JK-AI大模型应用开发实战营第7期

这门课面向的是已经会写 Python、想把手头的业务接进大模型能力的开发者，而不是零基础转行的人。它要解决的核心问题很具体：你可能已经能调通一次接口，但真到做项目时不知道提示词怎么组织、上下文怎么管、检索和向量化该怎么接、成本和质量怎么平衡。课程围绕 GPT 系列模型展开，从模型演进讲到提示学习，再落到 Embedding 和实际应用开发，主线是"把大模型当成一个工程组件来用"，而不是停留在聊天体验层面。

适合什么基础，不适合什么基础

如果完全没写过代码，这门课会让你卡在环境配置和接口调用上，建议先补 Python 基础和一次 HTTP 请求的完整流程再来。如果你已经做过一两个调用大模型的小脚本，但没系统想过提示设计、Embedding 检索、多轮上下文管理，那这门课的定位正好。它不教模型训练和微调原理，也不涉及底层推理优化，所以指望学完能自己训模型的人会失望。反过来，如果你的目标是在现有产品里加一个可用的智能问答、翻译、文档处理功能，这里的路径是贴合的。

建议先看哪几块

前两周的内容是地基，不要跳。初探大模型和 GPT 模型家族这两部分，重点不是记时间线，而是理解不同代际模型在能力边界和调用方式上的差异，这直接决定你选哪个模型、怎么写提示。提示学习那一章要反复看，它是后面所有实战的前置技能，很多项目效果差不是模型不行，是提示没写对。第二周的 Embedding 和开发基础是最容易被低估的部分，向量化、相似度检索、上下文拼装这几件事，决定了你的应用能不能处理私有知识。第三周的实战案例（比如翻译类项目）建议在看完前两周后再动手，边看边改比纯看有效得多。

学完能独立做什么，资料怎么配合练习

走完这条线，你应该能独立完成一个带私有知识库的问答应用：把文档切分、向量化、存进检索层，用户提问时召回相关内容再交给模型生成回答，并且能处理多轮对话的上下文。翻译、摘要、结构化抽取这类任务也能自己搭出可用的流程。资料里的实战部分不要只看一遍，建议每看完一个案例就用自己的数据重做一遍，哪怕只是换一批文档、换一个业务场景。提示学习那部分可以配合日常工作中的真实需求练，比如把一份会议记录整理成待办清单，观察不同提示写法的输出差异。Embedding 相关的内容最好动手跑一次完整的检索流程，理解召回不准时该调哪里。整体节奏上，前两周慢一点，把概念和调用方式吃透，第三周再加速做项目，这样比一路快进到最后发现处处卡壳要省时间。