[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-DataTalksClub--llm-zoomcamp":3,"tool-DataTalksClub--llm-zoomcamp":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":76,"owner_website":81,"owner_url":82,"languages":83,"stars":96,"forks":97,"last_commit_at":98,"license":79,"difficulty_score":99,"env_os":100,"env_gpu":100,"env_ram":100,"env_deps":101,"category_tags":108,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":132},2547,"DataTalksClub\u002Fllm-zoomcamp","llm-zoomcamp","LLM Zoomcamp - a free online course about real-life applications of LLMs. In 10 weeks you will learn how to build an AI system that answers questions about your knowledge base.","LLM Zoomcamp 是一门完全免费的在线实战课程，旨在帮助学习者在十周内掌握大型语言模型（LLM）在真实场景中的应用技巧。其核心目标是指导你从零开始构建一个能够基于私有知识库进行智能问答的 AI 系统。\n\n对于许多希望将 LLM 技术落地的开发者而言，最大的痛点往往不在于调用模型 API，而在于如何高效地处理私有数据、确保回答的准确性以及监控系统表现。LLM Zoomcamp 正是为了解决这些问题而设计，它填补了理论认知与工程实践之间的空白，提供了一套完整的生产级开发指南。\n\n这门课程非常适合具备一定编程基础的后端工程师、AI 应用开发者以及希望转型进入大模型领域的技术人员。如果你不满足于简单的聊天机器人 demo，而是想打造可靠的企业级知识检索应用，这里将是理想的起点。普通用户若缺乏代码能力，可能会觉得上手有一定门槛。\n\n在技术内容上，LLM Zoomcamp 不仅涵盖了 LLM 基础与 RAG（检索增强生成）架构的核心原理，还深入讲解了向量搜索、Embedding 索引优化、使用 Qdrant 等向量数据库的技巧。其独特亮点在于强调了容易被忽视的工程化环节，包括系统的自动化评","LLM Zoomcamp 是一门完全免费的在线实战课程，旨在帮助学习者在十周内掌握大型语言模型（LLM）在真实场景中的应用技巧。其核心目标是指导你从零开始构建一个能够基于私有知识库进行智能问答的 AI 系统。\n\n对于许多希望将 LLM 技术落地的开发者而言，最大的痛点往往不在于调用模型 API，而在于如何高效地处理私有数据、确保回答的准确性以及监控系统表现。LLM Zoomcamp 正是为了解决这些问题而设计，它填补了理论认知与工程实践之间的空白，提供了一套完整的生产级开发指南。\n\n这门课程非常适合具备一定编程基础的后端工程师、AI 应用开发者以及希望转型进入大模型领域的技术人员。如果你不满足于简单的聊天机器人 demo，而是想打造可靠的企业级知识检索应用，这里将是理想的起点。普通用户若缺乏代码能力，可能会觉得上手有一定门槛。\n\n在技术内容上，LLM Zoomcamp 不仅涵盖了 LLM 基础与 RAG（检索增强生成）架构的核心原理，还深入讲解了向量搜索、Embedding 索引优化、使用 Qdrant 等向量数据库的技巧。其独特亮点在于强调了容易被忽视的工程化环节，包括系统的自动化评估（Evaluation）、线上监控（Monitoring）、混合搜索策略以及文档重排序等最佳实践。此外，课程还引入了 Agent（智能体）功能与函数调用等进阶内容，并通过端到端的健身助手项目帮助学员巩固所学。通过视频学习、作业练习及社区互动，你可以系统地建立起构建高质量 LLM 应用的能力体系。","\u003Cp align=\"center\">\n  \u003Cimg width=\"80%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_readme_55832a8fe7a9.jpg\" alt=\"LLM Zoomcamp\">\n\u003C\u002Fp>\n\n\u003Ch1 align=\"center\">\n    \u003Cstrong>LLM Zoomcamp: A Free Course on Real-Life Applications of LLMs\u003C\u002Fstrong>\n\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\nIn 10 weeks, learn how to build AI systems that answer questions about your knowledge base. Gain hands-on experience with LLMs, RAG, vector search, evaluation, monitoring, and more.