知乎AI大模型全栈工程师（4期）

如果你已经在用大模型做点东西，但说不清「大模型为什么有时候答得对、有时候一本正经胡说八道」，这门课的定位就很清楚了：它补的不是「怎么调用 API」这一层，而是从原理到落地的那段断层。下面按能力缺口拆开说，你可以对照自己的情况决定要不要花时间。

缺口一：知道大模型能干什么，但讲不清它为什么这么干

很多人上手就是调接口、写提示词，效果不好就反复改措辞，改到能跑为止。这种方式在简单场景里能糊过去，一旦业务稍微复杂，就完全抓瞎——因为你不知道模型内部发生了什么。这门课会讲大模型的工作原理和技术架构，重点落在「预测中的随机性」这类容易被忽略的机制上。理解了采样、概率分布这些东西，你才能解释为什么同一个问题问两遍答案不一样，也才知道哪些场景该把随机性压下去、哪些场景反而要保留。

看完这部分，你应该能回答：为什么温度参数调低不等于答案一定稳定？模型「不知道」某件事时，它表现出来的是什么？

缺口二：会把模型跑起来，但不会把业务拆成模型能接的活

这是全栈工程师和纯调参选手最大的分水岭。业务方丢过来一句「用 AI 把这块效率提上去」，你得能把它拆成：哪些环节交给模型、哪些环节用传统代码兜底、数据从哪来、结果怎么校验。课程里专门讲了业务拆解，并给了金融行业的应用作为参照——金融这个领域对准确性、可解释性、合规性的要求都很硬，拿它当拆解练习的样本，比拿闲聊机器人练手有价值得多。

这部分建议你带着自己手头的业务去看，边看边在纸上画数据流。看完应该能回答：一个业务需求拿到手，你判断它适不适合用大模型的第一条标准是什么？

缺口三：只碰过一两个闭源接口，对技术栈全貌没概念

全栈的「全」体现在你得知道每一层有哪些选择。课程涉及技术栈的整体梳理，也提到了开源框架如 Paddle 的作用——为什么要关心开源框架？因为业务一旦涉及私有数据、成本控制或者定制微调，闭源接口那套玩法就不够用了。你需要知道开源这一侧能提供什么、代价是什么。

另外课程强调了编程能力的重要性。这点不用回避：大模型时代不是不用写代码了，而是写代码的门槛从「实现算法」转向了「把模型串进系统」。调接口、处理返回、做校验、搭服务，这些还是得自己写。

缺口四：对通用人工智能没有判断，容易被概念带着走

AGI 这个词被用得太随意，有人拿它当营销话术，有人拿它当末日预言。课程里讨论了通用人工智能的概念，以及大模型的挑战和未来趋势。这部分不是让你去押注未来，而是帮你在跟人聊技术方案、做长期规划时，能分清哪些是当前能力边界内的事、哪些是还在画饼的事。做工程的人，最怕的就是把饼当成需求接回来。

看完之后，你应该能回答这几个问题

• 大模型的随机性来自哪里，在你的业务里该放大还是收敛？
• 一个模糊的业务需求，你如何拆成模型任务 + 工程逻辑两部分？
• 什么时候该用闭源接口，什么时候该考虑开源框架自己搭？
• 你现在缺的是原理、是工程能力，还是业务拆解能力？

如果这四个问题你有两个以上答不上来，这门课的对应章节就值得重点看；如果基本都能答，那你可以只挑金融行业应用和业务拆解那部分，当作案例库来用。别从头到尾当剧集刷，带着缺口去看，效率高得多。