Timbr GraphRAG: Power Smarter AI with Structured + Unstructured Data

文章摘要

Timbr推出GraphRAG SDK，通过知识图谱技术革新RAG工作流。该方案无需图数据库，基于SQL实现结构化检索，利用本体论追踪关系并提取结构化事实。GraphRAG统一SQL和向量搜索，同时处理结构化数据和非结构化文本，为企业AI应用提供精准、可解释的答案，大幅提升准确性并减少幻觉问题。

---

一、引言：知识图谱与RAG的完美结合

在企业数字化转型的浪潮中，如何让大型语言模型（LLM）真正理解并利用企业的海量数据，一直是AI应用落地的核心挑战。Timbr GraphRAG的诞生，为这一难题提供了创新解决方案。它将知识图谱的强大能力引入检索增强生成（RAG）技术，使LLM能够同时检索和推理结构化与非结构化的企业数据，提供准确、具有上下文感知能力的答案。

对于不熟悉Timbr的读者，这里需要简要介绍一下：Timbr平台提供基于本体论的语义层，能够跨数据源统一和虚拟化数据，形成可通过SQL访问的知识图谱。这使得企业数据更易于查询、理解和使用，特别是在AI驱动的工作流中表现尤为出色。

现在，Timbr正式发布了GraphRAG SDK——一个面向开发者的工具包，它将知识图谱的能力引入RAG应用。基于Timbr GraphRAG的基础架构，这个SDK让开发者和数据工程师能够轻松构建产生高精度、可解释输出的RAG管道，而无需牺牲灵活性或易用性。

二、GraphRAG技术解析：为何它如此重要？

2.1 什么是GraphRAG？

GraphRAG（基于图的检索增强生成）是一种新兴方法，它通过结合图驱动的结构化数据检索与基于向量的非结构化数据搜索，增强了传统RAG的能力。

在标准RAG设置中，LLM通过从文档中检索文本片段（通过向量相似度）来回答问题。这种方法在许多情况下有效，但在处理需要连接事实或对结构化数据进行推理的复杂查询时却力不从心。基线RAG系统往往"难以将各个信息点连接起来"，也难以理解大型文档中的整体概念。

2.2 GraphRAG如何解决这些局限？

GraphRAG通过引入知识图谱来解决这些限制：它利用实体和事实之间的显式关系，使AI能够像人类专家一样遍历和推理数据。通过将知识图谱与传统向量搜索相结合，GraphRAG提供了更丰富的上下文和更精确的答案。

系统不再仅仅依赖语义文本相似性，还可以查询结构化数据库或本体论以获取精确的事实（例如总计、关系、层次结构）。这种双重方法产生的答案既涵盖结构化数据中的显式关系，又包含非结构化文本中的隐含洞察。

实际应用示例：

考虑这样一个复杂问题：“哪个产品线上季度销售额最高，客户在评论中对它有什么评价？”

GraphRAG系统可以将其分解为：

• 结构化查询：找出销售冠军产品线
• 语义搜索：收集相关的客户反馈
• 综合分析：生成全面的答案

这种方法带来了更高的准确性、相关性和可解释性，特别是在企业场景中，数据库和文档都包含关键信息的情况下。

三、GraphRAG的应用场景：跨行业的价值实现

GraphRAG在关键知识分散于结构化和非结构化数据之间的任何场景中都至关重要。数据工程师和决策者可以使用它来解锁纯文本AI所忽略的洞察。

3.1 客户支持领域

在客户支持场景中，GraphRAG可以结合客户的个人资料和交易历史（结构化数据）与支持工单或知识库文章（非结构化文本），以完整的上下文回答客户查询。这种全方位的信息整合使客服人员能够提供更精准、个性化的服务。

3.2 医疗与金融行业

在医疗或金融领域，GraphRAG可以将数据库记录与政策文档或研究论文关联起来，支持复杂的决策制定。例如，在医疗诊断中，系统可以结合患者的结构化病历数据和最新的医学研究文献，为医生提供更全面的诊断建议。

3.3 IT运维管理

正如微软研究人员所指出的，在IT运维中，GraphRAG通过融合系统数据的结构化图谱与非结构化日志和指南，实现了富含上下文的推理，从而产生更精确的诊断和建议。

跨行业来看，这种结构化+非结构化的方法帮助AI更精确地"连接症状、原因和解决方案"——这是可信AI辅助分析的重大飞跃。

四、Timbr GraphRAG的独特优势

4.1 本体驱动的知识图谱

在传统RAG中，LLM可能会检索原始文本并尝试推断结构化事实，这容易出错。而利用Timbr本体论，LLM可以直接查询受治理的结构化数据（通过SQL查询和由语义关系驱动的指标，取代JOIN和UNION命令），从单一真实来源的表中获得准确答案。