\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fairtable.com\u002FappPPxkgYLH06Mvbw\u002Fshr7WtxHEPXxaui0Q\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_readme_1c849b1e69fb.png\" height=\"50\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fdatatalks.club\u002Fslack.html\">Join Slack\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fapp.slack.com\u002Fclient\u002FT01ATQK62F8\u002FC06TEGTGM3J\">#course-llm-zoomcamp Channel\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Ft.me\u002Fllm_zoomcamp\">Telegram Announcements\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL3MmuxUbc_hIB4fSqLy_0AfTjVLpgjV3R\">Course Playlist\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fdatatalks.club\u002Ffaq\u002Fllm-zoomcamp.html\">FAQ\u003C\u002Fa>\n\u003C\u002Fp>\n\n## How to Take LLM Zoomcamp\n\n### 2025 Cohort\n- **Start Date**: June 2, 2025, 17:00 CET\n- **Register Here**: [Sign up](https:\u002F\u002Fairtable.com\u002FappPPxkgYLH06Mvbw\u002Fshr7WtxHEPXxaui0Q)\n\n2025 cohort checklist:\n- Subscribe to our [Google Calendar](https:\u002F\u002Fcalendar.google.com\u002Fcalendar\u002F?cid=NjkxOThkOGFhZmUyZmQwMzZjNDFkNmE2ZDIyNjE5YjdiMmQyZDVjZTYzOGMxMzQyZmNkYjE5Y2VkNDYxOTUxY0Bncm91cC5jYWxlbmRhci5nb29nbGUuY29t)\n- Check [2025 cohort folder](https:\u002F\u002Fgithub.com\u002FDataTalksClub\u002Fllm-zoomcamp\u002Ftree\u002Fmain\u002Fcohorts\u002F2025) to stay updated\n- Watch [live Q&A](https:\u002F\u002Fyoutube.com\u002Flive\u002F8lgiOLMMKcY) about the course\n- Watch [live course launch](https:\u002F\u002Fwww.youtube.com\u002Flive\u002FFgnelhEJFj0) stream\n- Save the [2025 course playlist](https:\u002F\u002Fyoutube.com\u002Fplaylist?list=PL3MmuxUbc_hIoBpuc900htYF4uhEAbaT-&si=n7CuD0DEgPtnbtsI) on YouTube\n- Check course content by navigating to the right module on GitHub\n- Share this course with a friend!\n\n### Self-Paced Learning\nYou can follow the course at your own pace:\n1. Watch the course videos.\n2. Complete the homework assignments.\n3. Work on a project and share it in Slack for feedback.\n\n## Syllabus\n\n### Pre-course Workshops\n- [Build a Search Engine](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=nMrGK5QgPVE) ([Code](https:\u002F\u002Fgithub.com\u002Falexeygrigorev\u002Fbuild-your-own-search-engine))\n\n### Modules\n\n#### [Module 1: Introduction to LLMs and RAG](01-intro\u002F)\n- Basics of LLMs and Retrieval-Augmented Generation (RAG)\n- OpenAI API and text search with Elasticsearch\n\n#### [Module 2: Vector Search](02-vector-search\u002F)\n\n- Vector search and embeddings\n- Indexing and retrieving data efficiently\n- Using Qdrant as the vector database\n\n\n#### [Workshop: Open-Source Data Ingestion](cohorts\u002F2025\u002Fworkshops\u002Fdlt.md)\n\n- Using `dlt` for ingesting data for RAG\n\n\n#### [Module A: Agents (bonus)](0a-agents\u002F)\n\n- Adding Agentic functionality to RAG\n- Function calling\n\n#### [Module 3: Evaluation](03-evaluation\u002F)\n\n- Search evaluation\n- Online vs offline evaluation\n- LLM as a Judge\n\n#### [Module 4: Monitoring](04-monitoring\u002F)\n\n- Online