课程目录

开篇词 (1讲)

  1. 开篇词｜在AI浪潮中，做个会“偷懒”的聪明人

第一章：AI 行业全景 (25讲)

  1. Q1｜数据底座：如何应对可能的语料库枯竭？
  2. Q2｜企业：何时_如何开始利用AI能力？
  3. Q3｜AI-first视角：AI新范式与产品表达
  4. Q4｜未来：人与AI的关系？
  5. Q5｜洞察：MCP、A2A解决了什么问题？
  6. Q6｜Agent：当前发展还存在哪些问题？
  7. Q7｜通用Agent：未来是否具备存在价值？
  8. Q8｜微调：是否将因技术发展变得鸡肋？
  9. Q9｜RAG是否已接近成熟无更多发展空间？
  10. Q10｜模型架构：多模态理解和生成的区别？
  11. Q11｜多模态：核心技术挑战是什么？
  12. Q12｜前沿探索：多模态领域研究热点有哪些？
  13. Q13｜技术路径：如何快速提升多模态效率？
  14. Q14｜技术、数据、应用：多模态下一阶段突破？
  15. Q15｜DeepSeek R1：多模态模型中Reasoning的重要性如何？
  16. Q16｜无界融合：AI怎样融入日常编程工作流程？
  17. Q17｜能力边界：生产力提升和新的生产关系下的机遇
  18. Q18｜效率：AI辅助编程主要解决哪些痛点？
  19. Q19｜实时推理：这会带来哪些新应用场景？
  20. Q20｜端侧：算力限制是否为落地的关键瓶颈？
  21. Q21｜破局：开源霸权还是闭源终局？
  22. Q22｜关联：大模型发展与RAG技术的关联性？
  23. Q23｜技术出海：“先本土后海外”or“直接全球化”？
  24. Q24｜跨境PFM：哪些技术指标比商业数据更关键？
  25. Q25｜审视：出海前有哪些必做功课？

第六章：AI 项目实战经验 (30讲)

  1. Case1｜从数据到决策：AI驱动的Quick BI架构设计与实践
  2. Case2｜当代码遇上大模型：智能编程助手的架构设计与工程实践
  3. Case3｜云端AI Agents系统开发的探索与实践
  4. Case4｜资源有限，如何构建高效能的AI Agent
  5. Case5｜千卡级分布式集群上的视觉多模态大模型落地实践
  6. Case6｜京东大模型革命电商搜推技术：挑战、实践与未来趋势
  7. Case7｜千亿级向量索引的秘密武器：一文详解蚂蚁集团的工程实践和开源突破
  8. Case8｜AI 原生应用全栈可观测实践：以 DeepSeek 对话机器人为例
  9. Case9｜大模型安全方向：大模型安全挑战与实践：构建AI时代的安全防线
  10. Case10｜LLM基础设施：Kimi 大模型训推混部的稳定性与资源优化实战
  11. Case11｜AI 应用开发：LLM 基座选型、数据集构建与产品落地的坑与对策
  12. Case12｜大模型推理性能优化：大模型推理新突破：分布式推理技术探索与实践
  13. Q68｜AI落地：企业如何有效选择合适的场景？
  14. Q69｜AI Agent：AI原生应用和Agent的落地场景
  15. Q70｜AI应用：有哪些AI适合做的业务场景？
  16. Q71｜投资回报：AI模型带来的业务价值
  17. Q72｜选型：如何根据业务评估开源大模型性能？
  18. Q73｜调优：AI调优必备哪些技能？
  19. Q74｜封装：大模型如何API化？
  20. Q75｜自然语言：LLM转DSL
  21. Q76｜安全：商用大模型如何防泄？
  22. Q77｜Text2SQL：发展现状？挑战何在？
  23. Q78｜分析：向量库外挂是否冗余？
  24. Q79｜排查：AI效果不佳，如何自查？
  25. Q80｜AI项目实战：如何平衡模型准确性？
  26. Q81｜对接：Agent如何对接MCP服务端？
  27. Q82｜技术替代：MCP+数据库，能否替代RAG？
  28. Q83｜架构：如何设计多Agent架构？
  29. Q84｜AI驱动：算法 vs 工程怎么权衡？
  30. Q85｜评估标准：AI产品验收标准怎么定？

第二章：AI 工程师相关岗位情况和能力要求 (18讲)

  1. Q26｜市场：哪些类型的公司在招聘AI人才？
  2. Q27｜AI团队：是否需要组建独立AI技术团队？
  3. Q28｜人才画像：AI时代企业对研发人才技能新要求？
  4. Q29｜AI团队：岗位划分以及配合？
  5. Q30｜就业：哪些AI方向人才需求更大？
  6. Q31｜需求：企业对算法人才的要求有？
  7. Q32｜技能：算法工程师能力要求和发展重点？
  8. Q33｜差异：AI工程师与AI研究员区别？
  9. Q34｜转型：后端研发工程师必备AI能力？
  10. Q35｜价值：后端开发经验于AI系统的优势？
  11. Q36｜差别：传统开发 vs AI系统设计
  12. Q37｜技能：后端工程师是否要理解算法细节？
  13. Q38｜深度：后端工程师对AI算法的具体要求
  14. Q39｜架构：架构设计师能力要求的变与不变
  15. Q40｜软件工程：AI会给软件工程体系带来哪些改变？
  16. Q41｜核心差异：AI后端工程师 vs 纯算法工程师
  17. Q42｜潜力：AI算法+后端工程师的应用场景
  18. Q43｜跨界：AI大模型应用项目的产品经理必备能力

第三章：AI 相关学习建议 (12讲)

  1. Q44｜发展：程序员如何规划学习路径？
  2. Q45｜新动态：如何持续跟进AI领域最新技术趋势？
  3. Q46｜技术深化：如何判断哪些内容值得深入学习？
  4. Q47｜学习目标：AI底层原理是否有必要深入学习？
  5. Q48｜个人体系：如何选择AI领域各学派？
  6. Q49｜AI进阶：如何设计学习优先级？
  7. Q50｜NLP：传统的NLP在Agent开发中还有价值吗？
  8. Q51｜技术体系：AI全栈工程师的学习路径
  9. Q52｜学习方法：程序员如何快速转型为AI技术人员？
  10. Q53｜精进：参与AI开源项目对技术成长的价值
  11. Q54｜编程语言：AI领域，Python外谁主沉浮？
  12. Q55｜科研：如何选择Agent相关的研究方向？

第四章：长期规划和职业护城河的构建 (8讲)

  1. Q56｜10X程序员：如何构建“可迁移”的核心竞争力？
  2. Q57｜硬核技能：如何才能避免被AI工具所替代？
  3. Q58｜差异化优势：技术深度如何构建职业护城河？
  4. Q59｜深度积累：如何用AI扩展技术边界？
  5. Q60｜工具效能：软技能对AI发展的重要性？
  6. Q61｜基本功：长期深耕的赛道如何选择？
  7. Q62｜技术广度：通才or专才？
  8. Q63｜方向：AI应用领域创业

第五章：求职与面试 (4讲)

  1. Q64｜面试：大模型相关岗位说明
  2. Q65｜AI领域如何量化评估开源影响力？
  3. Q66｜简历：简历中如何更好地阐述项目经验？
  4. Q67｜自我认知：如何减少“空窗期”带来的影响？