这门课不讲「AI 是什么」，它假定你已经知道 Transformer、知道 token、知道推理和微调的区别。它要解决的是另一类问题：把模型塞进一家真实公司的业务流程里，中间那些没人写在论文里的坑。如果你的日常是调 API、看指标、被业务方追问「为什么这个回答又不对」，那这份材料对得上你的缺口。

先确认你缺的是哪一块

企业里做大模型应用，能力缺口通常落在三个位置。一是架构层：检索、工具调用、多轮状态怎么拼成一条稳定链路，而不是写个 prompt 就上。二是评估层：离线跑分好看，上线后投诉不断，因为没有一个能对齐业务口径的评测集。三是成本与延迟层：并发一上来，单次调用成本翻倍，响应时间从两秒变成二十秒，业务方直接放弃使用。这门课的主题就压在这三块上，讲的是工程约束下的取舍，不是模型本身有多强。

如果你现在只会写单轮 prompt，或者只在个人项目里跑过 demo，那么你在架构层和评估层的缺口会比较明显。反过来，如果你已经接过一两个企业项目，但每次都靠堆人力和临时补丁收场，那成本与延迟层、以及可观测性这块，是你应该重点看的部分。

配套练习该怎么用

材料里的案例偏企业场景，建议不要只看结论。动手时按这个顺序：先把一个具体业务问题翻译成可评测的任务，比如「合同条款抽取」要定义清楚抽哪些字段、抽错算不算错；再搭最小链路，检索加生成，跑通就行；然后刻意制造失败——塞进无关文档、问超出范围的问题、并发调高——观察系统在哪里崩。做完这三步，你对「企业级」三个字的理解会比看十篇综述更实在。

练习中如果卡住，先别急着换模型。大多数问题是数据切分、上下文长度或调用策略引起的，不是模型能力不够。把这个判断习惯养起来，比多背几个框架有用。

看完应该能回答的问题

给定一个业务需求，你能判断它适合用检索增强、微调，还是两者都不用？判断依据是什么？
你的评测集怎么构造，谁来标注，多少条算够，和上线后的真实反馈怎么对齐？
当并发从 10 涨到 500，你会先动哪几个参数，预期成本和时间怎么变？
模型输出不稳定时，你靠什么手段定位是提示词、检索结果还是模型本身的问题？

这四个问题如果目前答不上来，说明你缺的是工程侧的判断力，而不是模型知识。课程内容可以当作对照清单，看自己在每一块上能落到多细。

哪些人可以先跳过

如果你还没有任何调用大模型接口的经验，连一次完整的请求响应都没跑通过，建议先补基础再回来。这门课不负责解释什么是向量、什么是注意力，它默认你已经在场上了。另外，纯做算法研究、不关心部署和成本的人，收获会有限。

企业应用这件事，难点从来不在模型，而在把不确定性收进一个能被业务接受的框里。带着你手头那个真实问题来看，比空着手浏览效率高得多。