evaluation techniques\n- Monitoring user feedback with dashboards\n\n\n#### [Module 5: Best Practices](05-best-practices\u002F)\n- Hybrid search\n- Document reranking\n\n#### [Module 6: Bonus - End-to-End Project](06-project-example\u002F)\n- Build a fitness assistant using LLMs\n\n### [Capstone Project](project.md)\n\nPut eveything you learned into practice\n\n## Meet the Instructors\n- [Alexey Grigorev](https:\u002F\u002Flinkedin.com\u002Fin\u002Fagrigorev\u002F)\n- [Srilakshmi Chavali](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fsrilakshmi-chavali)\n- [Timur Kamaliev](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Ftimurkamaliev\u002F)\n\n## Community & Support\n\n### **Getting Help on Slack**\nJoin the [`#course-llm-zoomcamp`](https:\u002F\u002Fapp.slack.com\u002Fclient\u002FT01ATQK62F8\u002FC06TEGTGM3J) channel on [DataTalks.Club Slack](https:\u002F\u002Fdatatalks.club\u002Fslack.html) for discussions, troubleshooting, and networking.\n\nTo keep discussions organized:\n- Follow [our guidelines](asking-questions.md) when posting questions.\n- Review the [community guidelines](https:\u002F\u002Fdatatalks.club\u002Fslack\u002Fguidelines.html).\n\n## Sponsors & Supporters\nA special thanks to our course sponsors for making this initiative possible!\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Farize.com\u002F\">\n    \u003Cimg height=\"120\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_readme_10a4feaaa8bf.png\">\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fqdrant.tech\u002F\">\n    \u003Cimg height=\"120\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_readme_dbca469cd82d.png\">\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fdlthub.com\u002F\">\n    \u003Cimg height=\"80\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_readme_e416fdc9ae64.png\">\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n\nInterested in supporting our community? Reach out to [alexey@datatalks.club](mailto:alexey@datatalks.club).\n\n## About DataTalks.Club\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"40%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_readme_3c4548bda00b.png\" alt=\"DataTalks.Club\">\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fdatatalks.club\u002F\">DataTalks.Club\u003C\u002Fa> is a global online community of data enthusiasts. It's a place to discuss data, learn, share knowledge, ask and answer questions, and support each other.