本文深入探讨了AI Agent在企业合规风控领域的应用价值与落地路径。从合同审核、监管报送、风险预警等核心场景切入，剖析了传统合规风控的痛点，阐述了AI Agent如何通过自动化处理、规则+AI双重校验、动态规则更新等机制显著提升效率、强化风险防控能力并优化成本。文章详细解析了AI Agent的系统架构设计、数据安全机制、业务流程整合方式，并结合典型落地案例，提出了分阶段部署、跨部门协作、合规架构设计等实施建议。AI Agent的应用不仅推动企业合规风控从被动防御向主动规划转变，更将合规管理从成本中心升级为价值创造引擎，助力企业构建智能化、高效化的合规风控体系。

---

随着人工智能技术的快速发展，AI Agent（智能体）正从概念验证阶段迈向企业核心业务场景的规模化落地。在企业级合规风控领域，AI Agent凭借其自主感知、推理决策和执行闭环的能力，成为解决传统合规风控痛点的关键技术。本文从场景分析、业务价值、系统架构、核心业务流程整合及落地建议五个维度，全面探讨AI Agent在企业合规风控领域的应用场景落地路径。

一、合规风控领域的核心应用场景与痛点分析

1.1 合规风控主要应用场景

合同审核与管理是企业合规风控的核心场景之一。合同作为企业商务活动的基础法律文件，其合规性直接影响企业运营风险。在传统模式下，合同审核依赖法务人员经验，存在效率低下、标准不一、数据泄露风险高等问题。

监管报送与合规检查是金融、能源等强监管行业的关键场景。企业需定期向监管机构提交各类报告（如监管报表、审计报告），这些报告需严格遵循复杂的监管规则和格式要求，人工处理耗时长且易出错。

风险预警与监控是合规风控的主动防御场景。企业需实时监控交易、运营等数据流中的异常模式，识别潜在合规风险。传统方法依赖固定规则引擎，难以应对新型风险模式，且缺乏实时响应能力。

数据治理与隐私保护是跨部门协作的复杂场景。企业需确保内部数据使用符合隐私法规（如GDPR、CCPA等），并实现跨部门、跨系统的数据安全共享。传统数据治理面临口径不一、权限管控复杂、审计追溯困难等挑战。

供应链合规与尽职调查是全球化企业的重要场景。企业需对供应商、合作伙伴进行合规性评估，确保其符合企业ESG政策和行业监管要求。传统方式依赖人工筛选和分析，效率低且难以覆盖全球供应链网络。

1.2 各场景的主要痛点

合同审核场景痛点：

•人工审核效率低下，海量合同逐条核查耗时长

•依赖法务人员经验，审核标准难以统一，结果差异明显

•云端审核系统存在涉密合同泄露风险

•条款遗漏风险高，事后发现问题导致修改成本增加

监管报送场景痛点：

•规则复杂且频繁更新，人工难以快速适应

•数据分散在多个系统中，整合困难且易出错

•报表生成周期长，难以满足监管时效要求

•缺乏自动化验证机制，易产生低级错误

风险预警场景痛点：

•依赖固定规则引擎，难以识别新型风险模式

•实时性不足，风险发现滞后于事件发生

•多源异构数据融合分析能力有限

•风险评估缺乏可解释性，难以满足监管要求

数据治理场景痛点：

•跨部门数据口径不一致，治理复杂度高

•数据安全要求严格，授权难度大

•业务需求多样化，难以建立统一数据服务

•操作过程缺乏完整审计日志，追溯困难

供应链合规场景痛点：

•全球供应商数据来源分散，整合困难

•合规标准复杂且地区差异大，人工审核成本高

•缺乏实时监控机制，难以应对突发事件

•合规评估结果难以量化，影响决策效率

二、AI Agent在合规风控场景中的业务价值

2.1 效率显著提升

自动化处理与前移审核是AI Agent提升效率的核心价值。通过将合规审核从流程末端前移至业务发起环节，AI Agent在合同起草、数据录入等早期阶段即可进行风险检测，大幅减少后期修改成本。

以某头部地产集团为例，部署AI Agent后，人工直接介入的审查工作量锐减80%，合同平均审批周期从10天缩短至3天，显著加速了项目启动与资金流转速度。在监管报送场景中，AI Agent可自动生成符合1104、EAST等格式的监管报表，人工耗时从数周缩短到小时级，处理效率提升数十倍。

多Agent协同与任务拆分进一步放大效率提升。通过构建分类Agent、风险识别Agent、谈判策略Agent等分工明确的协作机制，AI Agent能够避免单Agent处理多任务时的效率损耗，通过专业化训练提升各环节处理精度。

