这门课不适合只想「了解一下大模型」的人。它假定你已经会写 Java 或 Python，能看懂基本的 HTTP 接口和数据库操作，然后要在这上面叠一层新的东西：让模型去查资料、去调工具、去把一件事分几步做完。RAG 和 Agent 是这门课的两个重心，也是现在招聘 JD 里出现频率最高、面试时最容易被追问细节的两块。

先说清楚：哪些人学了会觉得值

如果你现在是后端或全栈，项目里开始被要求接一个「智能问答」或「知识库检索」的需求，翻了几篇博客搭出个 demo，结果一上线就发现答非所问、引用来源对不上、多轮对话上下文乱掉——这门课解决的就是这一段。它讲的不只是「怎么调 API」，而是检索质量怎么调、分段策略怎么选、召回和重排怎么配合。

另一类是做数据、算法边缘岗位，平时调用过模型接口，但对 Transformer 内部为什么这么设计一直模糊。课程里保留了底层原理的部分，目的是让你在排查「为什么模型不按提示走」时有判断依据，而不是只靠反复改 prompt 碰运气。

反过来，如果你连一次完整的接口调用都没写过，或者只想要一份提示词模板合集，这门课的前半段会让你觉得拖沓。

RAG 部分真正要动手的地方

RAG 最容易的错觉是「向量库一连就完事」。实际项目里，八成的问题出在检索环节而不是生成环节。课程在这块的落点比较实：文档怎么切分才不破坏语义、嵌入模型和向量库怎么选、召回结果怎么评估好坏、召回到的内容塞不进上下文窗口时怎么办。这些不是概念题，是要你自己跑数据、看命中率、对比不同参数下的回答差异。

配套练习建议你这样用：拿一份你手头真实存在的文档（产品手册、内部规范、技术文档都行），先按课程给的基线方案跑一遍，记录下哪些问题答错了，再逐项调切分和检索策略，看错误类型有没有变化。只看视频不动手，这部分等于没学。

Agent 部分考的是拆解能力

Agent 的难点不在框架，在于你能不能把一个模糊需求拆成模型可以执行的步骤，并想清楚每一步失败之后怎么办。工具调用怎么描述、多步任务里状态怎么传、模型选错工具时如何纠正、循环什么时候该终止——这些是实际开发中真正花时间的部分。

课程会带着做完整案例，但建议你自己再找一个场景重做一遍，比如把「查数据 + 生成报告」这种两步任务改成三步，看哪些环节会崩。看完这部分，你应该能回答：什么任务适合用 Agent，什么任务其实一次带上下文的调用就够了。很多项目上 Agent 是过度设计。

看完应该能回答的几个问题

  • RAG 回答不准时，你怎么判断是检索的问题还是生成的问题？
  • 文档切分的粒度变大会带来什么后果，变小又会怎样？
  • Prompt 里加示例和加约束，分别解决的是哪类失败？
  • Agent 的多步执行中，哪一步最容易失控，怎么设兜底？
  • Transformer 的注意力机制，和你调 prompt 时的哪些直觉有关？

如果这几个问题你现在答不上来，或者答得含糊，那这门课的定位就清楚了：它补的是从「会调接口」到「能交付一个可用的大模型应用」之间那段缺口。别指望一遍看完就都会，RAG 和 Agent 这两块都得跟着敲一遍代码才算数。

Hollis【实战课程】大模型应用开发实战

课程详情

课程详情

课程标题：Hollis【实战课程】大模型应用开发实战

课程核心介绍

本课程专注于大模型应用开发实战，通过深入浅出的讲解和实际操作，帮助学员掌握大模型在RAG（Retrieval-Augmented Generation）和Agent等领域的应用。

适合人群

  • AI和机器学习爱好者
  • AI行业从业者
  • 希望提升AI项目实战能力的工程师
  • 对LLM（大型语言模型）感兴趣的学习者

学习收获

  • 掌握大模型在RAG和Agent等领域的应用
  • 了解Transformer的底层原理和模型构建
  • 学习Prompt工程和RAG项目的优化技巧
  • 提升AI项目实战能力，为职业发展打下坚实基础

课程亮点

  • 实战性强：课程内容紧密围绕实际应用，提供大量实战案例
  • 深入浅出：从基础概念到高级应用，逐步引导学员掌握大模型技术
  • 全面系统：涵盖大模型应用开发的各个方面，帮助学员构建完整的知识体系
  • 专业师资：由经验丰富的AI专家和工程师授课，确保教学质量