\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fdatatalks.club\u002F\">Website\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fdatatalks.club\u002Fslack.html\">Join Slack Community\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fus19.campaign-archive.com\u002Fhome\u002F?u=0d7822ab98152f5afc118c176&id=97178021aa\">Newsletter\u003C\u002Fa> •\n\u003Ca href=\"http:\u002F\u002Flu.ma\u002Fdtc-events\">Upcoming Events\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fcalendar.google.com\u002Fcalendar\u002F?cid=ZjhxaWRqbnEwamhzY3A4ODA5azFlZ2hzNjBAZ3JvdXAuY2FsZW5kYXIuZ29vZ2xlLmNvbQ\">Google Calendar\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002F@DataTalksClub\u002Ffeatured\">YouTube\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FDataTalksClub\">GitHub\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fwww.linkedin.com\u002Fcompany\u002Fdatatalks-club\u002F\">LinkedIn\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Ftwitter.com\u002FDataTalksClub\">Twitter\u003C\u002Fa>\n\u003C\u002Fp>\n\nAll the activity at DataTalks.Club mainly happens on [Slack](https:\u002F\u002Fdatatalks.club\u002Fslack.html). We post updates there and discuss different aspects of data, career questions, and more.\n\nAt DataTalksClub, we organize online events, community activities, and free courses. You can learn more about what we do at [DataTalksClub Community Navigation](https:\u002F\u002Fwww.notion.so\u002FDataTalksClub-Community-Navigation-bf070ad27ba44bf6bbc9222082f0e5a8?pvs=21).\n","\u003Cp align=\"center\">\n  \u003Cimg width=\"80%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_readme_55832a8fe7a9.jpg\" alt=\"LLM Zoomcamp\">\n\u003C\u002Fp>\n\n\u003Ch1 align=\"center\">\n    \u003Cstrong>LLM Zoomcamp：LLM 实战应用免费课程\u003C\u002Fstrong>\n\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n在10周内，学习如何构建能够基于您的知识库回答问题的AI系统。通过实践掌握LLM、RAG、向量检索、评估、监控等核心技术。\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fairtable.com\u002FappPPxkgYLH06Mvbw\u002Fshr7WtxHEPXxaui0Q\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_readme_1c849b1e69fb.png\" height=\"50\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fdatatalks.club\u002Fslack.html\">加入Slack\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fapp.slack.com\u002Fclient\u002FT01ATQK62F8\u002FC06TEGTGM3J\">#course-llm-zoomcamp频道\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Ft.me\u002Fllm_zoomcamp\">Telegram公告\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL3MmuxUbc_hIoBpuc900htYF4uhEAbaT-&si=n7CuD0DEgPtnbtsI\">课程播放列表\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fdatatalks.club\u002Ffaq\u002Fllm-zoomcamp.html\">常见问题解答\u003C\u002Fa>\n\u003C\u002Fp>\n\n## 如何参加LLM Zoomcamp\n\n### 2025届\n- **开课日期**：2025年6月2日，17:00 CET\n- **报名链接**：[Sign up](https:\u002F\u002Fairtable.com\u002FappPPxkgYLH06Mvbw\u002Fshr7WtxHEPXxaui0Q)\n\n2025届学员须知：\n- 订阅我们的[Google日历](https:\u002F\u002Fcalendar.google.com\u002Fcalendar\u002F?cid=NjkxOThkOGFhZmUyZmQwMzZjNDFkNmE2ZDIyNjE5YjdiMmQyZDVjZTYzOGMxMzQyZmNkYjE5Y2VkNDYxOTUxY0Bncm91cC5jYWxlbmRhci5nb29nbGUuY29t)\n- 