大模型应用开发实战：值不值得学

这门课解决的是“懂点技术但没做过 AI 应用”的人，如何把大模型真正接入实际业务流程的问题。它不是讲怎么训练模型，也不是泛泛而谈的 AI 通识，而是直接上手用 OpenAI 的 Assistants、Function Calling、RAG、Embedding 这些工具，做出能跑的东西。如果你平时工作中遇到“想让 AI 帮我处理订单数据”“想自动生成单元测试代码”“想用自然语言查 SQL”这类具体需求，这门课会直接给你可复用的实现思路。如果你只是想了解大模型概念，或者已经能熟练手写 Transformer 架构，那这门课的深度可能不太匹配。

建议先看哪几块，怎么配合练习

资料的结构很清晰，建议按“开篇词 → 提示工程篇 → 解决实际问题篇”的顺序来。开篇词别跳过，它讲清楚了自然语言编程的范式逻辑，后面所有代码都建立在这个认知上。提示工程篇的 5 大基本原则和思考框架是核心基础，这部分吃透了，后面的实战案例你才能看懂为什么这么写提示词。解决实际问题篇的每个案例都是独立的，可以挑你最需要的先做，比如做 RAG 系统就从 PDF 检索那个案例开始，做数据分析就从 Code interpreter 那个开始。练习时不要只看视频或文档，一定要自己开个 OpenAI 账号跟着跑一遍代码，遇到报错先自己查文档解决，这是大模型开发必须练的基本功。

学完能独立做什么

学完这门课，你应该能独立完成这几件事：第一，用 Assistants API 搭一个带工具调用的对话应用，比如能查订单状态、能执行函数的客服机器人；第二，用 RAG 技术做知识库检索，支持 PDF、图片等多种格式输入；第三，用 Embedding 做简单的推荐系统或语义搜索；第四，用多步提示拆解复杂任务，比如自动生成代码测试用例。这些能力组合起来，基本覆盖了目前大模型应用开发最常见的几个场景。你不会变成 AI 算法专家，但能成为一个能独立交付大模型应用的开发者。资料里的代码案例可以直接拿过来改造成你业务需要的版本，不用从零开始造轮子。


AI 时代下的自然语言编程范式第一课

课程目录

*   开篇词/

  *   开篇词｜大模型应用开发时代，人人都是程序员

*   启程篇/

  *   01｜用OpenAI Assistants的Function进行订单管理

  *   02｜OpenAI Assistants中的线程和Run状态解析

  *   03｜用Assistants中的Code interpreter做数据分析

  *   04｜用Assistants中的File search（RAG）工具做知识检索

*   提示工程篇/

  *   05｜用5种不同模型展示模型交互5大基本原则

  *   06｜通过设置思考框架，引导模型进行更好的推理

*   解决实际问题篇/

  *   07｜用多步提示引导自动生成Python单元测试代码

  *   08｜用大模型实现自然语言的SQL查询

  *   09｜构建能够读图的基于PDF的RAG系统

  *   10｜通过Embedding构建基于关键词的推荐系统

  *   11｜长PDF文档的总结与评估策略

  *   12｜用Assistants自主思考生成商业报告PPT

*   微调模型篇/

  *   13｜以Qwen为例讲透参数高效微调（PEFT）

  *   14｜以Llama 3为例讲透QLoRA量化+微调

  *   15｜OpenAI闭源模型的微调流程和Function Calling微调

*   多模态篇/

  *   16｜多模态：整合大语言模型与Dall-E/Stable Diffusion API

  *   17｜GPT-4o最强多模态模型实战

  *   18｜多模态：用大语言模型进行TTS/ASR/OCR

  *   19｜Sora模型的原理和架构初探

*   应用技巧篇/

  *   20｜如何通过Moderation API对生成内容进行安全审核？

  *   21｜LLM开发过程中的错误处理和Tracing

  *   22｜如何在与LLM交互过程中省钱及控制Rate Limits？

*   结束语 & 结课测试/

  *   结束语｜再谈大模型应用开发

  *   结课测试｜来赴一场满分之约