• 掌握 Python 语言基础，包括语法、数据类型、运算符、输入输出函数等核心内容。
• 熟练运用 PyCharm 开发工具，掌握其安装、设置及调试相关操作。
• 精通 Python 中分支、循环结构以及各类数据结构（字符串、列表、字典、元组等）的操作与运用。
• 深入理解面向对象编程，涵盖类和对象、封装、继承、多态及设计模式等方面知识。
• 具备 Python 文件操作、异常处理以及模块制作、安装与使用的能力。
• 了解 Python 的高级特性，像深拷贝、浅拷贝、生成器、迭代器、闭包、装饰器等内容。
• 掌握 Python 进程与线程相关概念及操作，包括并发、通信、互斥锁等要点。
• 熟悉 Python 网络编程以及正则表达式相关知识，用于对应场景的实践应用。
• 掌握链表、栈、队列的基本操作及应用。
• 熟练运用快速排序、二分查找等算法。
• 解决数组、字符串、查找等各类问题。
• 掌握递归、动态规划、贪心、回溯等算法思想及应用。

Python核心

• 1、Python入门：Python发展史、Python应用场景、Python开发环境搭建
• 2、PyCharm：PyCharm的安装、设置字体、设置快捷键、PyCharm常用设置、调试
• 3、Python基础知识：注释、变量以及数据类型、标识符和关键字、输入函数、输出函数、运算符、程序类型转换
• 4、分支和循环：if判断语句、运算符、if-else语句、while循环、for循环、break、continue
• 5、字符串和列表：字符串输入、字符串输出、下标和切片、字符串常见函数、列表(list)、列表的循环遍历、列表的增删改查、列表的嵌套、列表的切片
• 6、字典和元组：字典的增删改查、字典遍历、访问元组、修改元组、集合（set）
• 7、函数：函数定义、函数的类型、函数参数、函数返回值、函数嵌套、局部变量、全局变量、递归函数、匿名函数
• 8、文件操作：文件的打开与关闭、文件的读写、文件读写应用
• 9、面向对象（类和对象）：定义类、类的构成、类的__init__()方法、创建对象、理解self
• 10、面向对象（封装、继承、多态）：封装、私有方法、私有属性、__del__()方法、继承、多继承、多态、类属性、实例属性、静态方法和类方法
• 11、面向对象（设计模式）：单例模式、工厂模式、__new__方法
• 12、综合案例：愤怒的小鸟
• 13、异常：捕获异常、异常的传递
• 14、模块：模块中的__all__、模块制作、打包模块、模块安装与使用
• 15、深拷贝、浅拷贝、私有化：深拷贝案例、浅拷贝案例、进制、位运算、作用域、私有化、属性property
• 16、生成器、迭代器、闭包、装饰器、元类、垃圾回收、内建函数
• 17、网络编程：进程池、进程间通信、多线程、进程和线程区别、协程、网络通信、端口、IP地址、socket、UDP、TCP、http
• 18、网络编程综合案例：企业级web框架starlette介绍及使用
• 19、正则表达：表示字符、表示数量、原始字符串、表示边界、匹配分组
• 20、综合案例：客户信息管理系统综合案例

数据结构&算法

• 1、什么是数据结构、数据结构分类、什么是算法、算法的分类、时间复杂度、空间复杂度
• 2、常用数据结构：数组、链表、栈、队列、哈希表、树、图
• 3、常用算法：查找算法、排序算法、分治算法、动态规划算法、回溯算法、贪心算法
• 4、力扣刷题
• 5、考试一

• 熟练安装配置 Linux 环境并掌握常用命令。
• 精通 MySQL 安装使用及 SQL 操作。
• 熟悉 Numpy 的属性、函数及运算。
• 掌握 Pandas 的数据处理方法。
• 会用多种工具进行数据可视化。
• 具备在 Linux 环境下进行数据分析和可视化的综合能力。