查看[2025届文件夹](https:\u002F\u002Fgithub.com\u002FDataTalksClub\u002Fllm-zoomcamp\u002Ftree\u002Fmain\u002Fcohorts\u002F2025)，及时获取最新信息\n- 观看关于课程的[直播问答](https:\u002F\u002Fyoutube.com\u002Flive\u002F8lgiOLMMKcY)\n- 观看[课程开播直播](https:\u002F\u002Fwww.youtube.com\u002Flive\u002FFgnelhEJFj0)\n- 将[2025届课程播放列表](https:\u002F\u002Fyoutube.com\u002Fplaylist?list=PL3MmuxUbc_hIoBpuc900htYF4uhEAbaT-&si=n7CuD0DEgPtnbtsI)收藏至YouTube\n- 在GitHub上导航至相应模块，查看课程内容\n- 把这门课程分享给朋友吧！\n\n### 自学模式\n您可以按照自己的节奏学习：\n1. 观看课程视频。\n2. 完成作业。\n3. 开展项目，并在Slack中分享以获得反馈。\n\n## 课程大纲\n\n### 课前工作坊\n- [构建搜索引擎](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=nMrGK5QgPVE) ([代码](https:\u002F\u002Fgithub.com\u002Falexeygrigorev\u002Fbuild-your-own-search-engine))\n\n### 模块\n\n#### [模块1：LLM与RAG简介](01-intro\u002F)\n- LLM与检索增强生成（RAG）基础\n- OpenAI API及使用Elasticsearch进行文本搜索\n\n#### [模块2：向量检索](02-vector-search\u002F)\n\n- 向量检索与嵌入\n- 高效索引与数据检索\n- 使用Qdrant作为向量数据库\n\n\n#### [工作坊：开源数据摄取](cohorts\u002F2025\u002Fworkshops\u002Fdlt.md)\n\n- 使用`dlt`为RAG摄取数据\n\n\n#### [模块A：智能体（附加模块）](0a-agents\u002F)\n\n- 为RAG添加智能体功能\n- 函数调用\n\n#### [模块3：评估](03-evaluation\u002F)\n\n- 搜索评估\n- 在线与离线评估\n- 使用LLM作为评判者\n\n#### [模块4：监控](04-monitoring\u002F)\n\n- 在线评估技术\n- 通过仪表盘监控用户反馈\n\n\n#### [模块5：最佳实践](05-best-practices\u002F)\n- 混合搜索\n- 文档重排序\n\n#### [模块6：附加——端到端项目](06-project-example\u002F)\n- 构建一个基于LLM的健身助手\n\n### [结业项目](project.md)\n\n将所学知识付诸实践\n\n## 授课教师\n- [Alexey Grigorev](https:\u002F\u002Flinkedin.com\u002Fin\u002Fagrigorev\u002F)\n- [Srilakshmi Chavali](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fsrilakshmi-chavali)\n- [Timur Kamaliev](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Ftimurkamaliev\u002F)\n\n## 社区与支持\n\n### **在Slack寻求帮助**\n加入[DataTalks.Club Slack](https:\u002F\u002Fdatatalks.club\u002Fslack.html)中的[`#course-llm-zoomcamp`](https:\u002F\u002Fapp.slack.com\u002Fclient\u002FT01ATQK62F8\u002FC06TEGTGM3J)频道，参与讨论、解决问题并建立联系。\n\n为保持讨论有序：\n- 发布问题时请遵循[提问指南](asking-questions.md)。\n- 请阅读[社区准则](https:\u002F\u002Fdatatalks.club\u002Fslack\u002Fguidelines.html)。\n\n## 赞助商与支持者\n特别感谢我们的课程赞助商，是他们让这一项目得以实现！\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Farize.com\u002F\">\n    \u003Cimg height=\"120\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_readme_10a4feaaa8bf.png\">\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fqdrant.tech\u002F\">\n    \u003Cimg height=\"120\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_readme_dbca469cd82d.png\">\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fdlthub.com\u002F\">\n    \u003Cimg height=\"80\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_readme_e416fdc9ae64.png\">\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n\n如果您有兴趣支持我们的社区，请联系[alexey@datatalks.club](mailto:alexey@datatalks.club)。