很多人做 AI 项目卡住的地方，不是不会调模型 API，而是代码一多就乱、环境一换就崩、演示跑通但交付不了。这门课的名字听起来像大而全，实际上它盯着的是三块具体的能力缺口：版本与协作、环境与部署、把模型能力接进真实可用的应用里。

先确认你要补的是哪一块

如果你目前的状态是「能写脚本，但项目一超过几百行就无从下手」，那 Git 部分对你是刚需。不是背那几个命令，而是搞清分支怎么切、冲突怎么解、多人同时在同一个仓库里改代码时怎么不互相踩。

如果你经历过「在我电脑上明明能跑」，那 Docker 部分是重点。镜像、容器、挂载、端口映射这些概念，看文档都能看懂，但真到自己把一个带模型依赖的项目打包起来，坑基本都在依赖版本和运行环境上。

如果你已经能跑通一次对话 demo，但不知道下一步该做什么，那编程 Agent 和数字人这两类项目就是给你练手的靶子。它们比单个接口调用复杂，会牵扯到任务拆解、工具调用、状态管理、前后端联调，正好把前面两块工具能力用上。

工程工具为什么要放在 AI 课里讲

因为 AI 应用开发最容易变成「一次性代码」。模型输出不稳定、依赖更新快、实验分支多，如果没有版本管理，你调好的一版参数很快就被自己覆盖掉，想回退都找不回来。Docker 同理，同一个模型在不同机器上跑出不同结果，多半不是模型的问题，是环境漂移。

这两样东西单独学其实枯燥，但放在具体项目里学就不一样：你会明确知道自己是为了让某次实验可复现、让某个服务能被别人一键起起来，才去写那几行配置。带着问题学工具，比先背命令再找场景有效得多。

看完应该能回答这几个问题

一个 AI 项目从本地实验到能给别人运行，中间需要固定哪些东西？
编程 Agent 和普通的「调一次接口拿一次结果」差别在哪，它的循环是怎么转起来的？
数字人这类项目里，哪些部分是可以拆成独立服务、单独部署的？
当模型行为出问题时，你怎么靠版本记录和日志定位是提示词、依赖还是代码逻辑的锅？
如果只让你保留一套最小工程结构去承接下一个 AI 需求，你会留哪几个文件和配置？

这几个问题能答上来，说明你不是只跟着敲了一遍，而是拿到了可以迁移到下一个项目的东西。

适合谁，不适合谁

适合有编程基础、写过至少一个能跑起来的小项目、但没系统接触过工程化流程的人。转岗到 AI 应用方向的，或者在做内部工具时被要求「接个大模型试试」的，会更有共鸣。

不太适合完全没写过代码的人。Git 和 Docker 的部分默认你知道命令行是什么、知道依赖包是怎么回事，如果这些还陌生，先补基础再来，节奏会舒服很多。也不适合只想了解一下大模型原理的人，这边讲的是怎么把模型用出去，不是它内部怎么算的。

怎么用这门课

建议不要一口气看完。Git 和 Docker 的部分，边看边在自己的旧项目上动手改一遍，把之前那个乱糟糟的仓库重新理一次。Agent 和数字人部分，先自己想想如果让你做你会怎么拆，再对照着看差异在哪，比直接抄一遍收获大。配套练习的重点不在于跑通，而在于你能说清每一步为什么这么做。

缺什么补什么，不用假装什么都会。工程能力这块补上，后面再学新的模型和框架，你会发现自己上手快很多。