AI查缺补漏课程(deepseek、并行编程)

先讲清楚：这门课解决什么问题

如果你是一名应用程序员或运维开发，最近大概率被大模型相关的技术演进推着走。工作场景里可能已经出现了这些具体诉求：想在本地把开源模型跑起来测测效果、需要搞懂 CUDA 到底在底层处理什么、被要求用 Dify 搭一个内部知识库，或者团队在讨论 Agent 设计时你听不懂 ReAct 和 CodeAct 的区别。这门课就是来解决这些“不成体系但必须懂”的碎片化盲区的。它没有按部就班地从 Python 语法讲起，而是直接把当前应用开发中最常被提及的几个技术点拆开，针对应用层程序员日常对接大模型时遇到的认知断层进行定点扫盲。

适合什么基础，建议先看哪几块

这套资料不适合完全零基础的小白，它默认你已经具备日常的代码编写能力，熟悉基本的 Docker 操作，且对 Linux 命令行不陌生。如果你符合这个画像，建议按实际工作需求分块切入。如果近期要在公司内部环境部署模型，优先看本地部署以及 CUDA 那几节，它能帮你快速理清显卡算力和模型运行之间的底层关系，避免在环境配置上盲目试错。如果你的业务重点在应用层搭建，直接跳到 Dify 升级要点和 MCP 协议入门，这两块能让你明白当前主流的 AI 应用编排工具是如何工作的。至于模型层面，关于蒸馏数据生成以及训练与微调的选择，适合正在评估业务到底该调用 API 还是自己养小模型的开发者，它能帮你建立基本的技术判断力。

资料怎么配合练习，学完能独立做什么

这套资料带有很强的实操属性，光看不练基本等于白学。建议在本地备好一台带显卡的机器或者租用云算力，跟着视频把本地部署走通一遍。资料里的 Agent 设计模式部分，不要只停留在理解概念，一定要配合 Dify 或者自己写代码，手动搭一个 ReAct 模式的简单智能体，观察它在调用工具时的决策过程。关于 DeepSeek 蒸馏小模型的章节，重点在于理解数据生成的逻辑，你可以尝试用基础模型跑一遍流程，看看输出质量。完整学完并跟着实操后，你能独立完成基础开源模型的本地化部署与运行，能看懂并编写基于 ReAct 或 CodeAct 模式的智能体逻辑，并且在面对团队内部“要不要微调模型”的讨论时，能给出基于成本和业务现状的具体建议，而不是一头雾水。