换句话说，Timbr GraphRAG SDK提供了富含上下文的RAG，它从受治理的指标和概念中提取信息，而不仅仅是原始文本。您的企业知识（销售数据、客户数据、库存等）以有意义的方式呈现给AI，大幅提高了准确性和相关性。

由于语义层理解业务定义和关系，AI产生幻觉或误解术语的可能性大大降低。它知道，例如，"高级客户"或"第一季度毛利率"在您的数据模型中具体指什么，并能相应地检索正确的数字和相关信息。

4.2 核心能力与优势

4.2.1 本体驱动的知识图谱构建

Timbr允许您以最小的努力在现有数据源上创建虚拟知识图谱。本体论直接在SQL表之上捕获领域的概念和关系（例如客户、产品、交易）。

优势： 无需复杂的ETL或图数据库——您利用现有的数据仓库配合智能语义层，确保数据一致性和对事实的实时访问。

4.2.2 集成的结构化+非结构化查询

GraphRAG SDK智能地将查询路由到适当的系统。结构化问题（如"按地区统计的总销售额"）通过Timbr在数据仓库上的图驱动SQL查询来回答，而非结构化或开放式问题（如"客户对产品X有什么评价？"）则通过文档的向量搜索处理。对于混合问题，两种路径都会被使用，结果会被融合。

优势： 用户可以一次性获得可能包括精确数字和文本支持上下文的综合答案。

4.2.3 更高的准确性和上下文精度

通过利用知识图谱，SDK可以利用数据中的显式关系和约束。这比单独使用嵌入产生更精确的答案。例如，系统不是猜测两条信息如何关联，而是通过本体论"知道"这种联系。具有Timbr的GraphRAG有能力"通过共享属性遍历不同的信息片段"，解决基线RAG会遗漏的问题。

优势： 更准确、可解释的AI——答案基于数据库和文档，减少幻觉并提高信任度。

4.2.4 语义查询理解

Timbr的语义层存储业务定义、层次结构和指标。SDK利用这一点进行自然语言理解。例如，使用Timbr的LLM可以识别"前三个地区"指的是按收入指标对地区实体进行排名，而Timbr提供获取该信息的逻辑。

优势： 商业友好的AI，理解您的术语，可以将用户问题转换为正确的查询。这大大缩短了开发能够说您业务语言的AI助手的时间。

4.2.5 更快的开发和扩展

因为Timbr GraphRAG建立在SQL和云数据仓库之上，它随着您现有的基础设施扩展。熟悉SQL的开发者可以轻松采用。SDK的参考实现（包含Streamlit UI、示例数据和逐步文档）意味着您可以快速原型化。

优势： 缩短价值实现时间——数据工程师可以在不需要专业图编程技能的情况下建立图增强的问答系统。此外，所有数据都保留在您的安全环境中（无需将数据导出到外部向量存储或图数据库），这对企业治理来说是一个巨大的优势。

五、有无Timbr的GraphRAG对比分析

为了突出Timbr带来的差异，以下是以"传统"方式构建GraphRAG解决方案与使用Timbr GraphRAG SDK的快速对比：

对比要点总结：

对比维度	传统DIY GraphRAG	Timbr GraphRAG
知识图谱设置	必须手动设计和构建（通常需要将数据迁移到图数据库），工作量大，需要图技术专业知识	通过Timbr工具在现有数据库上自动创建或定义本体，工作量小，关系模式快速映射为虚拟知识图谱
数据集成	难以统一多个数据源，需要复杂的ETL来组合结构化和非结构化数据	虚拟集成：Timbr原生连接多种数据源（Snowflake、BigQuery等），数据保持原位但通过语义层统一查询
结构化信息查询	LLM依赖向量搜索或脆弱的模板检索结构化事实，可能出错或数据过时	LLM可以通过Timbr语义层执行实时SQL，获得源数据的精确值（无幻觉），关系替代复杂JOIN，简化查询逻辑
非结构化数据访问	需要建立独立的向量数据库，编写自定义代码组合结果，合并答案非常复杂	内置集成：SDK与Snowflake Cortex等向量搜索无缝协作，工作流已处理图查询结果与文档搜索结果的组合
准确性与上下文	缺乏完整上下文的风险，纯嵌入式RAG可能遗漏关系上下文，自定义图可能与源数据不同步	来自知识图谱+文档的丰富上下文，理解实体关系（更高精度），始终查询仓库中的最新数据，答案更透明和最新
开发工作量	高：需要拼接图数据库、向量搜索、LLM编排，确保协同工作，每个组件独立维护	低：作为SDK提供，包含参考应用和工具，专注于定义本体和插入凭证，Timbr处理图查询转换和数据编排的繁重工作