2.2 风险防控能力质变

规则+AI双重校验是AI Agent提升风险防控能力的关键机制。规则引擎处理明确的、结构化的规则，AI处理需要语义理解和业务判断的部分，两层叠加覆盖企业审核真实需求。

在监管报送场景中，AI Agent通过内置规则引擎确保所有决策"可追溯、可解释"，有效规避了潜在高额诉讼与合规处罚风险。在反洗钱（AML）场景中，AI Agent通过图计算+LLM技术实现资金链路穿透，误报率降低90%以上，显著提升了风险识别的精准度。

动态规则更新与实时监控使风险防控从被动转变为主动。AI Agent能够实时同步最新监管规则和行业标准，并根据业务数据变化动态调整风险评估模型，实现主动防御。

2.3 成本节约与资源优化

人力成本显著降低是AI Agent最直接的业务价值。通过自动化处理结构化任务，AI Agent大幅减少人工审核与修订沟通成本。以某大型集团财务审核为例，过去完全依赖人工的单据分类、识别与归档工作，现在有七成由AI Agent自动完成。

运维成本优化是规模化部署后的长期价值。统一平台替代分散部署，100余个AI助手管理起来如同管理一个系统，升级更新一次完成，无需逐台维护。同时，知识资产持续积累，专家经验固化为可复用知识库，新人培养周期从月缩短到天，组织核心能力不再因人员流动而流失。

隐性成本规避是AI Agent的隐性价值。通过提升合规准确率，AI Agent有效避免因合规问题导致的罚款、诉讼费用等隐性成本。在合同风险防控中，系统运行至今，重大风险条款漏检率为零，有效规避了潜在高额诉讼与合规处罚。

三、合规风控AI Agent的系统架构设计

3.1 技术基础架构

边缘计算与本地部署是合规风控AI Agent的基础架构选择。针对高敏感度场景，AI Agent采用边缘AI算力终端本地部署运行，支持全国产CPU和GPU方案，具备高算力、高安全、高配置、高性能等特点，可广泛应用于政企办公、智慧工厂、车路协同等AI场景，确保数据不出内网。

多Agent协作框架是复杂合规风控的核心架构。采用任务调度中枢实现分工（如分类/风险识别/谈判策略Agent），结合规则引擎与大模型推理，支持多跳推理和流程编排。例如，通过"全仓库语义理解→多Agent并行委托→沙箱灰度验证"三步打通策略，实现从单功能到全系统的逐步升级。

本体与知识图谱是语义理解与规则固化的技术支撑。通过本体技术统一业务语义（如信贷、保险中的字段定义），固化企业规则为不可绕过的逻辑公理，形成独立于大模型的"逻辑脑"，确保AI输出符合企业内控要求。

3.2 数据安全与隐私保护机制

隐私计算技术是合规风控AI Agent的数据安全基石。采用联邦学习、多方安全计算（MPC）和可信执行环境（TEE）等技术，实现数据"可用不可见"。如隐私计算一体机通过TEE+区块链技术实现计算过程加密与存证，满足金融行业对数据流通的合规审计要求，相比传统联邦学习提高30-50倍计算性能。

内网数据隔离与加密传输是涉密信息保护的关键措施。合规风控AI Agent全程在内网运行，支持文档处理和数据传输全程加密，操作日志不可篡改，确保涉密合同、商务报价、核心合作条款等敏感信息不外传至第三方服务器。

敏感信息自动拦截是合规审核的前置防线。AI Agent具备自动识别并屏蔽合同、财务文件中的敏感内容能力，如在监管报送场景中自动过滤不符合披露要求的敏感信息。

3.3 权限控制与操作审计体系

细粒度权限分层是合规执行的基础保障。建立R1/R2/R3三级风险管控体系，实现读/查/改分级授权，确保AI操作永不越权。权限管控从字段级、任务级到角色级，形成多层级权限体系。

沙箱环境与全链路审计是风险隔离与追溯的关键机制。所有AI操作在沙箱中执行，记录完整调用链路，支持全流程追溯。通过对象级权限管控与全链路审计能力，实现数据来源可审计、权限规则不可绕、调用链路可追溯，确保AI在合规边界内执行。

**可信执行环境（TEE）**是合规计算的硬件保障。通过可信执行环境（如SGX）隔离AI计算过程，确保即使在存在恶意软件的环境中，AIAgent也能安全执行合规任务，防止恶意攻击与权限绕过。

7×24小时数字员工是持续监控的执行主体。将各部门专家的实战经验与标准操作流程固化为可复用技能，打造7×24小时在线的数字员工团队，新员工入职无需经历漫长培训周期，而是"装配AI技能"直接上岗，大幅缩短新员工培养时间。

