确是 0.05 元）。\r\n推理模型（如 deepseek-reasoner、o3）会先输出一段思考过程，再给出正确答案。\r\n\r\n记住：推理模型不是\"更聪明的普通模型\"，是**多了一个\"思考\"阶段**的模型。它会在内部走思维链，验证后再给答案。\r\n\r\n### Subsection 2 · 记推理模型的适用场景\r\n\r\n备忘录写：\r\n\r\n```\r\n推理模型适合：\r\n✅ 数学\u002F逻辑题、代码调试、复杂推理\r\n✅ 需要多步验证的任务（数据分析、方案对比）\r\n✅ 对答案准确性要求高的场景\r\n\r\n推理模型不适合：\r\n❌ 简单问答（浪费 token，响应慢）\r\n❌ 创意写作（思考过程会限制创造力）\r\n❌ 实时对话（思考阶段耗时 5-30 秒）\r\n```\r\n\r\n### Subsection 3 · 跑通推理模型调用\r\n\r\nDeepSeek 提供了 `deepseek-reasoner` 模型，用 OpenAI 兼容格式调用：\r\n\r\n```python\r\nfrom openai import OpenAI\r\n\r\nclient = OpenAI(\r\n    api_key=\"你的DEEPSEEK_API_KEY\",\r\n    base_url=\"https:\u002F\u002Fapi.deepseek.com\",\r\n)\r\n\r\nresponse = client.chat.completions.create(\r\n    model=\"deepseek-reasoner\",\r\n    messages=[{\"role\": \"user\", \"content\": \"一个球和一个球拍一共1.10元，球拍比球贵1元，球多少钱？\"}],\r\n)\r\n\r\nprint(\"思考过程:\", response.choices[0].message.reasoning_content)\r\nprint(\"最终答案:\", response.choices[0].message.content)\r\n```\r\n\r\n预期看到：先输出一段推理过程（\"设球为x元，球拍为x+1元...\"），然后给出\"0.05元\"。\r\n\r\n关键理解：推理模型的返回里多了 `reasoning_content` 字段，这是它的思考过程。生产环境可以把思考过程存日志，但不要展示给用户（又长又绕）。\r\n\r\n### Subsection 4 · 推理模型的成本控制\r\n\r\n推理模型的 token 消耗是普通模型的 3-10 倍（因为思考过程也要算 token）。控制成本的两个方法：\r\n\r\n1. **分级路由**：简单问题用普通模型，复杂问题才用推理模型。可以用一个小模型先判断问题难度。\r\n2. **限制思考长度**：部分推理模型支持 `max_completion_tokens`，限制总输出长度（思考+答案）。\r\n\r\n过关：能说出推理模型和普通模型的区别、适用场景、能跑通调用代码 = Section 1 完成。\r\n\r\n---\r\n\r\n## Section 2 · MCP：AI 世界的 USB-C\r\n\r\n### Subsection 1 · 为什么 MCP 是 2026 年最重要的基础设施\r\n\r\n一组数据：\r\n- 2024 年 11 月 Anthropic 发布 MCP\r\n- 2025 年 12 月捐赠给 Linux 基金会（和 Kubernetes、PyTorch 同级治理）\r\n- 2026 年 9 月，公开 MCP Server 超 10000 个，SDK 月下载量近 1 亿次\r\n- Claude Desktop、ChatGPT、Cursor、Gemini、VS Code 全部原生支持\r\n\r\nMCP 解决的问题：在 MCP 之前，每个 Agent 框架有自己的工具定义格式，换框架就要重写工具。MCP 像 USB-C 一样，工具一次定义，所有兼容 MCP 的客户端都能用。\r\n\r\n### Subsection 2 · 记 MCP 的三个核心概念\r\n\r\n```\r\nTools（工具）    可执行的操作，相当于函数调用\r\nResources（资源）  可读的数据，相当于文件\u002F数据库记录\r\nPrompts（提示词）  可复用的提示词模板\r\n```\r\n\r\n传输方式：JSON-RPC over stdio（本地工具）或 HTTP\u002FSSE（远程工具）。\r\n\r\n### Subsection 3 · 写一个最小 MCP Server\r\n\r\n用官方 Python SDK：\r\n\r\n```bash\r\npip install mcp\r\n```\r\n\r\n新建 `weather_mcp_server.py`：\r\n\r\n```python\r\nfrom mcp.server.fastmcp import FastMCP\r\n\r\nmcp = FastMCP(\"天气查询\")\r\n\r\n@mcp.tool()\r\ndef get_weather(city: str) -> str:\r\n    \"\"\"查询指定城市的天气。