黑马程序员 AI 大模型RAG与Agent智能体开发项目课

这门课面向的是已经会一点 Python、想把大模型真正接进业务系统的人。它不讲 Transformer 原理，也不带你从零训练模型，而是解决一个很具体的问题：手上有个云端或本地的大模型，怎么让它读懂你自己的文档、调用你自己的工具、按流程把一件事做完。如果你之前调过几次 API、写过几段提示词，但一到"接入公司知识库"或"让模型自动查数据"就卡住，这门课的内容基本对着这个缺口。

它解决的是哪几个工作场景

第一个场景是私有知识问答。企业文档、产品手册、内部规范这类内容，模型训练时没见过，直接问它会胡编。RAG 要做的就是先把文档切分、向量化、存进向量库，提问时先检索再让模型基于检索结果回答。这套流程听起来简单，但切分粒度、检索条数、召回质量、答案引用来源，每一步都会影响最终效果，课程里是围绕这些工程细节展开的。

第二个场景是让模型动手做事。Agent 的核心不是聊天，而是"决定调用哪个工具、传什么参数、拿到结果后怎么继续"。比如让模型查数据库、发请求、按条件筛选，再根据返回内容决定下一步。这类任务单靠提示词很难稳定，需要把工具定义、调用循环、异常处理都写清楚。

学完能独立做出什么

比较现实的预期是：你能自己搭出一个可运行的 RAG 问答服务和一两个 Agent 小工具。前者包括文档入库、检索、拼提示词、接大模型、返回带出处的答案；后者包括注册工具函数、让模型自主选择调用、处理多轮工具调用。这些不是演示级 demo，而是能改一改就接到实际项目里的结构。至于调优到生产级别的稳定性和并发，课程能给你方向，但更多要靠自己在真实数据上磨。

资料的组织方式与基础要求

内容从环境准备起步，包括 API Key 怎么用环境变量管理、云端模型（如通义千问）怎么接、本地模型怎么用 Ollama 跑起来，Windows 和 macOS 都有覆盖。也就是说，即便你还没决定用云还是本地，前期也能先把两条路都跑通再选。之后才进入 RAG 和 Agent 的主体部分。

基础方面，需要你能看懂 Python 代码、会装包、能配环境变量。完全没写过代码的人跟起来会吃力，因为课程节奏偏工程实现，不会在语法上停留。反过来，如果你已经做过一两个 API 调用的小脚本，起步会很顺。

适合谁，不适合谁

• 适合：有 Python 基础、想把大模型落到具体业务里的开发者；需要给产品加知识库问答或自动化流程的技术人员；转行做 AI 应用、想拿一个能讲清楚的项目练手的人。
• 不太适合：想学模型训练、微调、算法原理的人；期待纯理论讲解的人；完全没有编程经验的人。

怎么用这份资料

建议不要只看视频。RAG 和 Agent 的坑大多在跑起来之后才暴露——检索结果不对、工具调用死循环、Key 泄露、本地模型显存不够，这些都得自己动手才会遇到。比较有效的做法是：跟着把环境跑通，然后拿自己手头的一份真实文档替换掉示例数据，走一遍完整流程。遇到效果不好再回头对应章节找原因，比顺序刷完更有用。另外，云端模型和本地模型各跑一次，你才能判断自己的场景该选哪条路。