资源介绍
视频数量：73个
总时长：3小时57分
课程介绍：
AI工程与大型语言模型应用大师班
你改了一行提示词，系统没有报错，只是开始给出越来越差的答案。一周后，用户开始投诉，你才意识到出了问题。这就是AI工程最真实的样子——不会崩溃，只会悄悄变差，直到有人发现为止。
这不是模型的问题，课程开头讲得很清楚。真正带来价值的从来不是模型本身，而是模型周围的管道：数据处理、评估系统、防护机制、版本控制。我在仓库和供应链里做了多年AI实施，见过太多团队花大价钱买最新的模型，却因为提示词没有版本管理、API调用没有缓存、日志记录一团糟，最后效果还不如预期。
这门课就是来解决这些问题的。从提示工程开始，先讲清楚一个提示的组成结构，然后教你高级提示技巧、怎么让模型稳定输出JSON格式。提示词测试和评估这部分特别重要，课程里用真实案例告诉你，为什么改提示词不写测试就上线，等于在生产环境埋雷。
API调用是基础能力。OpenAI的接口、Anthropic Claude、Google Gemini，这三个主流API都会讲到。不只是会调用，还要处理异步请求、缓存响应、控制成本。很多新手不知道日志和调试的重要性，课程里专门花了篇幅讲怎么建立可观测性，出问题的时候能快速定位。
向量数据库是RAG系统的核心。你得先理解什么是嵌入、怎么做相似度搜索。ChromaDB用来练手很合适，Pinecone适合生产环境。分块策略直接影响检索效果，课程会教你什么时候用固定长度分块，什么时候用语义分块。
RAG这部分讲得很深。从基础的Naive RAG开始，到高级检索技术、混合搜索、Corrective RAG和Self-RAG，再到GraphRAG用知识图谱增强检索。课程最后会带你搭建一个生产级别的RAG架构，这才是真正能用的东西。
LangChain和LLM编排是另一个重点。课程先讲清楚LangChain的设计哲学，然后用LCEL写链式调用。内存系统让对话有上下文，文档加载器和文本分割器处理各种格式的输入。LangGraph是用来构建复杂工作流的工具，处理多步骤任务特别有用。
智能体这部分这几年特别火。课程从什么是AI智能体讲起，教你怎么定义工具、怎么做函数调用。LangChain的智能体框架、CrewAI的多智能体协作、AutoGen的多智能体系统，这三个主流方案都会实操一遍。MCP协议是连接智能体和外部工具的桥梁，现在用得越来越多。
微调不是万能药，课程会告诉你什么时候该微调、什么时候不该。数据准备是第一步，然后是OpenAI的微调接口和LoRA、QLoRA这些高效微调方法。评估和迭代也很关键，训练完不评估等于白练。
开源模型这部分对成本敏感的场景特别有用。Ollama适合本地开发和测试，vLLM适合生产环境。量化技术能让你在有限显存里跑大模型。课程会带你从零搭建一套本地RAG系统，不依赖云服务。
LLMOps是很多人忽略的部分。提示词版本管理、成本的持续优化、Guardrails安全防护、部署策略、测试框架，这些决定了你的AI系统能不能长期稳定运行。生产环境不是上线就完事了，监控和运维才是真正的战场。
多模态是现在的趋势。GPT-4o的视觉能力、Whisper语音转文字、语音合成、Voice Agent，这些都会讲。多模态RAG让系统不仅能处理文字，还能处理图片和音频。
最后一部分是负责任AI。安全风险和威胁模型、护栏和内容过滤、隐私合规、数据治理，这些在企业级应用中越来越重要。课程会用三个项目文件带你完成一个负责任AI的完整案例。
学完这门课，你不会只是一个会写提示词的人。你能独立搭建生产级别的RAG系统，能用LangChain编排复杂的工作流，能部署和优化开源模型，能管理AI系统的整个生命周期。课程里的每个知识点都配有实战项目，不是看完就忘的概念讲解，而是真的动手做一遍。四个小时的课程，压缩的是多年踩坑的经验。