3.4 可信智能体架构设计

可信智能体架构由文档、数据、规则、流程与人机协同共同构成，使AI在不同行业与场景中被低成本复用，加速产业化落地。例如：

•文档处理自动化产品支持全球50余种语言的精准识别，可智能处理多语言混排、嵌套表格等高难度版式，是业务判断的"可信输入层"

•商业数据智能决策AI产品依托高质量商业大数据，执行主体核验、风险扫描与关联关系识别等步骤，让AI判断有"事实"可依

•各能力以API、Skill、Agent等形式按需嵌入业务入口，保持可管、可控、可留痕

可信语义层是AI Agent理解业务规则的关键桥梁。通过构建标准化语义层，实现产品、客户等核心概念在不同业务线对应唯一的物理表与字段，从根源消除歧义。同时，将行内授信规则、风控标准固化为不可绕过的逻辑公理，形成独立于大模型的"逻辑脑"，确保AI输出符合企业内控要求。

四、AI Agent与企业现有业务流程的整合方式

4.1 流程前移与API嵌入

审核前移是AI Agent与业务流程整合的核心理念。将合规审核从流程末端前移至业务发起环节，通过API嵌入文档编辑工具、业务系统等入口，实现"边做边审"。例如：

•合同智能助理覆盖智能起草、预审、审核、比对的全业务链路，把审查从事后把关变成全程校验

•业务人员在起草阶段就能看到哪些条款偏离企业标准，需要特别关注

•合同在提交审批前，AI先做一轮自动审查，标出条款完整性、金额准确性等问题

API网关与标准化接口是技术整合的基础。构建统一的API网关，为AI Agent提供标准化接口访问企业核心系统（如ERP、CRM、财务系统）。通过RESTful、gRPC等标准化协议实现Agent与异构系统的对接，降低集成复杂度。

4.2 多Agent协同与任务分配

中心化调度+分布式执行是复杂业务流程的协同架构。通过Master调度Agent接收用户指令，基于需求内容拆分任务队列，分配数据拉取、实体匹配、链路建模、风险识别等子任务，维护全系统任务优先级与会话记忆。

角色分工与专业训练是提升处理精度的关键。各Agent通过统一的任务调度中枢实现信息互通，如分类Agent输出的合同类型标签会直接触发风险识别Agent加载对应行业的风险规则库，谈判策略Agent生成的话术建议同步至修订Agent作为条款调整参考。这种分工模式使各Agent能够专注于特定任务，通过专业化训练提升处理精度。

跨系统数据融合与处理是打破数据孤岛的技术路径。AI Agent通过API连接器（如PostgreSQL、SAP、Salesforce）实现多系统数据整合，支持动态更新数据流。同时，结合文档解析组件处理非结构化数据，如合同文件、发票单据等，实现结构化与非结构化数据的融合处理。

4.3 闭环管理与PDCA循环

全流程闭环设计是合规风控的核心要求。AI Agent不仅提供风险识别能力，还参与整改建议输出、自动执行修正等环节，形成"识别-分析-建议-执行-验证"的完整闭环。例如：

•合规智检Agent整合合同起草、条款核验、整改建议输出全功能，支持一键启用、本地私有化部署

•智能体在完成各类单证解析的同时，同步执行企业主体风险核查，支撑合规业务高效运转

PDCA循环式管理是合规检查的有效机制。通过"计划-执行-检查-改进"循环，构建标准化检查闭环。AI Agent负责自动化执行检查任务，记录检查结果，触发整改流程，并持续优化检查策略。例如：

•内部检查实行"年度+临时"双轨立项，按季汇总检查、整改、问责情况

•外部检查在3日内报备合规部门汇总，在外部检查结束后统一向管理层报告整体情况

•检查情况在合规管理系统中登记，由合规部门核查，加强对问题整改问责的监督

异常处理与自修正机制是闭环管理的关键环节。当AI Agent发现规则冲突或数据异常时，自动触发人工复核流程，同时将处理结果沉淀为知识库反哺模型，实现持续优化。例如：

•AI巡检功能实现敏感信息、重复内容、有效性及冲突检测的自动化

•结论自动入库沉淀，形成可复用的专家经验资产

•建立每条SQL可回溯机制，赋能业务人员自助决策

4.4 RPA+AI的执行闭环

RPA弥补执行短板是AI Agent落地的关键技术组合。针对需要界面操作的合规任务，AI Agent与RPA结合，将业务人员的操作过程直接转化成可自动化运行的流程逻辑，实现"理解-判断-生成-执行"的完整闭环。例如：