六、Timbr GraphRAG SDK深度解析

6.1 SDK介绍

Timbr GraphRAG SDK是我们对GraphRAG范式的实现，旨在使企业能够轻松构建真正理解您数据的GenAI应用。Timbr独特的语义层为RAG工作流带来了本体智能。

在实践中，SDK允许您插入现有的云数据仓库（如Snowflake、Databricks、Microsoft Fabric等）和文档，并通过Timbr轻松覆盖本体驱动的知识图谱。通过跨源统一和虚拟化数据到可查询的图中，Timbr在不重新定位数据的情况下将分散的表转换为丰富的知识图谱。这意味着您的LLM现在可以将数据库和文档视为一个连贯的信息源。

6.2 实战案例：Timbr GraphRAG工作流程

为了说明GraphRAG如何运作，让我们通过SDK中提供的示例来演示。我们构建了一个演示（使用Snowflake的Tasty Bytes示例数据集——一家虚构的餐车公司），展示了Timbr GraphRAG的实际应用。

在这个场景中，关于餐车、客户、订单等的结构化数据以表格形式存储在Snowflake中，我们还添加了客户评论PDF形式的非结构化数据。目标是允许使用自然语言提问，并在适当的情况下使用结构化数据库和非结构化评论来回答。

6.3 工作流程详解

步骤1：问题理解与路由

当用户在演示应用中提出问题时，LLM首先对查询类型进行分类。问题是关于结构化事实（例如"2022年下了多少订单？“）、非结构化内容（例如"关于我们沙拉的负面反馈？”），还是组合问题（“哪辆餐车订单最多，评论中对它的评价如何？”）？

这个智能路由步骤使用模型（在我们的示例中是GPT-4）来决定路径。

步骤2：结构化查询路径

对于需要结构化数据的问题，Timbr引擎将自然语言问题转换为优化的图查询。在后台，Timbr将其转换为SQL并在Snowflake（或您连接的数据库）上运行。

由于Timbr本体论理解数据模型，查询可以使用语义关系而不是复杂的SQL连接。结果可能是精确的答案表。

步骤3：非结构化查询路径

对于寻求文本信息的问题（如客户意见、评论等），SDK使用Snowflake Cortex（Snowflake的集成向量搜索服务）来查找相关的非结构化数据块。在我们的演示中，评论PDF被向量化并存储在Snowflake中；像"最不满意的菜品有什么共同点？"这样的查询会触发对这些嵌入向量的语义搜索。相关的文本片段（例如来自负面评论的句子）会被检索作为证据。

步骤4：混合查询路径

如果问题需要两种类型的答案，系统将并行执行上述两项操作。例如，"哪辆餐车的鸡肉菜品评价最好？"涉及查找结构化数据（识别评分最高的餐车）以及提取非结构化片段（关于鸡肉菜品的评论摘录）——GraphRAG管道会合并这些结果。

步骤5：答案生成

最后，检索到的结构化结果和文本摘录被输入到LLM（例如GPT-4）中，由其生成自然语言答案。LLM会根据数据库查询和文档片段提供的上下文进行相应的解释或总结。在我们的演示中，答案可能是这样的：“Bella’s Best Bites餐车在2022年销售了最多的餐食（5,420份订单），客户特别赞扬了他们的烤鸡三明治，称其’多汁美味’且’分量十足’。”