\n\n## 关于DataTalks.Club\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"40%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_readme_3c4548bda00b.png\" alt=\"DataTalks.Club\">\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fdatatalks.club\u002F\">DataTalks.Club\u003C\u002Fa> 是一个全球性的数据爱好者在线社区。这里是一个探讨数据、学习知识、分享经验、答疑解惑以及互相支持的平台。\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fdatatalks.club\u002F\">官网\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fdatatalks.club\u002Fslack.html\">加入Slack社区\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fus19.campaign-archive.com\u002Fhome\u002F?u=0d7822ab98152f5afc118c176&id=97178021aa\">邮件通讯\u003C\u002Fa> •\n\u003Ca href=\"http:\u002F\u002Flu.ma\u002Fdtc-events\">即将举行的活动\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fcalendar.google.com\u002Fcalendar\u002F?cid=ZjhxaWRqbnEwamhzY3A4ODA5azFlZ2hzNjBAZ3JvdXAuY2FsZW5kYXIuZ29vZ2xlLmNvbQ\">Google日历\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002F@DataTalksClub\u002Ffeatured\">YouTube\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FDataTalksClub\">GitHub\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Fwww.linkedin.com\u002Fcompany\u002Fdatatalks-club\u002F\">LinkedIn\u003C\u002Fa> •\n\u003Ca href=\"https:\u002F\u002Ftwitter.com\u002FDataTalksClub\">Twitter\u003C\u002Fa>\n\u003C\u002Fp>\n\nDataTalks.Club的大部分活动都在[Slack](https:\u002F\u002Fdatatalks.club\u002Fslack.html)上进行。我们会在那里发布更新，并讨论数据相关的各种话题、职业发展等问题。\n\n在DataTalksClub，我们组织线上活动、社区互动和免费课程。您可以通过[DataTalksClub社区导航](https:\u002F\u002Fwww.notion.so\u002FDataTalksClub-Community-Navigation-bf070ad27ba44bf6bbc9222082f0e5a8?pvs=21)了解更多关于我们工作的信息。","# LLM Zoomcamp 快速上手指南\n\nLLM Zoomcamp 是一门免费的实战课程，旨在帮助开发者在 10 周内掌握构建基于大语言模型（LLM）的应用系统。课程内容涵盖 RAG（检索增强生成）、向量搜索、评估、监控等核心技术。\n\n## 环境准备\n\n本课程侧重于代码实战与项目构建，建议具备以下基础环境和依赖：\n\n*   **操作系统**：Linux、macOS 或 Windows (推荐 WSL2)。\n*   **Python**：版本 3.9 或更高版本。\n*   **Git**：用于克隆课程代码库。\n*   **Docker**（可选但推荐）：用于运行 Elasticsearch、Qdrant 等向量数据库和服务，避免本地环境配置冲突。\n*   **API 密钥**：\n    *   OpenAI API Key（用于 Module 1 及后续模块）。\n    *   Hugging Face Token（如需使用开源模型）。\n*   **开发工具**：VS Code 或 Jupyter Notebook\u002FLab。\n\n> **注意**：课程中涉及的网络资源（如 Hugging Face、OpenAI）可能需要稳定的网络连接才能正常访问。\n\n## 安装步骤\n\n### 1. 克隆课程仓库\n\n首先，将 LLM Zoomcamp 的代码库克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FDataTalksClub\u002Fllm-zoomcamp.git\ncd llm-zoomcamp\n```\n\n### 2. 设置 Python 虚拟环境\n\n为每个模块或整个课程创建独立的虚拟环境，以避免依赖冲突。以 Module 1 为例：\n\n```bash\n# 进入模块目录\ncd 01-intro\n\n# 创建虚拟环境\npython -m venv env\n\n# 激活虚拟环境\n# Linux\u002FmacOS:\nsource env\u002Fbin\u002Factivate\n# Windows:\n.\\env\\Scripts\\activate\n```\n\n### 3. 