•浏览器操作全程可见、可控、可追踪

•AI在理解、判断、生成、决策节点提供智能支持

•通过技能中心按需配置合规风控Agent

人机协同机制是复杂决策的有效保障。在高风险、高复杂度决策场景中，AI Agent提供多专家协同工作模式，各专家Agent结论自动总结，冲突点标红突出，人工仅需处理冲突事项，实现"AI辅助+人工决策"的协同模式。例如：

•核保、理赔、精算、法务等专家Agent7×24小时在线协同

•人机协同机制确保关键决策由人类专家最终确认

•建立结论可追溯体系，引用材料精准标记

五、典型落地案例与实施路径分析

5.1 合规智检场景案例

在合同审核场景中，AI Agent通过本体技术+隐私计算构建可信用数底座，实现合同条款精准匹配法律法规、行业规范与内部管控体系。系统以《民法典》合同编为核心准则，辅以《劳动合同法》《公司法》《招标投标法》等配套法律条文，还可结合各行业监管条例、企业内控规章定制专属知识库，搭建"国家法规标准+企业内部管控细则"双重校验框架。

实施路径：

1.规则库构建：梳理企业合规规则，建立标准化规则库

2.知识图谱构建：构建法律条文与企业规则的知识图谱

3.模型微调：基于通用大模型进行合规领域的垂直微调

4.Agent开发：开发合同审核Agent，集成文档解析、风险识别、整改建议等功能

5.系统集成：与企业OA、合同管理系统集成，实现全流程闭环

实施效果：

•审阅效率飞跃：人工直接介入的审查工作量锐减80%

•风险管控质变：重大风险条款漏检率为零，有效规避潜在高额诉讼与合规处罚

•流程周期压缩：合同平均审批周期从10天缩短至3天

•协作效能提升：合同文本跨部门一次性通过率从不足5%跃升至60%以上

5.2 监管报送场景案例

在金融监管报送场景中，AI Agent通过RPA+大模型双引擎架构，将业务人员的操作过程直接转化成可自动化运行的流程逻辑，实现监管报表的自动化生成与校验。系统能够自主核对数据口径是否符合最新监管要求，具备异常自感知、自校正的闭环能力。

实施路径：

1.业务流程梳理：梳理监管报送业务流程，识别关键节点

2.规则引擎构建：将监管规则转化为可执行的规则引擎

3.数据源整合：整合多系统数据源，构建统一数据视图

4.Agent开发：开发监管报送Agent，集成数据抽取、报表生成、规则校验等功能

5.系统部署：采用私有化部署，确保数据安全与合规

实施效果：

•自动抽取数据生成监管报表，人工耗时从数周缩短到小时级

•100%符合规范，数据差错率降至近乎为零

•每日自动执行跨系统账户对账、交易流水核对

•年处理能力提升数十倍，全程留痕审计

5.3 资金链路分析场景案例

在反洗钱（AML）场景中，AI Agent通过图计算+LLM+多智能体协同思想构建资金链路分析系统，从"补函数"到"读全仓"实现技术跨越，真正解决传统资金风控系统瓶颈。

实施路径：

1.数据源接入：整合银行交易流水、工商股权/涉诉数据、票据/发票/OCR单据、第三方支付明细等多源异构数据

2.多Agent架构设计：构建数据预处理Agent、OCR结构化Agent、实体关联Agent、链路构建Agent、规则风控Agent、LLM语义研判Agent、报告生成Agent等子Agent集群

3.图引擎部署：采用Nebula/Neo4j图数据库构建资金链路图谱

4.异常研判模型开发：开发基于时序分析和语义理解的异常研判模型

5.知识库工程化：构建合规知识库，支持持续学习与优化

6.生产部署：通过API网关与业务系统集成，实现全链路闭环

实施效果：

•多层空壳公司+个人账户中转资金链路自动解析，3层以上链路人工梳理单日仅能完成数笔核查的问题得到解决

•规则泛化能力显著提升，能应对新型资金套现、多层过桥链路等复杂模式

•非结构化信息自动解析，如转账备注、合同、纸质回单、发票等非结构化数据的自动化分析

•风险误报率显著降低，从传统系统的95%以上降至5%以下，大幅减少合规部门资源浪费

六、合规风控AI Agent落地实施建议

6.1 分阶段部署路径

从简单场景到复杂场景的渐进式部署是降低实施风险的有效策略。建议企业遵循"单功能→模块→全系统"的逐步升级路径，优先选择标准化程度高、规则清晰的场景切入，小步快跑验证价值后再推广。例如：