Linux基础 & Docker & MySQL

• 1、Linux环境准备：WSL/Linux安装、VI编辑器、软件包安装、常用命令（vim, cd, grep等）
• 2、Shell：变量、运算符、流程控制、正则表达式
• 3、Docker：安装、镜像、容器常用命令
• 4、MySQL：安装使用、SQL语句、多表操作、开窗函数、远程连接
• 5、前后端基础：FastAPI、SQLAlchemy、Uvicorn

数据分析工具

• 1、Numpy：环境搭建(Anaconda/Jupyter)、属性、函数运算、矩阵乘法
• 2、Pandas：Series/DataFrame结构、日期处理、分组聚合、缺失值处理、apply函数、时间序列
• 3、数据可视化：Matplotlib、Pandas可视化、Seaborn
• 4、综合案例：房地产市场洞察与价值评估
• 5、考试二

• 熟悉线性代数、概率、高数等数学基础。
• 熟悉 KNN 算法的思想、流程及不同距离计算方法。
• 理解线性回归的概念、损失函数，掌握梯度下降算法及模型评估。
• 掌握逻辑回归的数学基础、原理及分类评估指标，能进行案例实践。

数学基础与概述

• 1、高等数学：导数、求导法则、极值、偏导数、梯度
• 2、线性代数：向量运算、范数、矩阵张量、逆矩阵
• 3、概率论：常见分布(正态/伯努利)、贝叶斯定理、极大似然估计
• 4、机器学习概述：发展历程、算法分类、建模流程、特征工程

经典算法

• 1、监督学习：KNN(距离度量/标准化)、线性回归(Lasso/Ridge/模型评估)、逻辑回归(混淆矩阵/ROC曲线)、感知机
• 2、无监督学习：Kmeans原理、模型评估、DBSCAN
• 3、考试三

• 理解深度学习的概念、应用场景及优缺点。
• 掌握 Pytorch 的安装及张量的各种操作。
• 熟悉神经网络结构（输入/输出/隐藏层）、激活函数及损失函数。
• 掌握卷积神经网络 CNN 图像基础及池化层应用。
• 掌握循环网络 RNN 原理、词嵌入及文本生成案例。
• 具备深度学习项目实战能力。

Pytorch 与神经网络

• 1、Pytorch基础：张量创建、类型转换、数值计算、自动微分、线性回归实现
• 2、神经网络基础：多层感知机、激活函数、初始化方式、搭建流程
• 3、神经网络学习：损失函数、梯度下降、反向传播(链式法则)、优化器、正则化
• 4、案例：房价预测

进阶网络架构

• 1、CNN：图像基础、卷积计算、池化层、全连接层、服装分类案例
• 2、考试四

• 理解 NLP 的概念、发展历史和应用场景。
• 掌握文本预处理方法（张量表示、特征处理、数据增强）。
• 熟悉 RNN、LSTM、GRU 模型的结构特点及 API。
• 掌握 Seq2Seq 结构及注意力机制（Attention）。
• 理解 Transformer 架构及编解码实现。
• 掌握 fastText 文本分类及预训练模型（BERT/GPT/T5）微调。

NLP 核心技术

• 1、技术演进与分词：中英文分词(jieba)、词表示(Word2Vec/One-hot)
• 2、序列模型：RNN、LSTM、GRU 结构与案例(智能输入法/AI智评)
• 3、进阶架构：Seq2Seq、Attention(点积/拼接)、Transformer(整体结构/推理)
• 4、预训练模型：GPT、BERT、T5 原理与微调案例

NLP 项目实战

• 1、项目一：智能发布（标题分类）- 层级化设计、数据增强、Bert微调
• 2、考试五

• 掌握大模型智能体（LLM Agent）核心概念与范式。
• 熟练运用低代码平台（Coze、Dify）及 LangChain/LangGraph 框架。
• 工程化实现检索增强生成（RAG）技术与知识图谱集成。
• 掌握智能体多步规划与工具调用能力。
• 熟悉私有化部署（Ollama/Xinference）及企业级实战。

Agent 基础与低代码

• 1、应用开发概述：提示词、RAG入门、LLM代理构成、记忆机制
• 2、项目二：商户运营管家 - Coze/Dify使用、私有知识库、电商/自媒体应用搭建、API调用
• 3、部署：Windows部署、Ollama/Xinference企业级部署