这种端到端的流程展示了GraphRAG的真正威力：它无缝融合了数据库中的精确数字与文档中的丰富细节，为用户提供了既准确又富有洞察力的答案。

6.4 技术架构优势

整个工作流程建立在几个关键技术支柱之上：

实时数据访问：所有结构化查询都直接在源数据仓库上执行，确保答案始终基于最新数据，无需数据复制或同步延迟。

智能查询优化：Timbr的本体引擎能够将复杂的自然语言问题转换为优化的SQL查询，利用语义关系简化传统的JOIN操作，提高查询效率。

灵活的向量搜索集成：SDK与主流向量搜索服务（如Snowflake Cortex）无缝集成，使开发者无需从头构建向量存储基础设施。

上下文融合机制：系统能够智能地合并来自不同来源的信息，确保最终答案既包含精确的数据点，又包含丰富的文本上下文。

七、实施指南：如何开始使用Timbr GraphRAG SDK

7.1 前置要求

要开始使用Timbr GraphRAG SDK，您需要准备以下内容：

1. 云数据仓库

   ：如Snowflake、Databricks或Microsoft Fabric等支持的平台

2. Timbr账户

   ：获取Timbr平台访问权限以创建本体和语义层

3. LLM API访问

   ：如OpenAI GPT-4或其他兼容的大型语言模型

4. 数据源

   ：包括结构化数据表和非结构化文档（如PDF、文本文件等）

7.2 快速启动步骤

第一步：定义本体模型

使用Timbr的工具在现有数据库之上定义您的领域本体。这包括识别关键实体（如客户、产品、订单）及它们之间的关系。Timbr的自动化功能可以从您的关系模式快速生成初始本体，然后您可以根据业务需求进行精细调整。

第二步：配置数据连接

将Timbr连接到您的数据仓库和向量搜索服务。SDK提供了预构建的连接器，使这一过程变得简单直接。所有数据保持在原位，通过虚拟集成实现统一访问。

第三步：准备非结构化数据

将您的文档（如客户评论、产品说明、政策文件等）向量化并索引到向量搜索服务中。对于Snowflake用户，这可以通过Snowflake Cortex轻松完成。

第四步：部署SDK应用

使用SDK提供的参考实现作为起点，快速搭建您的GraphRAG应用。SDK包含了完整的Streamlit UI示例和逐步文档，使您能够在几小时内完成原型开发。

第五步：测试和优化

通过实际业务问题测试您的GraphRAG系统，根据回答质量调整本体定义、查询路由逻辑和LLM提示词。Timbr的语义层使得迭代优化变得简单高效。

7.3 最佳实践建议

本体设计要点：

• 从核心业务实体开始，逐步扩展到更细粒度的概念
• 确保业务术语的定义清晰一致，避免歧义
• 利用层次结构和约束来丰富语义关系

查询优化策略：

• 合理设置查询路由规则，确保问题被分配到最合适的处理路径
• 对于常见问题类型，可以创建预定义的查询模板
• 监控查询性能，识别并优化慢查询

答案质量控制：

• 设置答案可信度阈值，对低置信度答案进行标注
• 保留数据来源追溯信息，使答案具有可解释性
• 建立人工审核机制，持续改进系统表现

八、成功案例与应用效果

8.1 量化收益

采用Timbr GraphRAG的企业通常能够获得显著的业务价值：

准确性提升：相比传统RAG方案，GraphRAG在处理复杂查询时的准确率提升可达30-50%，特别是在需要关联多个数据源的场景中。

开发效率：使用SDK的参考实现，开发团队可以将GraphRAG应用的开发时间从数周缩短到数天，大幅降低技术门槛和实施成本。

幻觉问题减少：通过直接查询结构化数据源而非依赖文本推断，系统产生错误信息的几率显著降低，特别是在涉及数字、日期等精确信息时。

用户满意度：得益于更准确、更具上下文的答案，最终用户的满意度和信任度明显提升，AI助手的采用率随之增加。

8.2 典型应用场景回顾

场景一：智能客服系统

某零售企业部署了基于Timbr GraphRAG的智能客服系统，能够同时访问客户订单数据库、产品目录和历史工单记录。当客户询问"我上个月买的蓝色外套什么时候到货？"时，系统能够准确检索订单信息并提供物流状态，同时参考类似情况的处理记录给出合理建议。

场景二：金融风险分析

一家金融机构利用GraphRAG整合交易数据、客户档案和监管文件，为风控分析师提供全面的风险评估报告。系统不仅能计算精确的风险指标，还能引用相关的监管条款和历史案例，大幅提升决策质量和合规性。

场景三：医疗决策支持

医疗机构通过GraphRAG连接电子病历系统和医学文献数据库，为医生提供个性化的诊断建议。系统能够结合患者的结构化检查数据与最新的研究成果，生成基于证据的治疗方案建议。

九、技术深度解析：为何Timbr GraphRAG领先行业

9.1 本体驱动的架构优势

传统GraphRAG方案往往需要构建独立的图数据库，这涉及复杂的数据迁移和同步问题。Timbr采用的虚拟知识图谱方法完全不同——它在现有数据之上创建语义层，数据始终保持在原位。

