程序员的 AI 开发第一课

这门课解决什么工作场景

传统程序员转型 AI 开发，最大的痛点往往不是语法，而是思维模式的切换。很多开发者习惯了确定性的代码逻辑，面对大模型“概率生成”的黑盒特性，容易陷入不知如何下手、或者做了demo却无法落地的尴尬境地。

这门课程的核心价值，在于填补从“传统软件工程”到“AI 原生应用开发”之间的能力断层。它不教你从头训练一个 LLM，而是聚焦于**如何使用 LLM 作为组件来构建上层应用**。无论你是想用 API 封装一个简单的问答助手，还是希望实现基于私有数据的 RAG（检索增强生成），亦或是探索 Agent（智能体）的自动化工作流，这门课都提供了完整的工程化视角。

特别值得肯定的是，课程并未局限于技术细节，开篇即点出“AI 应用的问题，不一定是技术问题”，这在当前行业浮躁的背景下显得尤为务实，帮助读者先建立正确的产品与问题定义意识。

适合什么基础、建议先看哪几块

本课程明确面向**“普通程序员”**，这意味着你不需要有深厚的数学或机器学习背景，只需具备基础的编程能力和逻辑思维能力即可入门。如果你已经完全熟悉 LangChain 生态或深耕过向量数据库，前两部分可能略显基础，但作为全链路回顾依然有价值。

建议学习路径如下：

1. **开篇词与前沿速递**：快速浏览，建立对 AI 时代程序员角色的宏观认知，调整心态。
2. **大模型基础篇**：这是重中之重。特别是“提示词”和“提示工程”两讲，决定了你后续调用模型的效果上限。务必动手实践，不要只看不练。
3. **应用开发篇**：按顺序推进。先从 OpenAI API 入手理解标准调用方式，再进入 LangChain 的核心抽象。重点钻研“从零实现角色扮演聊天机器人”和“自己动手实现 RAG 应用”这两讲，它们是理解整个生态的关键锚点。最后通过 Agent 模块，了解如何从单点任务走向复杂工作流。

学完能独立做什么、资料怎么配合练习

完成本课程后，你将能够独立使用主流 LLM API 和 LangChain 框架，开发出具备上下文记忆、知识库检索和简单任务执行能力的 AI 应用原型。你不再是对着文档发呆的旁观者，而是能够把想法转化为可运行代码的构建者。

资料包中的代码示例是学习的核心资源。建议采用“跟随式编码”而非“旁观式阅读”。每听完一个概念，务必打开对应的代码文件，逐行运行并修改参数，观察输出变化。例如在学习 RAG 时，尝试替换其中用到的数据源或向量检索策略，这种微创新式的练习比单纯复制粘贴更能内化知识。同时，注意对比官方文档与课程实现，培养甄别最佳实践的能力，为后续独立解决复杂业务场景打下坚实基础。