如果你已经在用大模型的 API，却总感觉自己只是把官方示例换了个壳，那这门 Hollis 的大模型应用开发课值得先花几分钟判断一下要不要学。它不解决"大模型是什么"这类科普问题，而是直接对着工程落地里的几个硬骨头：怎么把检索做准、怎么让模型稳定地调用工具、怎么把一堆零散调用组织成一个能上线的服务。

它主要解决哪几个工作场景

课程的重心落在 RAG 和 Agent 两条主线上，这也是目前企业里真实需求最集中的地方。

  • 知识库问答：文档切分粒度怎么定、向量召回不准怎么办、召回之后如何重排和拼上下文，这些环节课里都作为独立问题拆开处理，而不是跑通一个 demo 就结束。
  • 模型接入自有数据：把企业文档、工单、产品手册变成可查询的知识源，并控制模型不胡说。
  • Agent 与工具调用：让模型去调用外部接口、查数据库、执行多步任务，处理它中途出错、参数传错、循环调用这些实际会遇到的情况。
  • Prompt 的工程化写法：不是教你写"更漂亮的提示词"，而是怎么把 prompt 当成代码来管理、测试和迭代。

如果你手上的工作是"给公司内部做一个能问文档的助手"或者"让模型自动完成一段有依赖关系的操作流程"，这门课覆盖的场景基本对得上。

学完之后能独立做什么

判断一门实战课值不值，最直接的标准是学完能不能自己从零交付一个东西。按课程的内容密度，认真跟完并动手做完练习，比较现实的产出是：能独立设计并实现一个带检索增强的问答服务，包括数据预处理、向量库选型、召回策略调整和效果评估；能搭出一个具备工具调用能力的 Agent，并知道在哪些环节加约束、加兜底。这些不是"看懂原理"层面的能力，而是能写进简历、能在面试里讲清楚取舍的项目经验。

反过来说，如果你的目标只是了解大模型概念、或者想学模型训练和微调，这门课不是为你准备的，它更偏应用层和工程层。

对基础的要求

课程会讲到 Transformer 的底层原理和模型构建，但这部分是为理解应用行为服务的，不是让你去训模型。所以数学和深度学习理论不需要很扎实，看得懂大致结构即可。真正需要的基础是编程能力——能写 Python、理解接口调用、知道基本的后端服务是怎么回事。完全没有编程经验的人直接上，会在动手环节卡住，建议先补 Python 和多线程/异步的基础。

另外，最好已经用过至少一次大模型 API，哪怕只是跑通官方文档里的对话示例。有过这种体验再听课，对"上下文长度""token 消耗""温度参数"这些概念会更有体感。

资料怎么用效率更高

这类体系课最容易犯的错是顺着视频一路看完，动手环节全部跳过。RAG 和 Agent 的效果高度依赖调试，参数、切分方式、召回数量稍微一变，结果差别很大，光看是看不出来的。

比较务实的用法是：每讲完一个模块，先自己按思路实现一遍，再对照课程里的做法找差异，重点想清楚"为什么它这么选"。遇到效果不好的情况别急着换方案，先把召回结果、拼好的上下文打印出来看，大部分问题出在数据环节而不是模型环节。工具调用部分建议自己接一个真实接口练手，比对着示例改参数收获大得多。

整体来看，这是一门定位清晰的工程实战课，适合已经有一定开发基础、准备把大模型能力真正做进产品里的人。基础不够的话，先补编程再回来，学习体验会顺畅很多。

课程目录

1.代码介绍&应用启动 01.课程介绍+如何答疑 02.【重要】课程设计说明 03.重要说明+如何下载代码 04.代码目录结构&应用如何启动 2.大模型应用开发概述 05. Prompt是什么 06.行业趋势与岗位需求分析 07. 什么是大模型 08. 大模型的工作原理 09.Java 在大模型应用开发中的优势 10.大模型应用开发常用的平台 11.百炼介绍与基本使用 12.基于Ollama部署本地模型 13.大模型的局限性以及常见解决方案 14. LLM HelloWorld 3.提示词工程 15. 什么是Prompt 16. 如何设计Prompt？ 17. 高阶Prompt优化方法 18. 结构化Prompt框架 19. Prompt评测方法 20. nof1提示词工程案例 21. 理解 OpenAI API 4.SpringAl 22. Java中大模型调用的多种方式 23. 基于SSE实现大模型流式输出 24. LLM应用开发框架：LangChain 25. 接入Spring AI 与Spring AI Alibaba 26. 开发必备的Spring AI核心概念(上） 27. 开发必备的Spring AI核心概念(下） 28. Spring AI 核心特性：提示词工程 29. Spring AI 核心特性：流式输出 30. Spring AI 核心特性：提示词模板管理 31. Spring AI 核心特性：结构化输出（上） 32.Spring AI 核心特性：结构化输出（中） 33.Spring AI 核心特性：结构化输出（下） 2026-02-11 11

