黑马程序员AI大模型开发2026线下版V7.5

如果你已经在用大模型接口写点小工具，却说不清 token 是怎么算钱的、上下文超了该怎么办；或者简历上写着"熟悉 RAG"，被追问检索召回率怎么调、chunk 怎么切就卡壳——这门课的定位就是补这类缺口。它不负责把你从零基础带到能造模型，而是把你从"会调用 API"推到"能独立交付一个可上线的大模型应用"。

先说清楚：它不是给谁的

没有 Python 基础、没写过 HTTP 请求、没碰过任何前后端联调的人，直接进这门课会很难受。课程默认你已经能读懂异步代码、会用命令行装包、理解 JSON 与 REST 的基本约定。反过来，如果你已经在做算法岗、熟悉 Transformer 训练细节，前面的语言与提示词部分对你偏浅，可以直接跳到智能体与项目环节。

最合适的画像大概是这三类：后端/前端转型做大模型应用开发；测试、运维、数据分析岗想往 AI 工程方向靠；以及已经用过 ChatGPT 但没系统做过工程化落地的人。

能力缺口一：提示词不是"会聊天"

很多人对提示词的理解停在"写得客气一点、加个角色设定"。课程把它拆成可验证的工程问题：结构化输出怎么约束、few-shot 样例怎么挑、思维链在什么任务上反而拖慢速度、提示词版本怎么管理。这部分学完你应该能回答：同一个任务，为什么换个输出格式模型就崩了？温度参数和提示词稳定性之间是什么关系？

能力缺口二：智能体不是"套个壳"

Coze 和 Dify 这类平台让智能体看起来像搭积木，但真正上线时会遇到工具调用失败、多轮状态丢失、意图识别串台。课程用两个智能体模块加一个 ReAct 智能体项目，把"平台搭建"和"自己写循环"两条路都走一遍。你需要能回答：ReAct 里的思考-行动-观察循环，什么时候该终止？平台编排和代码编排各自适合什么场景？

LangChain 单独成章，也是同理——框架能省事，但你得知道它替你做了什么，出问题时才有得查。

能力缺口三：RAG 与项目交付

RAG 是简历重灾区。课程配了检索增强的实战项目，以及一个完整的资讯类项目，落点在"能不能自己判断检索效果好不好"。学完至少要能回答：文档切分的粒度怎么影响召回？向量库选型看哪些指标？检索结果不相关时，先怀疑切分、嵌入模型还是查询改写？

项目部分的价值不在代码本身，而在于它逼你面对真实数据的脏、乱、长。

怎么用它

• 先做入门试学段，判断自己的基础够不够，不够就先补 Python 与网络基础再回来。
• 提示词与语言进阶部分不要只看，每个技巧都拿自己的任务重跑一遍对比。
• 智能体、LangChain、RAG 三段建议按顺序做，做完删掉参考代码重写一遍，才算真会。
• 两个完整项目至少跟完一个，跑通后再改需求，看自己能不能独立加功能。

这门课给的是工程路径，不是知识清单。看得懂不等于写得出，写得出不等于调得动——按这个标准衡量自己的进度，比看完多少节更实在。