LangChain 与 RAG 技术

• 1、LangChain：Model I/O、Chains设计、Memory模块、Agents抽象、数据加载与向量存储
• 2、案例：商家对话助手 - 数据库检索、多工具调用、会话管理

LangGraph 与 高阶 RAG

• 1、LangGraph：图状思维、State/Node/Edge构建、持久化状态、流式输出
• 2、项目三：市场罗盘 - 任务拆解、功能编码、进度管控
• 3、项目四：掌柜智库 - 多模态解析(MinerU)、多路召回(向量+图谱)、RAGAS评估

行业实战项目（选修）

• 1、实战一：好医智库/伴学智库 - 医疗影像解析/教辅生成、专业知识图谱融合
• 2、项目五：掌柜问数 - NL2SQL(重写-思考-生成)、Schema剪枝、异步高并发架构
• 3、实战二：智医问数/学情问数 - 医疗合规控制/教学行为分析
• 4、考试六

• 理解 LLaMA 和 Qwen 系列模型核心原理。
• 掌握大模型微调方法（SFT、PEFT、LoRA/QLoRA）。
• 掌握强化学习对齐技术（RLHF、PPO、DPO、GRPO）。
• 具备大模型分布式训练（DeepSpeed）及高性能部署（vLLM）能力。
• 熟悉多轮对话、指令跟随格式及评估指标。

大模型微调核心

• 1、模型原理：GPT/LLaMA/Qwen核心架构详解
• 2、微调技术：PEFT、LoRA、QLoRA、DeepSpeed全参数微调
• 3、数据与工程：Alpaca/ShareGPT格式、训练环境搭建、模型合并与vLLM部署、评估指标分析
• 4、项目六：文摘引擎 - 轻量化落地(LoRA)、报表效率提升、长文本处理

强化学习与对齐

• 1、理论基础：贝尔曼方程、策略梯度、PPO/DPO/GRPO算法
• 2、对齐实战：RLHF流程、DPO智能客服、DeepSeek-R1思维链复刻
• 3、项目七：智能评论 - 奖励模型训练、PPO对齐、偏好优化

对话系统实战（Rasa定制）

• 1、项目八：电商小二 - Rasa源码定制、DIET多任务学习、混合对话策略(Rule+TED)
• 2、实战三：尚医助手/知学助手/万应助手 - 医疗专业术语理解、LBS地理位置集成、Text-to-SQL智能查询
• 3、考试七

• 掌握指令模型和推理模型提示词规则。
• 掌握 Vision Transformer (ViT) 及图像分类实现。
• 掌握 CLIP (文搜图) 与 ClipCap (图生文) 核心原理。
• 熟悉扩散模型 (Diffusion Model) 与 Dall-E2 文生图技术。
• 具备大模型提升办公效率、AI 工作流搭建及 Dify 本地部署能力。

多模态核心原理

• 1、视觉架构：ViT核心原理、从零实现图片分类
• 2、跨模态对齐：CLIP模型(文搜图)、ClipCap(图生文)原理与实现
• 3、生成技术：扩散模型、条件扩散模型、Dall-E2原理与实现

多模态项目实战

• 1、项目九：智能检索 - CLIP微调、Chroma向量数据库、文搜图闭环
• 2、项目十：智能发布（标题生成）- 图像表征预计算、投影层特征融合、自动推理生成
• 3、项目十：智能发布（详情页生成）- Stable Diffusion微调、ControlNet结构控制、一致性增强(IP-Adapter)

• 按照企业面试要求复习技术点和项目经验。
• 掌握简历书写技巧与职业规划路径。
• 提升模拟面试应对能力与高频面试题解答技巧。

面试强化

• 1、技术点串讲：复习Python、分析、机器学习、大模型等全栈内容
• 2、项目总结：学过项目的核心亮点与难点梳理
• 3、面试考试：针对面试题和项目进行模拟考核

简历与指导

• 1、简历指导：Word版与网上简历书写、职业规划
• 2、模拟面试：真实场景模拟、答题技巧复盘