先判断值不值得学：这门课解决什么问题
很多开发工程师面对大模型热潮时，真正的痛点不是找不到概念科普，而是不知道怎么把开源模型塞进自己的业务里。这门课解决的核心场景很明确：当你需要把一个开源大模型本地化跑起来，还要让它结合企业私有数据回答问题，甚至针对特定领域做微调时，中间那些工程化落地的事。它不讲泛泛的 AI 趋势论，而是直接带你走通从本地部署、提示工程、RAG 检索增强生成到 API 封装对外服务的完整链路。如果你目前的工作涉及企业内部知识库搭建、私有化模型服务，或者你想从传统开发转去做 AI 应用落地，这门课的实操价值就很高。但如果你只是想学怎么用现成的网页版大模型聊天，或者想搞底层算法研究，这套内容对你来说偏重工程部署，可能不是最优选。
适合什么基础，建议先看哪几块
这门课默认你有基本的编程开发经验，懂代码逻辑，但对机器学习底层不需要精通。资料里的机器学习基本概念那几节，定位是帮你建立必要的认知地基，让你看懂微调在做什么，而不是把你培养成算法专家。建议优先看提示工程和智能体世界那块，先把怎么驾驭大模型搞明白；接着直接进本地部署 ChatGLM3-6B 和 RAG 实战那几节，这是整套资料的核心价值所在。关于法律常识大模型微调那节，建议在跑通基础部署和知识库之后再回头看，否则容易卡在环境配置和数据准备上。
资料怎么配合练习，学完能独立做什么
资料包里的文档和代码线索不是用来通读的，是用来边看边跑的。正确的用法是：先过一遍每节的原理说明，理解 RAG 为什么需要向量检索、Lora 微调到底在改模型的哪部分参数；然后严格跟着代码线索在自己的机器上复现。本地部署那节对显卡显存有要求，跑之前先确认硬件条件，别在环境上死磕。微调那节的法律常识数据集是个很好的示例，建议你跑通之后，尝试替换成自己领域的文本数据，看模型回答的变化。学完这套资料，你应该能独立完成这几件事：在本地把一个开源大模型跑起来并调通接口、用 LangChain 配合向量库搭一个能检索企业内部文档的问答系统、对开源模型做轻量级微调并把它封装成 API 服务对外提供调用。能把这些事独立做下来，在团队里做 AI 应用落地就已经够用了。
蜕变 · 成为 AI 时代的新型工程师
课程目录
* 开篇词/
* 开篇词｜开发工程师如何进阶为AI应用型人才？
* 第一章：小试牛刀，理解基础概念/
* 01｜洞察本质：从工程学角度看ChatGPT为什么会崛起
* 02｜学好提示工程，轻松驾驭大模型
* 03｜探索智能体世界：LangChain与RAG检索增强生成
* 第二章：超燃实战，深度玩转 AI 模型/
* 04｜本地部署：如何本地化部署开源大模型ChatGLM3-6B？
* 05｜大模型微调：如何基于ChatGLM3-6B+Lora构建基本法律常识大模型？
* 06｜RAG实战：基于ChatGLM3-6B+LangChain+Faiss搭建企业内部知识库
* 07｜大模型API封装：自建大模型如何对外服务？
* 第三章：打入核心，挑战底层技术原理/
* 08｜关于机器学习，你需要了解的基本概念（一）
* 09｜关于机器学习，你需要了解的基本概念（二）
* 10｜经典算法之RNN：开发人员绕不开的循环神经网络
* 11｜关于自然语言处理，你需要了解的基本概念
* 12｜深入理解Word2Vec：解开词向量生成的奥秘
* 13｜深入理解Seq2Seq：让我们看看语言翻译是怎么来的
* 14｜Transformer技术原理：为什么说Transformer是大模型架构的基石？（上）
* 15｜Transformer技术原理：为什么说Transformer是大模型架构的基石？（下）
* 第四章：终极玩法，从0到1构建大模型/
* 16｜从零开始，构建一个具有100M参数规模的Transformer模型
* 17｜模型解剖：探究模型内部到底是什么？
* 18｜大模型预训练：Pre-Training如何让模型变聪明？
* 19｜深入理解DeepSpeed，提高大模型训练效率
* 20｜人类意图对齐，让模型拥有更高的情商
* 21｜模型测评：如何评估大模型的表现？
* 22｜模型轻量化：如何让模型运行在低配置设备上？
* 23｜模型核心技术指标：如何提高上下文长度？
* 24｜架构设计（上）：企业如何设计大模型应用架构？
* 25｜架构设计（下）：企业如何搭建 AI 中台？
* 第五章：热点速递，AI行业发展趋势解读/
* 26｜为什么说Mamba是Transformer的最强挑战者？
* 27｜机器人+大模型会产生什么化学反应？
* 28｜Sora的突破：揭秘AI世界模拟器背后的技术演进
* 29｜人工智能+无人机：掀起智能飞行领域革命
* 30｜AI发展的下一阶段：什么是Q-Star(*)？
* 结束语/
* 结束语｜相信自己，未来无限可能
* 期末测试｜来赴一场满分之约！
