大模型时代的向量数据库（已完结）

课程介绍

大模型时代的向量数据库视频教程。课程旨在帮助技术从业者和企业理解向量数据库在降低大模型训练成本、加速定制化过程中的关键作用。通过学习，学员将掌握向量数据库的核心技术，了解其在产业界的广泛应用和最佳实践，学习如何利用向量数据库构建企业知识库，以及如何紧跟技术发展潮流，把握向量数据库的未来发展趋势，为迈入大模型时代打下坚实基础。

试看链接 https://pan.baidu.com/s/1l-3IfQHQHNaET5661Her8Q?pwd=untf

相关推荐

极客时间大模型RAG进阶实战营

黑马AI大模型应用开发训练营第二期

极客时间-AI大模型应用开发实战营（完结）

资源目录

├── 第1章 大语言模型知识能力获取与知识问答实践/
│   ├── [ 36M] 1-1【张奇】大语言模型知识获取
│   ├── [ 47M] 1-2【张奇】大语言模型中的语言和知识分区
│   └── [ 12M] 1-3【张奇】大语言模型实践性思考
├── 第2章 从混乱到秩序—揭秘生成式搜索背后的概率/
│   ├── [5.1M] 2-1【栾小凡】从混乱到秩序-揭秘生成式搜索背后的概率
│   ├── [ 14M] 2-2【栾小凡】概率，信息检索的基石
│   ├── [ 39M] 2-3【栾小凡】从统计模型到深度学习模型
│   ├── [ 32M] 2-4【栾小凡】Milvus，向量数据库不知与稠密向量
│   └── [ 41M] 2-5【栾小凡】向量数据库的未来
├── 第3章 腾讯云向量数据库的技术创新与最佳实践/
│   ├── [9.0M] 3-1【伍旭飞】向量检索的基本介绍
│   ├── [8.6M] 3-2【伍旭飞】大模型时代的向量数据库定位
│   ├── [ 28M] 3-3【伍旭飞】腾讯云VectorDB架构
│   ├── [9.5M] 3-4【伍旭飞】腾讯云VectorDB的AINative能力
│   └── [ 25M] 3-5【伍旭飞】向量数据库未来的挑战
├── 第4章 阿里云向量检索增强大模型对话系统最佳实践/
│   ├── [ 20M] 4-1【施晨】大模型时代，为什么需要向量检索？
│   ├── [ 21M] 4-2【施晨】如何用向量检索“增强”大模型
│   ├── [ 15M] 4-3【施晨】向量数据库构建
│   ├── [6.3M] 4-4【施晨】大模型对话交互
│   ├── [2.7M] 4-5【施晨】落地案例与Demo
│   └── [ 15M] 4-6【施晨】一些思考
├── 第5章 百度智能云BES在大规模向量检索场景的探索实践/
│   ├── [ 10M] 5-1【刘轩】向量数据库应用概述
│   ├── [ 50M] 5-2【刘轩】百度BES工程实践
│   ├── [4.0M] 5-3【刘轩】百度BES向量检索示例
│   └── [ 12M] 5-4【刘轩】百度BES向量数据库应用案例介绍
├── 第6章 火山引擎向量数据库VikingDB技术演进及应用/
│   ├── [7.1M] 6-1【高丽萍】火山引擎向量数据库VikingDB生产的背景
│   ├── [ 33M] 6-2【高丽萍】VikingDB技术演进
│   └── [ 19M] 6-3【高丽萍】在大模型场景的应用及展望
├── 第7章 DingoDB多模向量数据库：大模型时代的数据引擎/
│   ├── [ 17M] 7-1【焦悦光】DingoDB简介
│   ├── [ 15M] 7-2【焦悦光】DingoDB技术架构与优势
│   └── [ 14M] 7-3【焦悦光】DingoDB与大模型的最佳应用实践
├── 第8章 搜索增强型（RAG）AI原生向量数据库 AwaDB 技术创新与实践/
│   ├── [ 13M] 8-1【李洁】AwaDB背景及特点介绍
│   ├── [2.6M] 8-2【李洁】AwaDB整体架构
│   ├── [ 15M] 8-3【李洁】AwaDB核心能力介绍
│   ├── [9.4M] 8-4【李洁】AwaDB技术创新点
│   ├── [1.6M] 8-5【李洁】AwaDB实操指南
│   ├── [1.5M] 8-6【李洁】结合RAG的最新实践
│   └── [ 26M] 8-7【李洁】QA
├── 第9章 GTE：预训练语言模型驱动的文本 Embedding/
│   ├── [ 15M] 9-1【龙定坤】Embedding模型背景介绍
│   ├── [ 17M] 9-2【龙定坤】RAG范式下的EmbeddingModel
│   └── [ 77M] 9-3【龙定坤】GTEEmbeddingModel
├── 第10章 jina-embeddings-v2： 打破向量模型 512 长度限制的新思路/
│   ├── [ 48M] 10-1【王楠】文本的向量表示
│   ├── [ 18M] 10-2【王楠】RAG应用与向量模型的长度限制
│   ├── [ 34M] 10-3【王楠】jina-embeddings-v2（1）
│   └── [ 47M] 10-4【王楠】jina-embeddings-v2（2）
├── 第11章 圆桌：大模型时代向量数据库新未来/
│   ├── [ 36M] 11-1【圆桌讨论】大模型时代向量数据库新未来（1）
│   ├── [ 54M] 11-2【圆桌讨论】大模型时代向量数据库新未来（2）
│   └── [ 46M] 11-3【圆桌讨论】大模型时代向量数据库新未来（3）
├── 第12章 向量数据库在金融大模型的落地中的挑战与思考/
│   ├── [ 11M] 12-1【谭力鸣】金融大模型的定位与愿景
│   ├── [9.7M] 12-2【谭力鸣】金融大模型与知识库
│   ├── [ 63M] 12-3【谭力鸣】落地与产品实践
│   └── [ 12M] 12-4【谭力鸣】未来展望
├── 第13章 利用向量数据库搭建企业知识库的优化实践/
│   ├── [6.8M] 13-1【姜勇】建设企业知识库目前的困境
│   ├── [ 12M] 13-2【姜勇】知识管理新方式：向量数据库
│   ├── [ 41M] 13-3【姜勇】如何提高数据召回的准确率
│   └── [ 21M] 13-4【姜勇】未来企业知识库展望
├── 第14章 使用向量数据库快速构建本地轻量图片搜索引擎/
│   ├── [9.8M] 14-1【苏洋】场景简述&简明原理
│   ├── [ 21M] 14-2【苏洋】技术选型的可选选项
│   ├── [9.8M] 14-3【苏洋】实现三步走
│   └── [ 11M] 14-4【苏洋】能力验证
└── 第15章 向量数据库在大模型时代的应用/
├── [ 53M] 15-1【章平】向量数据库在大模型时代的应用（1）
└── [ 50M] 15-2【章平】向量数据库在大模型时代的应用（2）