先判断这门课值不值得学
很多做前端的同学目前都面临一个尴尬的场景：业务里想接点大模型能力，比如做个能查内部文档的问答助手，但一打开教程全是 Python 生态，自己的 Node.js 技能栈完全用不上。这门课解决的就是这个错位。它没有去讲宽泛的 AI 概念，而是把焦点收得很窄，专门教你如何用 JavaScript 配合 LangChain.js 去落地大模型应用。如果你本身有前端基础，想在自己熟悉的工具链里把大模型能力跑通，而不是为了学 AI 专门去转 Python，那这门课的投入产出比是合适的。它不适合零基础编程新手，需要你手上有现成的 TypeScript 或 Node.js 经验。
建议先看哪几块以及怎么配合资料
拿到资料后别按顺序从头啃，建议直接跳到 RAG 原理和流程那一节，这是整个体系里最值钱的部分。先弄懂检索增强生成的链路，再倒回去看 Embedding 如何加载多数据源，以及 Retriever 怎么构建向量库。这种以终为始的看法能让你迅速建立全局观。代码资料建议配合 Deno 和 Jupyter Notebook 环境来跑，不要只用眼睛看文档。特别是 OutputParser 格式化输出和 Prompt Template 构建这两块，务必在本地改写几次提示词，看看大模型返回的 JSON 结构会不会因为你的提问变动而崩掉，这是纯看视频体会不到的踩坑点。
学完能独立做什么
跟着这套流程走完，你能独立搭出一个基于私域数据的问答应用。具体来说，你能把公司的 PDF 或网页文本切块做向量化预处理，让大模型只根据你喂的私有知识库回答问题，而不是满嘴跑火车。此外，你还能给现有的聊天界面加上上下文记忆能力，理解 Memory 的运行机制，并实现自定义的存储方案，不至于每次对话都像失忆一样从头开始。对于前端转 AI 应用开发的上班族来说，这套东西跑通后，你就能在现有业务里把大模型真正串起来，交出一个能跑的工程原型，而不是只停留在调调通用接口做个套壳页面的阶段。
手把手带你开发 AI 应用，提升大模型实战能力
课程目录
* 开篇：大模型时代，如何跟上节奏？
* Deno 和 Jupyter Notebook：如何优雅地学习 LLM？
* 如何方便地获取 OpenAI 服务？
* Langchain.js 的介绍、安装和快速入门
* 检索增强生成（RAG）原理和流程
* Prompt：构建可复用的 Prompt Template
* OutputParser：构建格式化输出
* Embedding：多数据源加载
* Embedding：大规模数据的预处理
* Retriever：构建向量数据库
* Retriever：retriever 常见优化方式
* RAG：基于私域数据进行回答
* Memory：让 Chatbot 拥有记忆能力
* Memory：深入 Memory 运行机制
* Memory：实现自定义 Memory 存储
* RAG：增强 RAG 能力并部署成 API
* Function Calling：使用 LLM 去调用外界 API
* Function Calling：使用 LLM 进行数据标注和信息提取
* Agent：agent 基础
* Agent：迈出 AGI 第一步，基础 Agent 实现和解析
* Agent：深入定制 Agent
* 新交互范式：用 LLM_UI 实现 MBTI chat bot
* 探索模型优势：使用 LLM 来 “算命” 的 chatbot
* 结语：另一个起点
* 让AI替代50%的工作 ——1. AI辅助编程基础
* 让AI替代50%的工作 ——2. AI辅助编程协作逻辑
* 让AI替代50%的工作 ——3. 解决程序员最痛苦的难题：命名
* 让AI替代50%的工作 ——4. 利用AI速读代码，精读代码
* 让AI替代50%的工作 ——5. 利用 AI 进行代码改写与依赖迁移
* 让AI替代50%的工作 ——6. AI 辅助 Debug 与智能修复