\r\n    Args:\r\n        city: 城市名称，比如\"北京\"、\"上海\"\r\n    \"\"\"\r\n    # 实际项目里这里调真实天气 API\r\n    weather_data = {\r\n        \"北京\": \"晴 25℃\",\r\n        \"上海\": \"多云 28℃\",\r\n        \"苏州\": \"小雨 24℃\",\r\n    }\r\n    return weather_data.get(city, f\"暂无 {city} 的天气数据\")\r\n\r\nif __name__ == \"__main__\":\r\n    mcp.run()\r\n```\r\n\r\n运行：\r\n\r\n```bash\r\npython weather_mcp_server.py\r\n```\r\n\r\n然后在 Claude Desktop 或 Cursor 的 MCP 配置里加上这个 Server，就能让 AI 直接调用你的天气工具。\r\n\r\n预期看到：AI 问\"苏州天气怎么样\"时，会自动调用 `get_weather` 工具，返回\"小雨 24℃\"。\r\n\r\n关键理解：MCP Server 是一个独立进程，通过 stdio 和 AI 客户端通信。你不需要改 AI 客户端的代码，只需要在配置文件里注册 Server 路径。\r\n\r\n### Subsection 4 · 什么时候该用 MCP，什么时候不用\r\n\r\n```\r\n用 MCP：\r\n✅ 工具需要被多个 AI 客户端共享（Claude + Cursor + 自己的 Agent）\r\n✅ 工具提供方和使用方是不同团队\r\n✅ 工具需要远程部署（HTTP 传输）\r\n\r\n不用 MCP：\r\n❌ 个人项目，工具只给自己用\r\n❌ 工具逻辑简单，直接写函数更快\r\n❌ 需要深度定制工具调用流程\r\n```\r\n\r\n过关：能说出 MCP 的三个核心概念、能写一个最小 Server、能判断什么时候该用 = Section 2 完成。\r\n\r\n---\r\n\r\n## Section 3 · 多模态大模型：不只是\"能看图\"\r\n\r\n### Subsection 1 · 多模态已经不是加分项，是标配\r\n\r\n2026 年的主流模型全部原生支持多模态：\r\n- GPT-4o \u002F o3：文本 + 图像 + 音频\r\n- Gemini 2.5 \u002F Omni：文本 + 图像 + 音频 + 视频\r\n- Qwen-VL \u002F 豆包：文本 + 图像 + 文档理解\r\n\r\n\"多模态\"不再是\"能发图片\"这么简单，而是**统一理解**：模型把文本、图像、音频都转成同一种表示，在同一个空间里做推理。\r\n\r\n### Subsection 2 · 跑通图文理解\r\n\r\n用 DashScope 的 qwen-vl 模型（OpenAI 兼容格式）：\r\n\r\n```python\r\nfrom openai import OpenAI\r\n\r\nclient = OpenAI(\r\n    api_key=\"你的DASHSCOPE_API_KEY\",\r\n    base_url=\"https:\u002F\u002Fdashscope.aliyuncs.com\u002Fcompatible-mode\u002Fv1\",\r\n)\r\n\r\nresponse = client.chat.completions.create(\r\n    model=\"qwen-vl-max\",\r\n    messages=[\r\n        {\r\n            \"role\": \"user\",\r\n            \"content\": [\r\n                {\"type\": \"text\", \"text\": \"这张图里有什么？详细描述。\"},\r\n                {\"type\": \"image_url\", \"image_url\": {\"url\": \"https:\u002F\u002Fexample.com\u002Ftest.jpg\"}},\r\n            ],\r\n        }\r\n    ],\r\n)\r\n\r\nprint(response.choices[0].message.content)\r\n```\r\n\r\n预期看到：模型输出对图片内容的详细描述，包括物体、场景、文字（如果图里有文字）。\r\n\r\n关键理解：多模态调用的 `content` 是一个数组，不是字符串。每个元素有 `type` 字段（`text` 或 `image_url`），可以混合文本和图片。\r\n\r\n### Subsection 3 · 多模态的三个实战场景\r\n\r\n**场景 1：文档理解**\r\n直接把 PDF\u002F截图发给模型，让它提取表格、总结内容、回答问题。比传统 OCR + 文本解析准确率高很多。