今天我们开始第3课的学习！

本次课程内容是使用LangChain+InternLM的RAG向量检索外挂知识库。 教程视频：https://www.bilibili.com/video/BV1sT4y1p71V/ 教程文档：https://github.com/InternLM/tutorial/tree/main/langchain

本次课程需要同时提交笔记和作业两项，作业内容见教程文档末尾。 打卡DDL：1月10日（周三）晚20:30 第3节课(15班)作业提交地址：https://github.com/InternLM/tutorial/discussions/93 第3节课(15班)笔记提交地址：https://github.com/InternLM/tutorial/discussions/38

前面内容还未完成的同学，可以继续按照自己的进度来进行学习，如果希望努力一把赶上大家的进度，学习手册中有每次学习打卡的链接。

昨晚所有学习者算力都已统一调整至36点~

可以开始思考大作业的思路，同时开始考虑组队啦~每个小队最多5人，也可以单人进行。在第6节课结束后，会给出一周时间来完成大作业。 已经定好题目组好队的同学可以在“项目”文件下建个自己项目的帖子： https://github.com/InternLM/tutorial/discussions/categories/项目

作业

提交方式：在各个班级对应的 GitHub Discussion 帖子中进行提交。

基础作业：

复现课程知识库助手搭建过程 (截图)

进阶作业：

选择一个垂直领域，收集该领域的专业资料构建专业知识库，并搭建专业问答助手，并在 OpenXLab 上成功部署（截图，并提供应用地址）

笔记

大模型局限性

优化开发范式：RAG 和 Finetune

RAG 检索增强生成

特点 外挂知识库 → 提高知识储备

优点 实时 低成本

缺点 知识有限

Finetune

特点 新的小训练集 → 提升新数据集能力

优点 个性化非可见知识如风格 广度

缺点 成本 非实时 需要先训练