AI大模型RAG与Agent智能体项目实战开发

市面上讲大模型的课不少，但多数停在概念和调接口的层面。这门课的主题很明确：RAG（检索增强生成）和 Agent（智能体）这两块工程落地内容。如果你已经会写 Python、大致知道大模型能干什么，却卡在"怎么把它做成一个能用的东西"，这门课值得先看一眼；如果你连 API 调用都没写过，建议先补基础再来。

它解决的是"模型不知道你的数据"这个具体问题

大模型本身有两个绕不开的限制：一是训练数据有截止时间，二是它不知道你公司内部的文档、产品手册、历史工单。RAG 就是针对这个场景的方案——把外部资料切片、向量化、存进检索库，用户提问时先检索相关内容再交给模型生成答案。这门课围绕这条链路展开，从提示词工程讲起，再进入 RAG 的检索与生成环节，最后落到一个完整的 RAG 项目。Agent 部分则更进一步：让模型不只是回答问题，而是能根据任务去调用工具、分步骤完成一件事。这两块合起来，基本覆盖了当前企业里最常见的 AI 应用形态，也是面试里被问得最多的方向。

建议的观看顺序和练习方式

资料里包含讲义、视频和项目代码，不要按文件夹顺序从头看到尾。建议先看提示词工程那一块，它是后面所有环节的基础，重点理解怎么把任务描述清楚、怎么控制输出格式，这部分看一遍就够，不用反复。接着进入 RAG 开发部分，这是全课的核心，涉及文档切分、向量检索、上下文拼接等环节，每一环都会直接影响最终效果，建议边看边把代码跑起来，换成自己的文档试一遍。最后看 RAG 项目部分，把它当成一次完整的串联。Agent 相关的内容放在后半段，理解它的调度逻辑比记住代码更重要。

练习上有一个建议：不要只跑通示例就结束。找一份你自己熟悉的资料——比如某产品的说明文档或者一批 FAQ——走一遍完整的入库和问答流程，观察哪些问题答得准、哪些答得偏，再去调切分粒度和检索条数。这个过程比看十遍视频有用。代码部分建议自己敲一遍关键环节，尤其是检索和拼装上下文那几步，出问题的地方往往就在那里。

学完之后你能独立做到什么

比较现实的预期是：你能独立搭出一个基于自有资料的问答应用，知道效果不好时该从哪个环节去查；能理解 Agent 的基本调度思路，做出一个能调用外部工具完成多步任务的小demo。这不是那种学完就能直接上岗的课，它给的是工程思路和一套可复用的代码结构。真正拉开差距的，是你拿它去解决自己手头那个具体问题的过程。如果时间有限，优先保证 RAG 那部分吃透，Agent 可以后续再补。