黑马-AI大模型RAG与智能体开发实战课程

如果你已经能用 Python 写点脚本，但一提到「把大模型接进自己的项目」就不知道从哪下手，这套资料值得花时间看一遍。它不讲模型怎么训练，也不谈参数规模，只解决一件事：怎么用现成的云端或本地模型，搭出一个能查资料、能回答问题的问答系统，并把它包装成有工具调用能力的智能体。

它对应的工作场景是什么

典型场景有三类。一是企业内部文档问答，把产品手册、制度文件、历史工单喂进去，让模型基于这些内容回答，而不是靠它自己编。二是客服或售前助手，需要模型在回答时调用外部接口查订单、查库存。三是个人做原型验证，想快速判断某个想法能不能跑通，而不是先花几周搭架构。这套资料的主线就是围绕这几件事展开：先跑通模型调用，再解决「模型不知道你的私有资料」这个问题，也就是 RAG 检索增强，最后把检索、提示词、工具调用串成一个能自主决策下一步动作的智能体。提示词工程和 OpenAI 风格接口的使用穿插在其中，属于必须会用的基础操作。

适合什么基础，先看哪几块

前置要求不高，但要真实：能读懂 Python 代码、会用 pip 装包、知道什么是 HTTP 请求和 JSON，就够了。不需要机器学习背景，也不需要显卡。如果连函数和字典都不熟，建议先补 Python 基础再来，否则后面调接口报错会卡住。

建议的观看顺序是：先看前置准备部分，把云端模型的 API Key 怎么申请、怎么用环境变量存起来、怎么用代码发出第一次请求跑通。这一步别跳，很多人后面出问题都出在密钥管理和网络调用上。接着看本地模型那几节，理解 Ollama 这类工具的作用——它让你在没有外网或不想付调用费时也能跑起来，同时对比云端和本地的差别，方便你按成本和数据敏感度做选择。这两块打通之后，再进入 RAG 和智能体部分，否则会变成照抄代码但不知道每行在干什么。涉及检索、向量、提示词组织的章节是核心，值得反复看，其余部分可以按需跳读。

学完能独立做什么，资料怎么配合练

学完比较现实的产出是：你能独立写出一个命令行或简单网页形式的问答程序，上传几份 PDF 或文本后，它能基于这些内容回答问题并给出出处；你也能让模型在回答前先判断该不该调用某个函数，比如查天气、查数据库，再把结果组织成自然语言回复。这已经覆盖了不少公司里「AI 应用开发」岗位的日常任务。

练习方式建议不要只看视频。每看完一节，自己重新敲一遍代码，然后换一个自己的数据集去跑，比如拿你手头的行业报告或笔记做检索测试。重点观察两件事：检索出来的片段是否真的相关，以及模型有没有在资料里没有答案时硬编。这两个问题调好了，才算真的会用 RAG，而不是只会跑示例。资料里的项目可以当作参照，但最终要落到你自己的场景上，否则学完还是不会迁移。