安装依赖\n\n根据各模块目录下的 `requirements.txt` 安装必要的 Python 包：\n\n```bash\npip install -r requirements.txt\n```\n\n### 4. 配置环境变量\n\n在项目根目录或当前模块目录下创建 `.env` 文件，并填入你的 API 密钥：\n\n```bash\nOPENAI_API_KEY=your_openai_api_key_here\n```\n\n确保你的代码能够加载这些环境变量（通常使用 `python-dotenv` 库）。\n\n## 基本使用\n\n课程采用模块化学习路径，以下是开始第一个模块（Introduction to LLMs and RAG）的最简示例流程：\n\n### 1. 启动必要的服务（如需要）\n\n如果模块涉及 Elasticsearch 或 Qdrant，建议使用 Docker Compose 启动服务。在相应模块目录下执行：\n\n```bash\ndocker-compose up -d\n```\n\n### 2. 运行示例代码\n\n进入 `01-intro` 目录，打开 Jupyter Notebook 或运行提供的 Python 脚本。以下是一个典型的 RAG 基础调用逻辑示例（具体代码请参考仓库内 `notebook.ipynb` 或 `.py` 文件）：\n\n```python\nimport os\nfrom openai import OpenAI\nfrom dotenv import load_dotenv\n\n# 加载环境变量\nload_dotenv()\n\nclient = OpenAI(api_key=os.getenv('OPENAI_API_KEY'))\n\n# 简单的文本补全示例\nresponse = client.chat.completions.create(\n    model=\"gpt-3.5-turbo\",\n    messages=[\n        {\"role\": \"system\", \"content\": \"You are a helpful assistant.\"},\n        {\"role\": \"user\", \"content\": \"Explain what RAG is in one sentence.\"}\n    ]\n)\n\nprint(response.choices[0].message.content)\n```\n\n### 3. 完成作业与项目\n\n*   **观看视频**：访问 [YouTube 播放列表](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL3MmuxUbc_hIB4fSqLy_0AfTjVLpgjV3R) 学习对应模块的理论。\n*   **执行作业**：每个模块文件夹下通常包含 `homework.md` 或相关练习代码，请按要求完成。\n*   **参与社区**：加入 [DataTalks.Club Slack](https:\u002F\u002Fdatatalks.club\u002Fslack.html) 的 `#course-llm-zoomcamp` 频道，分享你的进度并获取反馈。\n\n### 4. 进阶学习路径\n\n按照以下顺序逐步深入：\n1.  **Module 1**: LLM 与 RAG 基础，Elasticsearch 文本搜索。\n2.  **Module 2**: 向量搜索，Embeddings，使用 Qdrant。\n3.  **Workshop**: 使用 `dlt` 进行数据摄入。\n4.  **Module A (Bonus)**: Agent 与函数调用。\n5.  **Module 3**: 评估体系（Offline\u002FOnline Evaluation, LLM as a Judge）。\n6.  **Module 4**: 监控与用户反馈仪表盘。\n7.  **Module 5**: 最佳实践（混合搜索，重排序）。\n8.  **Capstone Project**: 综合项目实战。","某中型电商公司的技术团队希望构建一个智能客服系统，能够基于内部庞大的产品文档、退换货政策及用户手册，自动准确回答客户咨询，从而减轻人工客服压力。\n\n### 没有 llm-zoomcamp 时\n- **检索效果差**：仅依靠简单的关键词匹配，无法理解用户语义，导致大量相关文档被遗漏，回答准确率极低。\n- **缺乏评估标准**：团队凭感觉调整提示词（Prompt），不知道修改是否真正提升了效果，陷入盲目试错的循环。\n- **技术选型迷茫**：面对向量数据库、嵌入模型等众多开源工具，不知如何组合搭建稳定的 RAG（检索增强生成）架构，开发进度缓慢。\n- **线上黑盒运行**：系统上线后，无法有效监控用户反馈和坏案（Bad Case），难以发现并修复潜在的逻辑错误或幻觉问题。\n\n### 使用 llm-zoomcamp 后\n- **精准语义检索**：通过学习 Module 2 的向量搜索与 Qdrant 应用，团队实现了基于语义的高效索引与检索，显著提升了文档召回的相关性。\n- **科学评估体系**：利用 Module 3 学到的“LLM 作为裁判”及离线\u002F在线评估方法，建立了量化指标，确保每次迭代都有据可依，性能提升可见。\n- **清晰架构路径**：跟随 Module 1 和 5 的最佳实践，快速掌握了从数据清洗、混合搜索到重排序的完整 RAG 链路，缩短了从原型到生产的时间。\n- **可观测性增强**：依据 Module 4 构建监控看板，实时追踪用户反馈与系统表现，能够快速定位问题并持续优化服务质量。\n\nllm-zoomcamp 的核心价值在于提供了一套经过实战验证的 LLM 应用开发方法论，帮助开发者从“盲目尝试”转向“工程化落地”，高效构建可靠的企业级 AI 系统。