课程学习心得

近期参与课程学习，深入接触开源大模型、RAG、微调、Agent应用内容，收获颇丰，现将学习心得与实践体会整理如下。
开源大模型构建起开放协作的技术生态。课程中了解到沐曦参与的开源项目，以及开源活动对技术传播的推动，让我认识到开源模式打破技术壁垒，使更多开发者能接触先进模型。代码共享加速开发进程，社区交流促进思路碰撞，为技术创新提供沃土。但同时，也明晰开源存在漏洞等风险，使用时需平衡效率与安全，这是拥抱开源生态需重视的课题。RAG（检索增强生成）为解决大模型固有问题提供有效路径。学习其核心流程，从Embedding模型内容向量化，到向量数据库存储、知识召回，理解到它通过外接知识源，可缓解LLM幻觉、知识过时问题，虽无法直接提升推理性能，却为知识密集型任务输出可靠结果提供保障，是拓展大模型实用性的重要方向。模型微调是实现个性化定制的关键环节。课程讲解参数调整方法，让我知晓可基于已有大模型，针对特定任务优化。明白合理微调能让模型在专业领域表现更优，同时也需警惕过拟合风险，把控数据量与调整幅度，这是一个需要精准权衡、积累经验的过程，关乎模型能否适配具体应用场景。Agent应用将大模型能力融入任务流程。通过Lilian框架，了解Memory组件存储长期信息、Planner规划行动序列等分工，认识到其构建起智能协作雏形。多工具Agent工作流里，MCP服务器的调度作用，展现出Agent在复杂任务中协调资源的潜力，为未来自动化工作、智能交互场景提供新想象空间。API调用是连接大模型与实际应用的桥梁，学习了如何通过稳定、高效的API设计与调用，实现不同数据模态的快速融合与处理，对接不同平台 API（如Gitee 智算），明白掌握规则就能快速整合模型能力到应用中，是拓展开发边界、实现技术落地的关键环节。
本次课程涵盖的内容，从模型底层应用到上层拓展，构建了完整的大模型应用知识体系。通过实践，我掌握了多种工具和方法，也发现自身在复杂场景整合、深度优化模型等方面的不足。未来，会继续深耕这些内容，尝试更复杂的项目，比如结合多Agent与RAG构建智能问答系统，让所学知识真正转化为实用技能，在大模型应用领域持续探索前行。