大模型应用进阶：从原理到实战（个人制作）教程

这门课解决什么工作场景

大模型应用开发往往卡在两个地方：一是提示词和上下文管理混乱，导致输出不稳定；二是缺乏工程化框架，代码难以维护和扩展。这门课聚焦于**从原理到落地的系统化建设**，核心解决的是如何把单点的模型调用，升级为**可靠、可观测、可协作**的生产级应用。它覆盖了从提示词工程、RAG链路搭建，到LangGraph流程编排、MCP工具协议以及多Agent协作的完整技术栈。

适合什么基础，建议先看哪几块

适合有一定编程基础（Python），希望深入理解大模型应用底层逻辑的开发者。课程结构层层递进，建议按以下顺序切入：

1. **基础篇（第2章）**：先掌握“输入端”的设计，包括如何将业务需求转化为可执行的提示词、用JSON Schema约束输出，以及理解CoT和ReAct推理模式。这是后续所有复杂应用的地基。
2. **检索篇（第3章）**：学习搭建可信RAG链路，重点理解文档分块策略、向量检索与BM25的融合，以及如何通过重写查询和提升重排来优化召回质量。
3. **编排与接口篇（第6章）**：进入“控制流”核心，学习用LangGraph的状态机、节点、边和Reducer来设计条件路由、并行分支和人工介入流程，并用FastAPI将其封装为持久化服务。
4. **生态与协作篇（第7-8章）**：进阶学习MCP协议下的工具接入，以及处理长任务和多Agent协作时的沙箱环境与进度管理机制。

学完能独立做什么

完成本课程后，你将具备独立设计并开发复杂AI应用的能力：
* **构建智能工作流**：能使用LangGraph编排包含条件判断、循环和人工确认的稳健流程，处理流式响应与状态恢复。
* **落地企业级RAG**：能设计高效的检索链路，解决长文档解析、精准召回及引用溯源问题。
* **集成工具生态**：理解并实践MCP/A2A等标准协议，让模型能够安全、可控地调用外部工具和资源。
* **开发多Agent系统**：能够规划多智能体协作方案，处理编码、浏览器操作等复杂任务的分工与执行环境隔离。

资料怎么配合练习

课程以视频讲解为主，辅以代码实践。建议在学习过程中：
* **跟着敲代码**：特别是LangGraph的状态定义和FastAPI接口封装部分，务必亲手实现，理解状态流转的细节。
* **实验对比**：在RAG章节，尝试不同的分块策略和检索融合算法，观察对最终回答质量的影响。
* **调试流程**：利用Checkpointer和人工介入节点，模拟真实场景中的异常处理和数据修改，加深对工作流可控性的理解。