黑马程序员-AI大模型RAG与Agent智能体开发项目课

**解决什么问题**

很多开发者在接触大模型应用时，常常卡在两个痛点：一是模型“胡说八道”，二是无法处理私有业务数据。这门课的核心就是教你怎么把企业内部文档喂给 AI，让它基于事实回答问题，也就是 RAG（检索增强生成）。同时课程后半部分会引入 Agent 智能体概念，解决如何让模型主动调用工具、规划步骤的问题。你不需要从头学算法原理，但需要知道怎么把现成的库拼起来，搭出一个能用的问答系统。

**适合什么基础**

这里有个前提：你得会写 Python。课程里大量使用 LangChain 框架，如果连基本的函数、类都搞不清楚，看代码会很痛苦。另外，你需要有 Linux 基础或至少能流畅操作命令行，因为涉及模型部署和环境配置。如果你之前用过 API 调用过 GPT 或文心一言，那理解起来会更快。完全是零基础小白直接跳过，因为前置章节里包含 Ollama 本地模型部署和 API 密钥管理，这些是硬性门槛，卡在环境搭建上很容易劝退。

**建议先看哪几块**

别急着看视频，先啃透 P4 RAG 开发里的前五个部分。重点理解“向量存储”和“嵌入模型”是什么关系，这是 RAG 的灵魂。很多学员容易死记硬背 API 调用方法，结果换个业务场景就不会改了。建议你手动敲一遍代码，特别是 `VectorStores` 和 `TextLoader` 那几节，试着把 PDF 解析改成 CSV，看看会发生什么。P1 前置准备里的 Ollama 部署虽然枯燥，但必须过，因为后续很多练习依赖本地模型响应速度。

**学完能独立做什么**

当你完成 P5 项目后，你应该能独立搭建一个带前端页面的智能客服原型。不仅仅是调接口，而是能处理多轮对话记忆（Memory），能根据用户输入的不同意图切换不同的检索策略。更重要的是，你具备了将业务文档结构化并入库的能力，这直接对应现在企业里“私有知识库问答”这类高频岗位需求。你能做的不再是简单的 Chatbot，而是一个能查资料、能调工具的工作流助手。

**资料怎么配合练习**

视频里很多代码是口述或演示的，容易漏看细节。建议你下载对应章节的代码文件，在本地一步步复刻。特别是涉及 `JsonOutputParser` 和多模型执行链的部分，手动调试比看视频有效得多。遇到报错，先查环境变量配置是否正确，这是初学者最容易忽视的地方。把 P4 的每个模块都跑通，再去碰 P5 的项目，成功率会高很多。不要指望看完视频就会了，动手改参、换文档、调提示词，才是真正掌握这门技术的关键。