\r\n\r\n**场景 2：UI 自动化测试**\r\n把截图发给模型，让它判断页面元素位置、验证 UI 是否符合设计稿。2026 年的 Browser Use 类工具底层就是多模态。\r\n\r\n**场景 3：代码调试**\r\n把报错截图发给模型，它能直接读出错误信息和堆栈，给出修复建议。不用手动复制粘贴。\r\n\r\n### Subsection 4 · 多模态的坑\r\n\r\n1. **图片 token 消耗大**：一张图相当于几百到几千 token，批量处理要算成本。\r\n2. **本地图片要转 base64**：不能直接传本地路径，要转成 `data:image\u002Fjpeg;base64,...` 格式。\r\n3. **不是所有模型都支持音频\u002F视频**：目前图像最成熟，音频和视频还在快速迭代中。\r\n\r\n过关：能跑通图文理解调用、能说出三个实战场景、能说出两个坑 = Section 3 完成。\r\n\r\n---\r\n\r\n## Section 4 · GraphRAG：从\"搜片段\"到\"懂关系\"\r\n\r\n### Subsection 1 · 纯向量 RAG 的天花板\r\n\r\n纯向量 RAG（Part 7 学的那种）在 2026 年已经进入瓶颈：\r\n- 分块策略、Rerank、Query 改写，这些优化大家都在做，差距缩小\r\n- 面对\"全局性问题\"（\"总结 A 和 B 的关系\"、\"这个组织的决策链是什么\"），向量检索只能搜到零散片段，拼不出全局\r\n- 微软 2024 年提出的 GraphRAG 在 2026 年已经成熟，成为企业级 RAG 的标配\r\n\r\n### Subsection 2 · 记 GraphRAG 的核心思路\r\n\r\n```\r\n普通 RAG：文档 → 切块 → 向量化 → 搜最相似的几块 → 拼 Prompt\r\nGraphRAG：文档 → 提取实体和关系 → 构建知识图谱 → 按问题搜子图 → 拼 Prompt\r\n```\r\n\r\n关键区别：普通 RAG 存的是\"文本片段\"，GraphRAG 存的是\"实体 + 关系\"。问\"A 和 B 有什么关系\"时，GraphRAG 能直接在图上找到 A→B 的路径，而不是靠语义相似度猜。\r\n\r\n### Subsection 3 · 跑通最小 GraphRAG\r\n\r\n用 `networkx` 构建知识图谱，配合向量检索做混合查询：\r\n\r\n```bash\r\npip install networkx\r\n```\r\n\r\n```python\r\nimport networkx as nx\r\n\r\n# 1. 从文档中提取实体和关系（实际项目用 LLM 提取）\r\nentities = [\"张三\", \"李四\", \"王五\", \"技术部\", \"产品部\"]\r\nrelations = [\r\n    (\"张三\", \"李四\", \"同事\"),\r\n    (\"张三\", \"技术部\", \"属于\"),\r\n    (\"李四\", \"技术部\", \"属于\"),\r\n    (\"王五\", \"产品部\", \"属于\"),\r\n    (\"张三\", \"王五\", \"协作\"),\r\n]\r\n\r\n# 2. 构建图谱\r\nG = nx.Graph()\r\nG.add_nodes_from(entities)\r\nfor src, dst, rel in relations:\r\n    G.add_edge(src, dst, relation=rel)\r\n\r\n# 3. 查询：张三和王五之间有什么关系\r\nprint(\"张三的邻居:\", list(G.neighbors(\"张三\")))\r\nprint(\"张三到王五的路径:\", nx.shortest_path(G, \"张三\", \"王五\"))\r\n```\r\n\r\n预期看到：\r\n- 张三的邻居: ['李四', '技术部', '王五']\r\n- 张三到王五的路径: ['张三', '王五']\r\n\r\n关键理解：这是最小演示。实际项目里，实体和关系由 LLM 从文档中自动提取，图谱存在 Neo4j 或 NetworkX + 持久化里，查询时结合向量检索做混合召回。\r\n\r\n### Subsection 4 · Hybrid RAG 是正解\r\n\r\n不要走极端。2026 年企业级 RAG 的标准做法是 **Hybrid RAG**：\r\n\r\n```\r\n用户问题\r\n  ├── 向量检索 → 召回相关文本片段\r\n  ├── 关键词检索（BM25）→ 召回精确匹配\r\n  └── 图谱检索 → 召回实体关系\r\n      ↓\r\n  合并去重 → Rerank 重排序 → Top-K → 拼 Prompt → LLM 生成\r\n```\r\n\r\n向量检索擅长\"语义相似\"，关键词检索擅长\"精确匹配\"，图谱检索擅长\"关系推理\"。三者互补，不是互斥。\r\n\r\n过关：能说出 GraphRAG 和普通 RAG 的区别、能跑通最小图谱、能说出 Hybrid RAG 的三路召回 = Section 4 完成。