这门课的名字里有两个词值得先拆开看：Agent 和实战。Agent 不是"套壳聊天机器人"，实战也不是把 API 调通就完事。如果你现在能用 Python 写点脚本、知道什么是 token 和 prompt，但一让你搭一个能自己决定调用哪个工具、失败后重试、多步推理的智能体就卡壳，那这门课的定位正好对着这个缺口。
先确认你到底缺哪一块
大模型应用开发的能力缺口通常分三层，对照着看会比盲目从头学更省时间。
- 第一层是接入与环境。模型从哪来？在线调 OpenAI、DeepSeek 是一套写法，本地跑 Llama、Qwen 是另一套。量化格式 GGUF、AWQ 有什么区别，显存不够时该选哪个，云平台怎么配。这一层不难，但坑密集，自己摸索容易在环境上耗掉几天。
- 第二层是 Agent 的核心机制。Function Calling 怎么定义、模型为什么有时候不调用工具、ReAct 的思考—行动—观察循环怎么落地成代码。这层是真正的分水岭，也是很多人"看得懂教程、写不出项目"的地方。
- 第三层是工程化。用 LangChain 这类框架把上面的东西串成可维护的结构，处理多轮状态、错误重试、工具编排。
课程按大模型基础与接入、Agent 开发核心技能两大块推进，中间还插了若干实战加餐，节奏上基本是沿着这三层走的。你可以只补自己缺的那部分，不必假装每一节都需要。
Function Calling 和 ReAct 要真正动手写一遍
看别人演示 Function Calling 只需五分钟，自己写的时候问题才会冒出来：工具描述写得含糊，模型就选错函数；参数 schema 没定义清楚，返回的 JSON 直接解析失败；模型该调用工具的时候偏偏自己编了个答案。这些问题在文档里不会写，只有自己踩过才有手感。
ReAct 同理。它的思路一句话能说完——让模型先想、再决定动作、拿到观察结果后继续想——但落到代码里，你要处理循环什么时候停、工具报错要不要喂回给模型、步数上限怎么设。这部分建议不要跳，配套练习至少完整跑通一个带两三个工具的 Agent，比读十篇原理文章管用。
本地部署与量化：显存有限时的现实选择
不是每个人都有 A100。课程里涉及开源模型的本地部署和量化技术，这块对预算有限、或者需要处理敏感数据不能走在线接口的人尤其有用。你需要搞清楚的是：同一个模型在不同量化精度下，显存占用和效果差多少，什么场景值得牺牲一点效果换显存。这属于工程判断，不是背概念。配套的平台使用部分（云 GPU、模型社区下载）也建议跟着走一遍，光看不动手，真到部署时还是会卡在权重下载和依赖冲突上。
学完之后，你应该能回答这几个问题
- 给定一个任务，你能判断它该用单次调用、Function Calling 还是 ReAct 循环吗？
- 模型不按预期调用工具时，你的排查顺序是什么？
- 显存只有 8G，你会怎么选模型和量化方案，理由是什么？
- 一个 Agent 项目从能跑到能用，你会补哪些工程环节？
如果这几个问题你现在答不上来，那说明缺的正是这门课覆盖的部分；如果大部分能答，那你要的可能只是其中一两个模块，按需挑着看就行。别为了"学完一门课"而学，缺什么补什么。
### 📚 课程全景概览
本课程体系共分为**四大核心模块**和**多个实战加餐**，旨在帮助学员从零基础成长为能够独立开发企业级AI应用的工程师。
**Part 1 & 2：大模型基础与接入**
* 这部分是课程的基石，讲解大模型的核心原理，并指导您如何接入全球顶尖的在线模型（如OpenAI、DeepSeek）以及部署开源模型（如Llama、Qwen）。
* 您将学习使用**OpenRouter**、**AutoDL**云平台，掌握**Huggingface**、**魔搭社区**的资源获取，并深入了解**GGUF/AWQ**等模型量化技术，以在有限显存下高效运行大模型。
**Part 3 & 4：Agent开发核心技能**
* 这是课程的重中之重，深入讲解AI Agent的核心范式，包括**Function Calling**、**ReAct**模式。
* 同时，系统讲解**LangChain 1.0**与**LangGraph**体系，涵盖模型调用、提示词模板、工具自定义、记忆管理（短期/长期）、中间件开发等，并包含**MCP服务接入**、**结构化输出**等实战技巧。
**Part 5 & 6：RAG（检索增强生成）系统精通**
* 针对企业级知识库问答需求，详细拆解RAG的**离线索引**与**在线检索**双流水线。
* 覆盖从**文档解析（PDF/图像/表格）**、**文本切分策略**、**Embedding模型与向量数据库（Milvus等）** 到**检索优化（混合检索、Rerank）** 的全流程，并深入讲解基于**LlamaIndex**的进阶多模态RAG应用。
**Part 7， 8 & 9：智能体高级特性**
* 深入探讨**Agent Skills**的设计范式与渐进式披露机制。
* 系统讲解智能体的**长短期记忆管理**，包括上下文裁剪、压缩以及**Mem0**等开源记忆中间件的集成。
* 详解**上下文工程**的六大模块与五大策略（写入、检索、压缩、隔离、缓存），是优化Agent性能的关键。
**Vibe Coding 实战阶段（阶段一至四）**
* 本部分是课程的亮点，旨在教授您如何利用AI工具（Cursor、Claude Code）进行高效编程。
* 从**AI-ChatBot**、**智能数据分析代理**等入门项目起步，逐步深入到**Claude Code**的企业级进阶实战。
* 您将学习如何拆解和二次开发顶级开源项目（如**OpenClaw**），并最终完成一个**多模态RAG问答系统**的全栈开发（含PRD、Figma原型、前后端联调）。
**加餐与实战案例**
* 课程附带了大量工业级案例，如**文档审核Agent**、**Agentic-GraphRAG**、**NL2SQL数据分析**、**多模态模型微调**等，覆盖了金融、法律、人力资源等多个业务场景，帮助您将理论知识转化为解决实际问题的能力。
---
总而言之，这是一门**理论与实践并重、从入门到精通**的优质课程。它不仅教您如何使用大模型，更重要的是教您如何构建复杂的、可落地的AI应用系统。学习过程中，建议您紧跟视频动手编码，并重点关注 **“Vibe Coding”** 部分，这将是未来AI应用开发的主流范式。
祝您学习顺利！如果您对其中某个特定章节（如LangChain实战或RAG系统）有更深入的问题，欢迎随时提出。