•第一阶段：从合同审核、监管报送等规则明确的场景开始

•第二阶段：扩展至风险预警、操作审计等需要一定判断的场景

•第三阶段：覆盖全流程闭环管理，如供应链合规、客户尽调等复杂场景

试点验证与效果评估是确保规模化落地的关键步骤。建议在初期选择小规模业务单元进行试点，通过PDCA循环持续优化，建立量化评估指标（如处理效率提升率、风险漏检率、人工介入比例等），验证AI Agent的实际价值后再全面推广。

6.2 跨部门协作机制构建

业务专家+IT团队+厂商顾问的联合团队是确保AI Agent落地成功的核心保障。建议组建由业务专家、IT团队和厂商顾问组成的联合团队，共同参与场景构建、业务积累和场景选型等环节。

知识体系整合与沉淀是Agent能力持续优化的基础。将行业通用知识库、企业内部操作规程、厂商沉淀的流程资产整合成专属知识体系，通过"AI巡检→结论总结→冲突标记→人工复核→经验沉淀"的闭环机制，实现知识资产的持续积累与优化。

角色权限与责任划分是确保合规执行的关键。明确各Agent的职责边界，建立责任追溯机制，确保每个决策都有明确的责任人和决策依据。同时，建立风险与危机事件问责机制，对风险事件的责任进行界定和追究，确保责任可追溯、教训可汲取。

6.3 合规架构设计原则

数据不出内网原则是合规风控AI Agent的基础安全要求。建议采用私有化部署方案，确保所有数据处理在企业内网完成，通过API网关与外部系统交互，但确保敏感数据不外传。

权限控制不可绕过原则是确保合规执行的关键保障。将企业内控规则固化为不可绕过的逻辑公理，形成独立于大模型的"逻辑脑"。权限管控从字段级、任务级到角色级，建立R1/R2/R3三级风险管控体系，实现读/查/改分级授权，确保AI操作永不越权。

操作留痕与审计追踪原则是合规审计的必备条件。确保所有AI操作都记录完整日志，包括输入、输出、中间状态和决策依据，支持全流程追溯。通过区块链技术实现操作日志的不可篡改存证，满足监管审计要求。

安全沙箱与隔离执行原则是防止恶意攻击的技术保障。所有AI操作在安全沙箱环境中执行，限制其对本地和远程资源的访问权限，防止恶意攻击和数据泄露。通过Docker容器化和访问白名单/黑名单机制，实现对AI Agent的精细化控制。

6.4 知识资产持续管理

知识库持续更新与优化是确保AI Agent能力持续提升的关键。建议建立知识库定期更新机制，将最新法规、企业内控要求和业务实践不断融入知识库，保持Agent的合规判断能力与时俱进。

专家经验数字化与复用是降低人力成本的有效途径。将法务、合规、风控等专家的经验固化为Agent技能，实现"7×24小时数字员工"服务，新员工无需经历漫长培训周期，而是"装配AI技能"直接上岗，大幅缩短新员工培养时间，实现组织核心能力的可持续传承。

合规案例库建设与复用是提升处理效率的有效手段。构建企业合规案例库，记录历史合规问题、处理方式和决策结果，为AI Agent提供丰富的训练数据和参考案例，提升其处理复杂合规问题的能力。

6.5 长期价值创造路径

从工具到平台的演进是AI Agent规模化落地的必由之路。初期可从单点工具开始，逐步构建统一的AI Agent平台，实现多场景Agent的统一管理、调度和优化，降低运维成本，提高系统稳定性。

从被动防御到主动规划是合规风控能力的质变。AI Agent不仅能够识别合规风险，还能基于外部市场数据、司法动态与企业历史履约数据，预测潜在纠纷概率及关键风险点，在合同生命周期内主动推送动态优化建议，使合规管理从静态文档进化为动态风险护盾。

从单点优化到全局协同是企业合规风控体系的升级方向。打破部门壁垒，构建跨部门、跨系统的合规智能体协作网络，实现风险信息的全局共享与协同处置，提升企业整体合规风控能力。

从成本中心到价值创造是合规部门转型的战略目标。通过AI Agent的规模化应用，合规部门从单纯的"成本中心"转变为"风险防控+价值创造"的双重角色，通过主动风险防控降低企业损失，通过合规优化提升业务效率，为企业创造可持续的竞争优势。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】