\r\n\r\n---\r\n\r\n## Section 5 · AI 编程工具链：从\"补全\"到\"代理\"\r\n\r\n### Subsection 1 · AI 编程已经换代了\r\n\r\n2023 年：GitHub Copilot，单行补全\r\n2024 年：Cursor \u002F Claude Code，多文件修改、代码库理解\r\n2026 年：AI 编程代理，能自主完成整个功能（读需求→写代码→跑测试→修 bug→提交）\r\n\r\n代表工具：\r\n- **Cursor**：IDE 形态，Composer 模式做多文件修改\r\n- **Claude Code**：终端形态，Agent 模式自主执行任务\r\n- **Windsurf**：IDE 形态，Cascade 流式协作\r\n- **Aider**：终端形态，开源，Git 原生集成\r\n\r\n### Subsection 2 · 高效使用 AI 编程工具的三个原则\r\n\r\n**原则 1：给上下文，不给指令**\r\n\r\n差的用法：\"帮我写一个登录接口\"\r\n好的用法：\"这个项目用 FastAPI + SQLite，用户表在 models\u002Fuser.py，登录接口需要校验邮箱格式和密码强度，参考 existing register 接口的写法\"\r\n\r\nAI 工具的能力上限 = 你给的上下文质量。它不知道你的项目结构、命名规范、错误处理风格，你要告诉它。\r\n\r\n**原则 2：用 .cursorrules \u002F CLAUDE.md 固化项目规范**\r\n\r\n在项目根目录建一个规则文件，AI 工具会自动读取：\r\n\r\n```markdown\r\n# 项目规范\r\n\r\n## 技术栈\r\n- 后端：FastAPI + SQLAlchemy + SQLite\r\n- 前端：React + Ant Design\r\n- Python 3.13，用 uv 管理依赖\r\n\r\n## 代码规范\r\n- 函数必须有 docstring\r\n- 错误处理统一用自定义异常，不裸 raise\r\n- API 响应统一格式：{\"code\": 0, \"data\": ..., \"message\": \"\"}\r\n\r\n## 禁止\r\n- 不要修改 migrations 目录\r\n- 不要引入新的依赖，先问我\r\n- 不要用 print 调试，用 logging\r\n```\r\n\r\n这样每次 AI 工具启动时都会自动加载这些规则，不用每次重复说。\r\n\r\n**原则 3：小步提交，让 AI 每次只做一件事**\r\n\r\n不要让 AI 一次改 10 个文件。拆成小任务：\r\n1. 先让它改数据模型\r\n2. 再让它改 API 接口\r\n3. 再让它写测试\r\n4. 每步都检查，再继续\r\n\r\n大改动容易出幻觉，小步迭代可控。\r\n\r\n### Subsection 3 · 终端 AI 工具的 Agent 模式\r\n\r\nClaude Code 的 Agent 模式可以自主完成整个任务：\r\n\r\n```bash\r\n# 安装\r\nnpm install -g @anthropic-ai\u002Fclaude-code\r\n\r\n# 启动\r\nclaude\r\n\r\n# 输入任务\r\n> 帮我给用户模块加一个\"修改密码\"功能，包括 API 接口、参数校验、测试用例\r\n```\r\n\r\n它会自己：读项目结构 → 找相关文件 → 写代码 → 跑测试 → 修 bug → 提交。你只需要在关键节点确认。\r\n\r\n关键理解：Agent 模式不是\"更聪明的补全\"，是\"能自己跑流程的代理\"。它会主动调用工具（读文件、写文件、跑命令），不需要你一步步指挥。\r\n\r\n### Subsection 4 · AI 编程工具的边界\r\n\r\n```\r\nAI 擅长：\r\n✅ 样板代码（CRUD、数据模型、API 接口）\r\n✅ 测试用例生成\r\n✅ 代码重构（重命名、提取函数）\r\n✅ Bug 定位（给它报错信息，它能快速定位）\r\n✅ 文档生成\r\n\r\nAI 不擅长：\r\n❌ 架构决策（技术选型、模块划分，需要人判断）\r\n❌ 业务逻辑（它不懂你的业务，容易想当然）\r\n❌ 安全相关代码（鉴权、加密，必须人审）\r\n❌ 性能优化（它给的方案可能不是最优的）\r\n```\r\n\r\n记住：AI 是\"加速器\"，不是\"替代者\"。它能让你从写代码变成审代码，但最终责任在你。\r\n\r\n过关：能说出三个高效使用原则、能配置项目规则文件、能说出 AI 擅长和不擅长的边界 = Section 5 完成。\r\n\r\n---\r\n\r\n## 总结\r\n\r\n2026 年 AI 应用开发的技术栈已经从\"单点能力\"进化到\"体系化能力\"：\r\n\r\n```\r\n推理模型    → 复杂任务的准确性保障\r\nMCP        → 工具调用的标准化协议\r\n多模态      → 从文本到图文音视频的统一理解\r\nGraphRAG   → 从片段检索到关系推理\r\nAI 编程工具 → 从补全到自主代理\r\n```\r\n\r\n这五项不是孤立的，它们会组合使用：\r\n- 用 MCP 把工具暴露给推理模型\r\n- 用多模态模型理解文档，提取实体关系构建 GraphRAG\r\n- 用 AI 编程工具快速搭建整个系统\r\n\r\n学习建议：**先学 MCP 和推理模型（上手最快、收益最大），再学多模态和 GraphRAG（项目里按需用），AI 编程工具是日常工具，每天都在用。