知乎AI应用开发工程师大模型1 2期

课程定位：从零搭建大模型应用的全链路实战

这套课程的核心价值在于填补了“懂概念”与“能落地”之间的鸿沟。市面上很多大模型教程要么停留在 Prompt 调优的表层，要么过于偏向底层算法推导，导致学员学完后依然无法独立开发出一个可用的 AI 应用。本课程以 DeepSeek 等大模型为底座，以 Coze、LangChain、MCP 等主流工程工具为载体，构建了一条从环境部署到全栈交付的完整技术闭环。

课程解决的典型工作场景包括：企业内部的智能客服与知识库检索（RAG）、自动化数据报表生成（Text2SQL）、跨系统业务流程编排（Agent）以及私有化模型的微调优化。对于希望通过 AI 技术提升开发效率的程序员，或希望转型进入大模型应用层的从业者来说，这是一套具备明确工程导向的训练资料。

基础要求与学习路径建议

适合基础：课程前半部分包含 Python 基础、爬虫、JSON 处理及 FastAPI 等先导内容，因此对零基础用户友好；但若希望高效跟进后半部分的工程实战，建议具备基础的 Python 编程能力，否则需要在前期花费较多时间补牢。

建议学习顺序：

• 第一阶段（地基）：优先完成第 1-4 讲及先导课中的 Python 基础部分。重点掌握 Prompt 工程的设计逻辑、Cursor 的代码辅助能力以及 Embeddings 向量化原理，这是后续所有应用开发的基石。
• 第二阶段（核心技能）：集中学习第 5-10 讲。这是课程最硬核的部分，涵盖向量数据库选型、RAG 高级检索策略、LangChain 多任务编排以及 Function Calling 跨模型协作。建议配合 Ollama 本地部署实践，理解模型如何与外部工具交互。
• 第三阶段（进阶与拓展）：根据职业方向选择学习第 11-17 讲及追新课。若侧重产品化开发，重点研读 Coze 插件开发（第 16-17 讲）；若侧重底层模型优化，则需深入 Fine-tuning（第 15 讲）与视觉智能体（第 13-14 讲）。

资料配合练习指南

课程配套资料中包含了 Ollama 本地部署安装包，强烈建议在安装 DeepSeek 等大模型后，在本地复现课程中的 API 调用案例，这有助于深入理解上下文窗口、Token 成本及推理延迟等生产环境关键指标。

在练习 RAG 和 Agent 模块时，不要仅停留在观看视频。建议自行准备一份私有文档（如公司手册或个人笔记），亲手搭建一个基于 LangChain 的问答系统，并尝试接入 MCP 协议实现工具调用。通过“复现案例 - 修改参数 - 自建项目”的三步法，才能真正将课程中的架构思维转化为独立的开发能力。