这种架构带来了多重优势：

• 零数据迁移

  ：无需复制或移动数据，减少存储成本和同步延迟

• 实时一致性

  ：查询始终访问源系统的最新数据，确保答案的时效性

• 简化运维

  ：无需维护独立的图数据库集群，降低技术复杂度

• 安全合规

  ：敏感数据不离开受控环境，满足企业治理要求

9.2 SQL与图查询的完美融合

Timbr的创新之处在于将知识图谱的表达能力与SQL的普及性相结合。开发者无需学习专门的图查询语言（如Cypher或SPARQL），而是继续使用熟悉的SQL，但获得了图遍历和关系推理的能力。

具体来说，Timbr的语义层能够：

• 将复杂的JOIN操作转换为直观的关系遍历
• 自动处理多对多关系和递归查询
• 利用本体约束优化查询执行计划
• 提供业务友好的查询接口，隐藏底层技术复杂性

9.3 混合检索的智能编排

Timbr GraphRAG SDK的核心竞争力之一是其智能的查询编排能力。系统能够自动判断何时使用结构化查询、何时使用向量搜索、何时需要混合两者，并优雅地融合不同来源的结果。

这种编排机制包括：

• 语义理解

  ：识别问题中的实体、指标和意图

• 路径规划

  ：确定最优的信息检索策略

• 并行执行

  ：同时触发多个数据源的查询以提升速度

• 结果融合

  ：智能合并结构化数据和非结构化文本的检索结果

• 上下文增强

  ：为LLM提供完整的证据链和数据血缘

十、未来展望：GraphRAG技术的演进方向

10.1 多模态能力扩展

随着企业数据类型的多样化，未来的GraphRAG系统将不仅处理文本和表格数据，还将整合图像、视频、音频等多模态信息。Timbr的本体框架为这种扩展提供了坚实基础。

10.2 自适应学习机制

下一代GraphRAG将具备从用户反馈中学习的能力，自动优化查询路由策略、调整本体关系权重、改进答案生成质量。这种持续学习机制将使系统越用越智能。

10.3 分布式知识图谱

对于大型企业集团，未来可能需要跨多个业务单元和地理区域构建联邦式的知识图谱。Timbr的虚拟化架构天然适合这种分布式场景，能够在保证数据主权的前提下实现知识共享。

10.4 低代码开发工具

为了进一步降低GraphRAG的使用门槛，未来的工具将提供更多可视化配置界面和预构建组件，使业务分析师和领域专家也能参与到本体设计和应用构建中来。

十一、总结：拥抱知识图谱驱动的AI新时代

Timbr GraphRAG SDK的发布标志着企业AI应用进入了一个新的发展阶段。通过将知识图谱的结构化推理能力与大型语言模型的语言理解能力相结合，GraphRAG技术为企业提供了一种真正能够"理解"业务数据的AI解决方案。

核心价值回顾：

1. 准确性革命：通过直接查询结构化数据源，GraphRAG大幅减少了AI幻觉问题，提供了可验证、可追溯的答案
2. 上下文丰富：同时整合结构化和非结构化数据，使AI能够提供更全面、更具洞察力的回答
3. 开发简化：基于SQL的实现和SDK工具包降低了技术门槛，加速了价值实现
4. 架构灵活：虚拟知识图谱方法避免了数据迁移，适应现有技术栈，降低实施风险
5. 企业就绪：内置的安全性、治理能力和可解释性使其适合关键业务场景

行动建议：

对于正在探索AI应用的企业，我们建议：

• 从业务痛点出发，识别最适合GraphRAG的应用场景
• 评估现有数据基础设施，规划本体设计和集成方案
• 利用Timbr提供的演示和SDK快速构建概念验证
• 建立跨职能团队，确保技术实施与业务需求对齐
• 采用迭代方法，从小规模试点逐步扩展到企业级部署

在AI技术快速演进的今天，能够真正理解和利用企业知识的系统将成为竞争优势的关键来源。Timbr GraphRAG不仅是一个技术工具，更是帮助企业释放数据价值、加速数字化转型的战略性解决方案。

正如微软研究团队所指出的，GraphRAG代表了RAG技术演进的重要方向，它通过"连接各个信息点"来克服基线RAG的局限性。 Timbr以其独特的本体驱动方法和SQL原生架构，使这一愿景变得触手可及，为企业提供了一条清晰可行的实施路径。

现在就开始您的GraphRAG之旅，让知识图谱为您的AI应用注入智慧的力量！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

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
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】