这门课的名字里带“AI工程化”，但真正要解决的问题很具体：你已经在用大模型做点东西，或者公司要求你把大模型接进业务系统，可一到落地就卡住——接口怎么调、上下文怎么管、知识库怎么接、效果怎么评估，全靠零散搜来的片段拼。它想补的是从“会调 API”到“能把一个 AI 功能稳定交付”之间那段空白。
它解决的是哪类工作场景
课程围绕两条线展开。一条是大语言模型的技术栈：模型调用、函数调用、Prompt 的组织方式，以及 LangChain、LlamaIndex 这类框架在工程里到底承担什么角色。另一条是知识增强系统，也就是把外部文档、业务数据接进模型，让它回答得靠谱一些。开学部分讲的是 AI IDE 的架构演进，本质是在解释这类系统为什么这样分层，而不是直接甩给你一个模板。落点是一个智能客服系统——这是典型的“有知识库、有对话、有业务约束”的场景，也是多数人第一次做 AI 应用时会碰到的形态。如果你手上的需求是问答、客服、内部知识检索这一类，课程内容和你的场景是对得上的；如果你要做的是图像生成或模型训练，方向就不太一样。
适合什么基础，先看哪几块
它不适合完全没写过代码的人。你需要能读懂 Python，知道 HTTP 请求和 JSON 是怎么回事，最好自己调用过一次大模型接口。深度学习与 NLP 基础那部分放在中段，作用是让你理解 token、向量、检索这些概念从哪来，不是让你从头推导公式，所以有基础可以快进，没基础也不要跳过——后面知识库效果不好时，能不能判断是检索的问题还是 Prompt 的问题，靠的就是这块。建议的看课顺序是：先看开学部分建立整体架构认知，再进第一周把模型调用和框架用起来，然后跟知识增强系统，最后回到智能客服项目把前面几块串一遍。不要一上来就对着项目代码抄，那样遇到报错会完全无从下手。
学完能独立做什么，资料怎么配合
比较现实的目标是：你能独立搭起一个带知识库的问答应用，自己完成文档切分、向量检索、Prompt 拼装和对话流程控制，出问题时知道去哪个环节排查，而不是只能换模型碰运气。资料部分建议这样用：视频看完一节，先自己把当节的调用跑通，再对照资料里的实现检查差异，重点看它为什么这样组织代码，而不是把代码原样复制。项目部分最好换一个你自己的数据源重做一遍，比如把客服知识换成你熟悉的产品文档——只有换过数据，你才知道哪些步骤是通用的，哪些是跟着示例数据走的。
最后提醒一点：AI 工程化的工具迭代很快，课里的框架版本未必是最新的。把它当作理解设计思路的入口，遇到接口变动去查官方文档，这个习惯比记住某个具体写法更值钱。
课程目录
├──00-开学第一课 | └──开营直播-AIIDE的架构演进，洞察AI工程化的设计逻辑.mp4 502.81M ├──01-第一周：大语言模型技术栈与 Prompt 工程 | ├──1.AI工程化定义&大模型与函数的调用.mp4 685.01M | └──2.LangChain核心组件&LlamaIndex与知识增强系统.mp4 489.05M ├──02-第二周：技术栈与 Prompt 工程&深度学习与 NLP 基础 | ├──1.工程化中的Prompt技巧与多Agent、轻量微调、生产部署实践.mp4 743.13M | └──2.工程准备与数据工程&Transformer与高效微调.mp4 1.65G ├──03-第三周：深度学习与 NLP 基础 | └──1.微调管理优化与评估压缩部署.mp4 704.86M ├──04-第四周：数据工程与知识增强 | ├──1.解构RAG与使用LlamaIndex实现RAG.mp4 991.44M | └──2.QAnything与本地RAG解决方案.mp4 539.48M ├──05-第五周：数据工程与知识增强&智能客服系统架构设计 | ├──1.提升RAG效果的方法.mp4 697.66M | ├──2.搭建基础对话链&意图识别流水线设计.fixed.mp4 799.35M | └──2.搭建基础对话链意图识别流水线设计.fixed.pdf 3.19M ├──06-第六周：智能客服系统架构设计 | ├──1.意图识别与上下文理解与记忆管理.mp4 670.93M | ├──1.意图识别与上下文理解与记忆管理_笔记.pdf 4.11M | ├──2.