这门课要补的，是“能把 AI 用起来”的整条链路

市面上讲 AI 的课很多，但大多卡在两个极端：要么只教调 API，教完你只会对着 ChatGPT 聊天；要么只讲模型原理，讲完你依然不知道怎么把一个知识库问答系统跑起来。这门课的设计思路不太一样——它把“AI 应用开发”当作一个完整的工程问题来处理。

从资料包里的内容安排能看出来，主讲人默认多数学习者缺的不是“懂 AI”的能力，而是“把 AI 放进真实系统”的能力。所以它花了大量时间在工程基础上：Python 语法要写熟练，Linux 命令和 Shell 要能操作服务器，MySQL 要能建库建表，Docker 要会装环境、迁移环境，FastAPI 要能写后端接口。这些内容单独看都不算 AI，但没有它们，你就算理解了大模型原理，也做不到“用代码调通一个 RAG 服务”或者“把模型部署到远端”。

从能力缺口的角度看，这门课适合这两类人：一类是写过一些脚本、但没做过完整项目的开发者，另一类是懂算法概念、但工程能力薄弱的转岗者。如果你连 Python 都没接触过，也可以跟，但建议把前 12 天的 Python 基础部分当成主任务，不要跳着看。

建议先看哪几块：别贪多，按“能跑通”来取舍

90 多个 G 的内容，不要妄想一次全学完。如果按目录顺序吃，容易在第 10 天左右就放弃。更实际的做法是分三个阶段推进。

第一个阶段只补“能写后端”的部分：先过 Python 语法和 PyCharm 的使用，然后直接看 FastAPI 那几天的内容——路径处理、异步、SSE，这些是后面项目实战里真正要用的。Linux 和 Docker 不用全学，先掌握最常用的命令和“用 Docker 起一个 MySQL”这种操作即可。

第二个阶段进入大模型核心篇，这是课程的精华区。从大模型的概念、架构演进、训练范式开始看，然后务必关注 RAG 和微调的相关内容——这是当前企业落地最多的两个方向。接着看低代码平台的实操部分，Cherry、Coze 这类工具能帮你快速建立“知识库到底怎么搭”的直觉，之后再学 LangChain 框架，会轻松很多。Milvus 向量检索、混合检索、Agent 工具调用、MCP 集成，这些是面试和项目里的高频考点，不能只看懂，要能跟着敲出来。

第三个阶段就是三个项目实战。建议不要跳过“掌柜智库”直接看后面的，因为它的结构最完整：用 LangGraph 做状态管理、检查点和对话持久化，再配合 Docker、MinIO、Milvus、MongoDB 搭一套 RAG 问答系统。把这个项目真正跑通，你就能理解“一个 AI 应用从文档解析到向量检索再到对话生成”的全过程，后面两个项目“电商小二”和“深度搜索智能体市场罗盘”自然就能看懂了。

学完能做什么：从能演示，到能上线

如果按上述方式学完，你可以独立完成这些事：搭一个基于 RAG 的文档问答系统，支持上传文档、解析、向量化、检索、对话，并能用 Docker 部署到服务器上；做一个客服机器人，能区分固定问答、知识检索和闲聊三种意图；用 DeepAgents 和 Tavily 做一个能联网搜索的多智能体工具；用 vLLM 部署一个开源模型，再用 RAGAS 评估系统的检索和生成质量。这些不是概念演示，而是能拿出演示地址的项目。

关于配套资料的用法，给你三个建议。第一，每天的晨考测试不要跳过，它帮你检验前一天的内容是否真的吸收了，做错的题当天解决。第二，课后作业一定要亲手写，尤其第三阶段的项目，不建议直接看参考答案——项目代码不是你靠“看懂”能掌握的，必须自己敲一遍、跑到报错、再排查解决。第三，那五类面试题（AI 应用与智能体、前后端、算法、设计模式）留到项目做完之后再用，用来查漏补缺，不用在初学阶段刷。

最后说一句：这门课的内容量大，信息密度高，但它教的是一条适合自己动手验证的路径。学的时候不要追求每个库都精通，先做到“能跑、能改、能说清楚”，再逐步加深。

课程目录

replyreload += ',' + 2203828;
基础篇（day01-19）：先学 Python 基础（12 天），涵盖 Markdown、语言发展史、解释器安装、PyCharm 使用及变量、注释等语法；随后是 Linux 与 Shell 常用命令、文件权限；MySQL 数据库（Navicat、SQL 分类、各类数据类型）；Docker 容器化（通过 Docker 安装 MySQL、环境迁移 Ubuntu）；以及协程与 FastAPI 后端框架（路径处理、异步执行、SSE）。
大模型核心篇（day20-26）：系统讲解大模型概念、分类、架构演进、训练范式与算力基础设施，引入 RAG、微调续训、智能体、MCP 与工作流。随后在 Cherry、ima、Coze 等低代码平台实操知识库与智能体搭建、工作流设计。再深入 LangChain 框架，涵盖模型调用、输出解析、Milvus 向量检索、混合检索、Agent 工具调用与 MCP 集成。
项目实战篇：包含三个完整项目 ——「掌柜智库」基于 LangGraph 实现状态管理、检查点与对话持久化，结合 Docker、MinIO、Milvus、MongoDB 搭建 RAG 问答系统；「电商小二」大模型客服项目，实现固定任务、知识检索、闲聊三条轨道；「深度搜索智能体市场罗盘」基于 DeepAgents、Tavily、RAGFlow 实现联网搜索与多智能体协同。
进阶专题：VibeCoding（Cursor、Codex、Claude Code、Trae 等工具与 Skill 编写）、vLLM 模型部署、RAGAS 评估体系。
配套资源：各天课件笔记、晨考测试、课后作业，以及 AI 应用与智能体、前后端、算法、设计模式五类面试精选百题，可满足学习与求职双重需求。
下载地址：bb*&(dd