黑马-AI大模型RAG与Agent智能体开发项目课

解决什么问题与适用基础

很多开发者在调用大模型时，常面临模型“幻觉”严重或无法回答企业内部私有知识的问题。这套课程核心解决的是 RAG（检索增强生成）落地难题：如何通过向量检索将非结构化文档转化为模型可理解的上下文，再结合 Agent 智能体让 AI 具备调用工具、多步规划的能力。它不是泛泛而谈 AI 概念，而是聚焦 LangChain 框架下的工程实践。适合人群需具备扎实的 Python 基础，能独立读写文件、处理字典列表，并理解基本的 HTTP 请求逻辑。如果你对底层算法不感兴趣，只想快速上手业务开发，这里提供的代码模板和链路搭建指南会非常实用；但若要深入理解原理，需补充线性代数中向量运算的基础知识。

学习顺序与资料用法

建议严格遵循“前置准备、核心开发、项目实战”的三步走策略。首先攻克前置模块，重点掌握通过环境变量保护 API Key 的安全规范，并熟练部署 Ollama 本地模型。这一步至关重要，因为它能让你在无网或低成本环境下进行调试，避免被云端 API 计费限制束缚。进入 RAG 开发章节后，不要跳过“向量基础概念”和“余弦相似度”这两节，这是理解检索准确性的地基。随后，集中精力练习文档加载器（如 PDF、CSV）与文档分割器的配合使用，这是数据预处理的关键。利用资料包中的视频进行跟练，建议采用“观看-复现-修改参数”的方法。例如，在演示文档分割时，尝试更换不同的分割大小和重叠度，观察向量库中存储的变化，这种对比实验比单纯看代码更有价值。

学完能独立做什么

完成全链路学习后，你将具备独立构建企业级私有知识库问答系统的能力。具体产出包括：能够开发一个带有聊天界面的 Web 应用，后端自动检索内部技术文档或产品手册，并生成带有引用来源的答案，有效解决模型胡编乱造的问题。同时，通过掌握 Runnable 接口和自定义函数，你能让智能体在执行任务时自动调用外部 API（如查询天气、数据库查询），实现从“被动问答”到“主动办事”的跨越。资料包中的“Memory 长期/临时会话记忆”章节，帮助你实现上下文连贯的多轮对话，这是产品可用性的关键指标。最后，结合 P5 阶段的前端页面开发视频，完成前后端联调，形成一个可交付的完整 Demo，这对于简历项目或内部工具开发都是强有力的支撑。