让系统“会行动”与用LangGraph实现多轮对话流程控制.mp4 834.39M | └──2.让系统“会行动”与用LangGraph实现多轮对话流程控制_笔记.pdf 10.42kb ├──07-第七周：智能客服系统架构与多Agent协作与通信机制 | ├──1.工具调用引擎设计&多Agent协作概念以及主流框架.mp4 460.02M | └──2.多智能体框架与MCP协议.mp4 1.08G ├──08-第八周：多Agent协作与通信机制 | ├──1.LangGraph集成MCPServer与A2A.mp4 578.35M | ├──1.LangGraph集成MCPServer与A2A_笔记.pdf 4.22M | ├──2.Gemini-fullstack-langgraph-quickstart源_笔记.pdf 4.86M | └──2.Gemini-fullstack-langgraph-quickstart源码剖析.mp4 377.38M ├──09-第九周：DSL语言设计与执行引擎 | ├──1.DSL设计原则与应用场景&使用ANTLR-Lark解析DSL语法.mp4 643.21M | ├──1.DSL设计原则与应用场景使用ANTLR-Lark解析DSL语法.mp4.pdf 4.38M | ├──2.NL2SQL与数据安全.mp4 619.26M | └──2.NL2SQL与数据安全_笔记.pdf 2.77M ├──10-第十周：智能Agent高级能力构建 | ├──1.记忆管理系统设计与Agent可观测性系统构建.mp4 695.37M | └──1.记忆管理系统设计与Agent可观测性系统构建_笔记.pdf 4.88M ├──11-第十一周：智能Agent高级能力构建 | ├──1.Agent在多模态任务中的推理&移动端大模型部署.mp4 802.15M | └──智能Agent高级能力构建22.pdf 4.08M ├──12-第十二周：模型部署与服务化 | ├──1.Docker容器化打包与镜像构建&FastAPI构建模型基础服务.mp4 638.31M | ├──1.Docker容器化打包与镜像构建FastAPI构建模型基础服务_笔记.pdf 2.69M | ├──2.K8S编排基础与监控系统、日志收集系统搭建.mp4 726.96M | └──2.K8S编排基础与监控系统、日志收集系统搭建_笔记.pdf 10.63kb ├──13-第十三周：Python高性能编程与并发工程 | ├──1.核心概念与底层原理&并行机制对比分析.mp4 767.28M | ├──2.并行机制对比分析与FastAPI深度集成.mp4 518.28M | └──3.LangChain异步开发进阶与向量数据库和GPU.mp4 888.73M ├──14-第十四周：项目实战 —— 工程化企业级智能客服平台 | ├──1.需求与原型阶段.mp4 877.20M | ├──1.需求与原型阶段_笔记.pdf 5.59M | └──2.补充核心与交互能力.mp4 900.78M ├──15-第十五周：行业场景与产品设计 | ├──1.AI产品从“能做”到“好用”的跨越与垂直领域的深水区.mp4 465.48M | └──2.AI伦理、数据合规与治理&Dify二次开发.mp4 490.18M ├──16-模块实战讲解 | ├──模块二实践二：基于LoRA微调一个垂直领域客服问答模型.mp4 57.28M | ├──模块二实践一：训练一个意图识别模型并部署为API.mp4 71.98M | ├──模块三实践二：构建一个基于FAISS-Milvus的FAQ检索系统.mp4 69.33M | ├──模块三实践一：构建一个基于FAISS-Milvus的FAQ检索系统.mp4 93.02M | ├──模块一：实践一：基于LangChain构建一个多任务问答助手.mp4 372.41M | └──模块一实践二：构建一个多Agent协同客服系统.mp4 120.23M └──知识图谱.png 6.10M 适合人群 AI开发者 对AI工程化感兴趣的技术人员 学习收获 掌握AI工程化设计逻辑 构建智能客服系统 提升AI应用开发能力 祝您学习愉快！ 学有所成，前程似锦！
