这门课解决什么问题

"AI工程化"是目前最常被滥用、也最让人困惑的词之一。多数人听过它，却说不清它和"做AI项目""用AI工具"的区别。这门课从 AI IDE 的架构演进切入，拆解的是：把 AI 能力从实验走向稳定交付，到底需要什么样的工程设计与流程控制。不是追概念，而是还原真实工作场景里工程师在做什么。

很多人学了几周大模型、跑了几次提示，却发现真正落地时反而不会设计了：环境不稳定、调试靠猜、效果无法复现、团队交接靠嘴。这门课帮你补齐的不是知识点，而是工程化的判断框架——哪些事值得标准化，哪些环节必须留可控的中间态，哪些工具链选择决定后期能不能扩得动。

课程不教你写代码，而是帮你建立"工程视角"：面对一个新 AI 需求时，先画流程、再选工具、最后才讨论实现细节。这个顺序错了，后面会一直返工。很多人跳进工具里先学功能，学完发现根本不知道怎么用在项目里。这门课让你反过来：先搞清楚为什么要这么做，再动手。资料包里包含课程介绍与系统讲解视频，建议先看第一课的开营直播，理解 AI 工程化的定位：它是技术发展的必然阶段，不是风口。

适合什么基础，资料怎么配合练习

课程面向已经有编程经验、了解过 LLM 基本用法，但想把 AI 能力纳入工程流程的人。不需要算法底子很厚，但要能接受先建立"工程视角"再补具体实现的学习方式。零基础直接进会吃力；纯算法背景不碰工程流程也会很快撞墙。资料包里的线索只用来辅助理解主题，练习时不要把它当成操作手册。

建议学习顺序：先看开营直播建立整体认知，再跟着第二模块的基础内容走，重点不是啃透算法，而是搞清每块知识在工程里承担什么角色。之后挑一个你正在做的事——不管是自动化测试、数据处理，还是简单的项目脚手架——问自己：哪一步可以被标准化？哪一步必须保留人工判断？课程里的设计逻辑只有套到你实际的工作上，才能变成真正的判断力。不要为了学而学，要带着问题学。

学完能独立做什么

学完后，你应该能独立回答三个问题：为什么要做 AI 工程化、工程化在不同环节分别解决什么痛点、以及面对一个新 AI 需求时如何做出合理的架构选择。不是学会某个工具的所有功能，而是形成一套稳定的决策方法。很多人担心学完还是不会用，其实关键不在于工具本身，而在于你后面接手任何 AI 项目时都能用到的工程判断力。资料包里的线索只用来辅助理解主题，练习时把它当成设计思路的参照。真正能带走的，是你面对不确定需求时不再慌的判断框架。

课程目录

QQ_1787230223232.png (143.

