ai大模型全栈工程师11期|知乎

从“会用”到“能造”：填补工程能力的最后一公里

很多同学学大模型，痛点很集中：Prompt 调得溜，但一碰到复杂业务逻辑就废了；看过 RAG 的概念，真要把企业文档接入应用时，数据处理和向量检索卡在半空。这门课解决的核心问题，正是从“单点玩具”到“全栈工程”的断层。它不教你怎么写提示词，而是教你怎么构建一个能跑通、能维护、可扩展的大模型应用系统，让你从单纯的 AI 使用者转变为具备落地能力的开发者。

适合具备 Python 基础、希望将 AI 能力深度整合到实际产品中的学习者。如果你已经掌握了基本的编程语法，但对 LangChain、向量数据库、Agent 架构这些工程组件感到陌生或碎片化，这里是最好的补完计划。课程从底层硬件原理讲起，帮你建立对算力成本的直觉，再快速进入工程实战，门槛适中但上限很高。

学习路径建议与实战能力预期

建议先看第一至五课，打牢 Python 基础、Prompt 工程核心以及 API 调用规范，这是后续所有框架学习的基石。第六课 Cursor 编程技巧必须重视，它能极大提升后续编码效率。第七至九课集中攻克 RAG 技术栈，这是目前企业应用最主流的方案，Embedding 和向量库的配置是重点，务必亲手实践。第十至十三课进入高级阶段，LlamaIndex 和 LangChain 是两大核心框架，Function Calling 和 Agent 设计则是实现智能体自主决策的关键。第十四课 AutoGPT 作为前沿探索，理解其多步规划思想即可。

学完这套内容，你应该能够独立设计并开发一个基于私有知识库的智能问答系统，或者构建一个具备多步推理能力的自动化 Agent。你不再是只会发指令的用户，而是能掌控整个 AI 应用生命周期的工程师，能够处理从数据清洗到模型部署的完整链路。

资料包配合练习指南

配套资料包含从环境搭建到项目实战的完整素材。请务必先阅读“开班综述”，明确整体知识图谱和学习节奏。在学到“GPU 与 CPU 计算硬件”这一节时，结合资料中的性能对比数据，理解为何某些任务必须上 GPU，建立成本意识。学习 LangChain 和 LlamaIndex 时，直接复刻资料里的代码示例，不要只看不练。特别是 RAG 高级技术部分，建议手动搭建一个本地向量数据库，体验数据清洗、切片、向量化入库的全流程。通过亲手处理真实文档数据，你才能真正掌握从非结构化数据到可用知识的关键转化技能，避免纸上谈兵。