课程目录

1.代码介绍&应用启动
  01.课程介绍+如何答疑
  02.【重要】课程设计说明
  03.重要说明+如何下载代码
  04.代码目录结构&应用如何启动
2.大模型应用开发概述
  05. Prompt是什么
  06.行业趋势与岗位需求分析
  07. 什么是大模型
  08. 大模型的工作原理
  09.Java 在大模型应用开发中的优势
  10.大模型应用开发常用的平台
  11.百炼介绍与基本使用
  12.基于Ollama部署本地模型
  13.大模型的局限性以及常见解决方案
  14. LLM HelloWorld
3.提示词工程
  15. 什么是Prompt
  16. 如何设计Prompt？
  17. 高阶Prompt优化方法
  18. 结构化Prompt框架
  19. Prompt评测方法
  20. nof1提示词工程案例
  21. 理解 OpenAI API
4.SpringAl
  22. Java中大模型调用的多种方式
  23. 基于SSE实现大模型流式输出
  24. LLM应用开发框架：LangChain
  25. 接入Spring AI 与Spring AI Alibaba
  26. 开发必备的Spring AI核心概念(上）
  27. 开发必备的Spring AI核心概念(下）
  28. Spring AI 核心特性：提示词工程
  29. Spring AI 核心特性：流式输出
  30. Spring AI 核心特性：提示词模板管理
  31. Spring AI 核心特性：结构化输出（上）
  32.Spring AI 核心特性：结构化输出（中）
  33.Spring AI 核心特性：结构化输出（下） 2026-02-11  1168 次学习
  34. Spring AI 核心特性：对话记忆
  35. Spring AI 记忆管理技术：持久化记忆
  36. Spring AI 核心特性：Advisor
  37. Spring AI 核心特性：调用本地模型
5.LangChain4J
  38. 初识LangChain4j
  39. LangChain4J低层次API使用
  40. LangChain4j高层次API使用
  41. @AiService实现原理
  42. LangChain4j中实现持久化记忆
  43. Spring AI & Spring AI Alibaba & Langchain4j
6.Function Call
  44. 什么是Function Call
  45. 如何定义一个好的Function
  46. 使用Spring AI做Function Call
  47. Spring AI中的Tool Calling怎么实现的
  48. 实战：仿PDD自动帮买家申请退款
7.MCP
  49. 什么是MCP
  50. 深入理解MCP技术原理
  51. 如何接入MCP Server
  52. 使用Spring AI开发MCP Server
  53. 使用Spring AI开发MCP Client
  54. Spring AI MCP调用实现原理
  55. SSE MCP Server如何实现重连
  56. 将MCP改造为HTTPS
  57. MCP如何实现认证鉴权
  58. 神奇的context-path
  59. MCP调试工具
  60. 如何跳过MCP的模型总结
  61. 如何实现MCP工具过滤
  62. MCP与其他协议的区别
8.RAG
  63. 什么是RAG？
  64. 深入理解RAG技术原理——索引构建
  65.深入理解RAG技术原理——检索生成
  66. 使用 LlamaIndex 构建一个简单的RAG系统
  67. RAG的范式演进
  68. 文档预处理（上）
  69. 文档预处理（中）
  70. 文档预处理（下）
  71. 常见文档分片方式
  72.Java中如何实现文档分片
  73. 自定义支持父子分片的基于标题的分片器
  74. 向量模型&向量数据库&向量存储
  75. （选学）PostgresMlEmbeddingModel
  76. 向量数据库如何选型？
  77. （选学）如何使用离线向量模型
  78. 索引构建流程（ETL）总结与查缺补漏
  79. 检索增强生成
  80. Spring AI 和 LangChain4J中文档处理功能对比
  81. RAG优化技术：元数据过滤
  82. RAG优化技术：问题改写
  83. RAG优化技术：查询路由
  84. RAG优化技术：查询构造
  85. RAG优化技术：问题澄清
  86. RAG优化技术：HyDE
  87. RAG优化技术：混合检索(上）
  88. RAG优化技术：混合检索(中）
  89. RAG优化技术：混合检索(下）
  90. RAG优化技术：重排序
  91. RAG优化技术：Graph RAG（上）
  92.RAG优化技术：Graph 92.RAG（下）
  93. Spring AI中的Modular RAG支持
  94. LangChain4J中的Modular RAG支持
  95. 基于LangChain4J实现简单的RAG检索
  96. Spring AI 和 LangChain4J的模块化RAG功能对比
  97. 多模态RAG
  98. 多模态RAG——对接多模态模型做图像识别
  99.实战：多模态RAG智能问答系统（上）
  100. 实战：多模态RAG智能问答系统（中）
  101. 实战：多模态RAG智能问答系统（下）
9.Agent
  102. 什么是AI Agent？
  103. 常用的Agent开发框架
  104.Agent常用架构：ReAct Agent
  105.React Agent的实现方式？
  106. Alibaba-React Agent 初探
  107. Alibaba-React Agent 核心组件
  108. 如何给Agent增加持久化记忆
  109. 深入理解 Alibaba-React Agent 原理
  110. Agent常用架构：Plan and Execute Agent
  111. Agent常用架构：Reflection Agent
  112. Agent常用架构：Human in the Loop
  113. Agent常用架构：Multi Agent
  114. 使用AutoGen 构建一个代码生成器
  115. Spring AI Alibaba中的多智能体支持
  116. 多智能体协议——A2A
  117. 实战一：手搓ReactAgent（非流式）
  118. 实战一：手搓ReactAgent（流式）
  119. 实战一（后续）：ReactAgent流式输出有问题？
  120. 实战二：手搓ReflectionAgent
  121. 实战三：手搓PlanExecuteAgent
  122. 实战四：手搓Human in the Loop
10.上下文工程
  123. 什么是Context，和Memory、Prompt、Token之间的区别？
  124. 上下文太长会带来什么问题？
  125. 什么是上下文工程？
  126. 实战：Manus的上下文工程实践
11.Skill
  127. 什么是Agent Skills，为什么需要他？
  128. Skill的渐进式披露
  129. 一些好用的Skills推荐
  130. Claude Code中如何使用Skills
  131. 实战：开发一个简历评估的Skill
  132. 简历评估Skills讲解
  133. SpringAI中如何使用Skill？（Agent）
  134. SpringAI中如何使用Skill？（ChatClient）
12.项目实战
  135. 整体架构与功能点介绍
  136. 项目运行说明
  137. 智能对话：从需求分析到技术落地
  138. 流式控制与任务管理
代码
  LLMentor代码.rar