68 次学习 34. Spring AI 核心特性：对话记忆 35. Spring AI 记忆管理技术：持久化记忆 36. Spring AI 核心特性：Advisor 37. Spring AI 核心特性：调用本地模型 5.LangChain4J 38. 初识LangChain4j 39. LangChain4J低层次API使用 40. LangChain4j高层次API使用 41. @AiService实现原理 42. LangChain4j中实现持久化记忆 43. Spring AI & Spring AI Alibaba & Langchain4j 6.Function Call 44. 什么是Function Call 45. 如何定义一个好的Function 46. 使用Spring AI做Function Call 47. Spring AI中的Tool Calling怎么实现的 48. 实战：仿PDD自动帮买家申请退款 7.MCP 49. 什么是MCP 50. 深入理解MCP技术原理 51. 如何接入MCP Server 52. 使用Spring AI开发MCP Server 53. 使用Spring AI开发MCP Client 54. Spring AI MCP调用实现原理 55. SSE MCP Server如何实现重连 56. 将MCP改造为HTTPS 57. MCP如何实现认证鉴权 58. 神奇的context-path 59. MCP调试工具 60. 如何跳过MCP的模型总结 61. 如何实现MCP工具过滤 62. MCP与其他协议的区别 8.RAG 63. 什么是RAG？ 64. 深入理解RAG技术原理——索引构建 65.深入理解RAG技术原理——检索生成 66. 使用 LlamaIndex 构建一个简单的RAG系统 67. RAG的范式演进 68. 文档预处理（上） 69. 文档预处理（中） 70. 文档预处理（下） 71. 常见文档分片方式 72.Java中如何实现文档分片 73. 自定义支持父子分片的基于标题的分片器 74. 向量模型&向量数据库&向量存储 75. （选学）PostgresMlEmbeddingModel 76. 向量数据库如何选型？ 77. （选学）如何使用离线向量模型 78. 索引构建流程（ETL）总结与查缺补漏 79. 检索增强生成 80. Spring AI 和 LangChain4J中文档处理功能对比 81. RAG优化技术：元数据过滤 82. RAG优化技术：问题改写 83. RAG优化技术：查询路由 84. RAG优化技术：查询构造 85. RAG优化技术：问题澄清 86. RAG优化技术：HyDE 87. RAG优化技术：混合检索(上） 88. RAG优化技术：混合检索(中） 89. RAG优化技术：混合检索(下） 90. RAG优化技术：重排序 91. RAG优化技术：Graph RAG（上） 92.RAG优化技术：Graph 92.RAG（下） 93. Spring AI中的Modular RAG支持 94. LangChain4J中的Modular RAG支持 95. 基于LangChain4J实现简单的RAG检索 96. Spring AI 和 LangChain4J的模块化RAG功能对比 97. 多模态RAG 98. 多模态RAG——对接多模态模型做图像识别 99.实战：多模态RAG智能问答系统（上） 100. 实战：多模态RAG智能问答系统（中） 101. 实战：多模态RAG智能问答系统（下） 9.Agent 102. 什么是AI Agent？ 103. 常用的Agent开发框架 104.Agent常用架构：ReAct Agent 105.React Agent的实现方式？ 106. Alibaba-React Agent 初探 107. Alibaba-React Agent 核心组件 108. 如何给Agent增加持久化记忆 109. 深入理解 Alibaba-React Agent 原理 110. Agent常用架构：Plan and Execute Agent 111. Agent常用架构：Reflection Agent 112. Agent常用架构：Human in the Loop 113. Agent常用架构：Multi Agent 114. 使用AutoGen 构建一个代码生成器 115. Spring AI Alibaba中的多智能体支持 116. 多智能体协议——A2A 117. 实战一：手搓ReactAgent（非流式） 118. 实战一：手搓ReactAgent（流式） 119. 实战一（后续）：ReactAgent流式输出有问题？ 120. 实战二：手搓ReflectionAgent 121. 实战三：手搓PlanExecuteAgent 122. 实战四：手搓Human in the Loop 10.上下文工程 123. 什么是Context，和Memory、Prompt、Token之间的区别？ 124. 上下文太长会带来什么问题？ 125. 什么是上下文工程？ 126. 实战：Manus的上下文工程实践 11.Skill 127. 什么是Agent Skills，为什么需要他？ 128. Skill的渐进式披露 129. 一些好用的Skills推荐 130. Claude Code中如何使用Skills 131. 实战：开发一个简历评估的Skill 132. 简历评估Skills讲解 133. SpringAI中如何使用Skill？（Agent） 134. SpringAI中如何使用Skill？（ChatClient） 12.项目实战 135. 整体架构与功能点介绍 136. 项目运行说明 137. 智能对话：从需求分析到技术落地 138. 流式控制与任务管理 代码 LLMentor代码.rar