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataTalksClub_llm-zoomcamp_55832a8f.jpg","DataTalksClub","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FDataTalksClub_b71d8174.png","The place to talk about data",null,"alexey@datatalks.club","datatalks.club","https:\u002F\u002Fgithub.com\u002FDataTalksClub",[84,88,92],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",95.1,{"name":89,"color":90,"percentage":91},"Python","#3572A5",4.9,{"name":93,"color":94,"percentage":95},"Dockerfile","#384d54",0,4771,868,"2026-04-02T22:56:37",4,"未说明",{"notes":102,"python":100,"dependencies":103},"LLM Zoomcamp 是一个关于大语言模型（LLM）实际应用的免费课程项目，而非单一的独立软件工具。README 中未提供具体的本地运行环境配置（如 OS、GPU、RAM、Python 版本等）。课程内容涉及使用 OpenAI API、Elasticsearch 进行文本搜索、Qdrant 作为向量数据库以及 dlt 进行数据摄入。建议参考各模块（Module）下的具体代码仓库或课程视频以获取每个实验环节的具体环境要求。",[104,105,106,107],"Elasticsearch","Qdrant","dlt","OpenAI API",[26,13,15],"2026-03-27T02:49:30.150509","2026-04-06T05:32:21.673982",[112,117,122,127],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},11768,"课程每周需要投入多少时间？","根据您的背景不同，每周大约需要投入 5-20 小时。","https:\u002F\u002Fgithub.com\u002FDataTalksClub\u002Fllm-zoomcamp\u002Fissues\u002F1",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},11769,"如何为节省存储空间的用户安装 Miniconda？","您可以创建一个单独的页面或脚本用于 Miniconda 安装。以下是一个 Bash 脚本示例，用于下载、安装并配置 Miniconda：\n\n```sh\n#!\u002Fusr\u002Fbin\u002Fenv bash\n\n# 定义 Miniconda 版本\nMINICONDA_VERSION=\"Miniconda3-py310_24.4.0-0-Linux-x86_64.sh\"\n\n# 下载 Miniconda 安装程序\nwget https:\u002F\u002Frepo.anaconda.com\u002Fminiconda\u002F$MINICONDA_VERSION -O miniconda.sh\n\n# 使安装程序可执行\nchmod +x miniconda.sh\n\n# 运行安装程序\n.\u002Fminiconda.sh -b -p $HOME\u002Fminiconda\n\n# 将 Miniconda 添加到 .bashrc 的 PATH 中\necho 'export PATH=\"$HOME\u002Fminiconda\u002Fbin:$PATH\"' >> $HOME\u002F.bashrc\n\n# 激活安装\nsource $HOME\u002F.bashrc\n\n# 删除安装程序\nrm miniconda.sh\n\n# 更新 conda\nconda update -y conda\n\n# 显示 conda 版本以验证安装\nconda --version\n```\n\n保存上述内容为 `install_miniconda.sh`，然后在终端中执行以下命令：\n```\nchmod +x install_miniconda.sh\nsource install_miniconda.sh\n```","https:\u002F\u002Fgithub.com\u002FDataTalksClub\u002Fllm-zoomcamp\u002Fissues\u002F52",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},11770,"课程中会包含 LangChain 的相关内容吗？","可能会在最佳实践（best practices）模块中涵盖 LangChain 的内容。","https:\u002F\u002Fgithub.com\u002FDataTalksClub\u002Fllm-zoomcamp\u002Fissues\u002F18",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},11771,"在 Elasticsearch 中创建向量索引时，重复运行 Notebook 导致索引重复报错怎么办？","可以在创建新索引之前添加代码来删除已存在的索引，以避免重复创建导致的错误。示例代码如下：\n\n```python\n# 如果索引存在则删除\nes_client.indices.delete(index=index_name, ignore_unavailable=True)\n# 创建新索引\nes_client.indices.create(index=index_name, body=index_settings)\nprint(f\"Index '{index_name}' created successfully.\")\n```","https:\u002F\u002Fgithub.com\u002FDataTalksClub\u002Fllm-zoomcamp\u002Fissues\u002F93",[]]