37 KB,  ) 2026-8-20 20:

52 上传 课程开始先讲AI工程化的概述，帮大家理清这个概念到底是什么，为什么现在特别强调它，是突然冒出来的风口，还是技术发展的必然。在《AI工程化项目实战营》第二模块，会先打基础，包括部分理论和算法知识，但这些内容都是为工程化服务的。目标不是让大家从头啃透每个算法，而是更侧重实用化。所以就算之前几个月没怎么学，现在也可以借着这个机会，认真跟下来。 很多人觉得“AI工程化”这个词有点虚。就像技术人员工作三五年后，领导会找你聊未来方向：要么走架构师路线，懂业务、编码、测试、流程，从技术层面统筹系统；要么转管理岗带团队。两条路听着都虚，不如每天写200行代码来得实在。 00-开学第1课 开营直播-AIIDE的架构演进，洞察AI工程化的设计逻辑.mp4
 01- 第01周：大语言模型技术栈与 Prompt 工程 1.AI工程化定义&大模型与函数的调用.mp4
 2.LangChain核心组件&LlamaIndex与知识增强系统.mp4
 02- 第02周：技术栈与 Prompt 工程&深度学习与 NLP 基础 1.工程化中的Prompt技巧与多Agent、轻量微调、生产部署实践.mp4
 2.工程准备与数据工程&Transformer与高效微调.mp4
 03- 第03周：深度学习与 NLP 基础 微调管理优化与评估压缩部署.mp4
 04- 第04周：数据工程与知识增强 1.解构RAG与使用LlamaIndex实现RAG.mp4
 2.QAnything与本地RAG解决方案.mp4
 05- 第05周：数据工程与知识增强&智能客服系统架构设计 1.提升RAG效果的方法.mp4
 2.搭建基础对话链&意图识别流水线设计.fixed.mp4
 2.搭建基础对话链意图识别流水线设计.fixed.pdf
 06- 第06周：智能客服系统架构设计 1.意图识别与上下文理解与记忆管理.mp4
 1.意图识别与上下文理解与记忆管理_笔记.pdf
 2.让系统“会行动”与用LangGraph实现多轮对话流程控制.mp4
 2.让系统“会行动”与用LangGraph实现多轮对话流程控制_笔记.pdf
 07- 第07周：智能客服系统架构与多Agent协作与通信机制 1.工具调用引擎设计&多Agent协作概念以及主流框架.mp4
 2.多智能体框架与MCP协议.mp4
 08- 第08周：多Agent协作与通信机制 1.LangGraph集成MCPServer与A2A.mp4
 1.LangGraph集成MCPServer与A2A_笔记.pdf
 2.Gemini-fullstack-langgraph-quickstart源_笔记.pdf
 2.Gemini-fullstack-langgraph-quickstart源码剖析.mp4
 09- 第09周：DSL语言设计与执行引擎 1.DSL设计原则与应用场景&使用ANTLR-Lark解析DSL语法.mp4
 1.DSL设计原则与应用场景使用ANTLR-Lark解析DSL语法.mp4.pdf
 2.NL2SQL与数据安全.mp4
 2.NL2SQL与数据安全_笔记.pdf
 10- 第10周：智能Agent高级能力构建 记忆管理系统设计与Agent可观测性系统构建.mp4
 记忆管理系统设计与Agent可观测性系统构建_笔记.pdf
 11- 第11周：智能Agent高级能力构建 Agent在多模态任务中的推理&移动端大模型部署.mp4
 智能Agent高级能力构建.pdf
 12- 第12周：模型部署与服务化 1.Docker容器化打包与镜像构建&FastAPI构建模型基础服务.mp4
 1.Docker容器化打包与镜像构建FastAPI构建模型基础服务_笔记.pdf
 2.K8S编排基础与监控系统、日志收集系统搭建.mp4
 2.K8S编排基础与监控系统、日志收集系统搭建_笔记.pdf
 13- 第13周：Python高性能编程与并发工程 1.核心概念与底层原理&并行机制对比分析.mp4
 2.并行机制对比分析与FastAPI深度集成.mp4
 3.LangChain异步开发进阶与向量数据库和GPU.mp4
 14- 第14周：项目实战 —— 工程化企业级智能客服平台 1.需求与原型阶段.mp4
 1.需求与原型阶段_笔记.pdf
 2.补充核心与交互能力.mp4
 15- 第15周：行业场景与产品设计 1.AI产品从“能做”到“好用”的跨越与垂直领域的深水区.mp4
 2.AI伦理、数据合规与治理&Dify二次开发.mp4
 16-模块实战讲解 模块1实践1：基于LangChain构建一个多任务问答助手.mp4
 模块1实践2：构建一个多Agent协同客服系统.mp4
 模块2实践1：训练一个意图识别模型并部署为API.mp4
 模块2实践2：基于LoRA微调一个垂直领域客服问答模型.mp4
 模块3实践1：构建一个基于FAISS-Milvus的FAQ检索系统.mp4
 模块3实践2：构建一个基于FAISS-Milvus的FAQ检索系统.mp4
 知识图谱.png