**\r\n",21,[14,21,27,33,40,46,52,58,63,69,75,81,87,93,99,105,111,117,123,129,135],{"id":15,"slug":16,"title":17,"description":18,"level":19,"topic":20,"url":10,"content":10,"sortOrder":15},1,"part-1-llm-basics","Part 1 · 大模型基础认知","小白零基础友好。这一站不写代码，只建立\"大模型到底是什么\"的骨架。","BEGINNER","大模型认知",{"id":22,"slug":23,"title":24,"description":25,"level":19,"topic":26,"url":10,"content":10,"sortOrder":22},2,"part-2-llm-principles","Part 2 · 大模型原理 · 入门实操","这一站不卷数学，只把\"理解模型所需的知识\"讲透。；站 2A 解决\"理解模型\"，站 2B 解决\"面试能答\"。；这一层是\"有余力再做\"，不做也不影响你进入站 3。","大模型原理",{"id":28,"slug":29,"title":30,"description":31,"level":19,"topic":26,"url":10,"content":10,"sortOrder":32},100,"part-3-llm-principles-deep","Part 3 · 大模型原理 · 面试深入","数学基础、机器学习、神经网络、词向量、思维链等面试必考原理",3,{"id":34,"slug":35,"title":36,"description":37,"level":38,"topic":26,"url":10,"content":10,"sortOrder":39},101,"part-4-llm-principles-advanced","Part 4 · 大模型原理 · 进阶可选","从零写迷你模型、RLHF、PPO、分布式训练实操等进阶内容","INTERMEDIATE",4,{"id":32,"slug":41,"title":42,"description":43,"level":19,"topic":44,"url":10,"content":10,"sortOrder":45},"part-5-prompt-engineering","Part 5 · Prompt 提示词工程","从这里开始，你每天都要真的调大模型 API。","提示工程",5,{"id":39,"slug":47,"title":48,"description":49,"level":19,"topic":50,"url":10,"content":10,"sortOrder":51},"part-6-llm-api","Part 6 · 大模型 API 调用","站 3 你已经调通了 API。这一站把\"调用\"做成专业水准：","API 工程",6,{"id":45,"slug":53,"title":54,"description":55,"level":38,"topic":56,"url":10,"content":10,"sortOrder":57},"part-7-rag","Part 7 · RAG 检索增强生成","这一站是\"能落地\"的关键：让模型回答**你的私有知识**。","RAG",7,{"id":51,"slug":59,"title":60,"description":61,"level":38,"topic":56,"url":10,"content":10,"sortOrder":62},"part-8-rag-optimization","Part 8 · RAG 优化与评估","站 5 你做出了\"能跑\"的 RAG。这一站把它做到\"能打\"：",8,{"id":57,"slug":64,"title":65,"description":66,"level":38,"topic":67,"url":10,"content":10,"sortOrder":68},"part-9-langchain","Part 9 · LangChain 框架","目标：用 LangChain 把\"模型、提示词、检索、记忆、工具\"串成可复用的链和 Agent。","LangChain",9,{"id":62,"slug":70,"title":71,"description":72,"level":38,"topic":73,"url":10,"content":10,"sortOrder":74},"part-10-agent","Part 10 · Agent 基础","让模型从\"会聊天\"变成\"能干活\"：自己拆任务、调工具、看结果、再行动。","Agent",10,{"id":68,"slug":76,"title":77,"description":78,"level":8,"topic":79,"url":10,"content":10,"sortOrder":80},"part-11-multi-agent","Part 11 · 多 Agent 与 Agent IDE","从\"单个 Agent\"升级到\"多 Agent 协作\"，并掌握 AutoGen \u002F LangGraph \u002F GPTs \u002F Coze \u002F Dify 五个工具。","多 Agent",11,{"id":74,"slug":82,"title":83,"description":84,"level":8,"topic":85,"url":10,"content":10,"sortOrder":86},"part-12-llamaindex","Part 12 · LlamaIndex","站 5~7 你用了 LangChain 做 RAG。LlamaIndex 是另一条专攻\"数据 + LLM\"的路线。","LlamaIndex",12,{"id":80,"slug":88,"title":89,"description":90,"level":8,"topic":91,"url":10,"content":10,"sortOrder":92},"part-13-transformer","Part 13 · Transformer 深入","站 2A 建立了直觉，这一站把手写代码跑通——从\"懂概念\"到\"写得出\"。","Transformer",13,{"id":86,"slug":94,"title":95,"description":96,"level":8,"topic":97,"url":10,"content":10,"sortOrder":98},"part-14-open-models","Part 14 · 开源模型与私有化部署","目标：把主流开源模型在本地\u002F服务器跑通，理解服务化工程（显存、量化、并发）。","模型部署",14,{"id":92,"slug":100,"title":101,"description":102,"level":8,"topic":103,"url":10,"content":10,"sortOrder":104},"part-15-finetuning","Part 15 · 模型微调 Fine-Tuning","目标：理解\"什么时候必须微调、怎么选基座、怎么备数据\"，并完整跑通一次业务微调。","微调",15,{"id":98,"slug":106,"title":107,"description":108,"level":8,"topic":109,"url":10,"content":10,"sortOrder":110},"part-16-peft-lora","Part 16 · PEFT 参数高效微调","重点吃透 **LoRA**：用极少量可训练参数微调大模型（消费级显卡就能跑）。","PEFT\u002FLoRA",16,{"id":104,"slug":112,"title":113,"description":114,"level":8,"topic":115,"url":10,"content":10,"sortOrder":116},"part-17-quantization","Part 17 · 模型量化","目标：理解\"为什么量化、主流算法各自思路\"，能动手量化并评估效果。","量化",17,{"id":110,"slug":118,"title":119,"description":120,"level":8,"topic":121,"url":10,"content":10,"sortOrder":122},"part-18-data-evaluation","Part 18 · 训练数据与模型评估","数据决定模型上限，评估决定你\"能不能交付\"。","数据与评估",18,{"id":116,"slug":124,"title":125,"description":126,"level":8,"topic":127,"url":10,"content":10,"sortOrder":128},"part-19-multimodal","Part 19 · 多模态应用","让 AI 同时\"看得懂图、听得了音、说得出话\"。","多模态",19,{"id":122,"slug":130,"title":131,"description":132,"level":8,"topic":133,"url":10,"content":10,"sortOrder":134},"part-20-projects-career","Part 20 · 项目实战 + 求职备战","把 0→1 到 1→100 学到的全部收敛成**能展示、能讲、能面试**的项目。","项目与求职",20,{"id":4,"slug":5,"title":6,"description":7,"level":8,"topic":9,"url":10,"content":10,"sortOrder":12}]