理解 Transformer、Token 与模型响应,用 Python 和 Postman 调用模型,记录输出、错误与成本。
从大模型原理到应用部署
AI 系统实战营Agent 开发
从大模型原理和 API 调用出发,沿着同一个个人助手逐周加入 Prompt、记忆与工具、RAG 知识库、LangGraph 写作与生图、多 Agent 和图文分析。用实际输入输出比较方案,再构建界面、部署应用并完成独立迁移作业。
- 第 01–02 周调用与 Prompt
接通模型,比较回答与成本。
- 第 03–04 周工具与知识库
加入会话、工具和 RAG。
- 第 05–06 周工作流与 Agent
管理状态、路由和协作。
- 第 07–08 周部署与独立交付
上线完整助手,用新需求检验迁移能力。
适合谁
从你的基础与目标出发。
- 会写 Python,希望把模型调用做成应用的开发者
- 想做知识助手、RAG 或自动化项目的学习者
- 具备技术基础,希望理解 AI 应用交付的产品经理
- 愿意动手调试,并记录结果与失败原因的人
学习成果
练习之后,能做些什么。
围绕任务、上下文、示例、角色与输出格式设计 Prompt,用同一测试集比较不同方案。
组织模型、Prompt、工具与短期会话,再用图状态、条件分支和中断恢复编排多步骤任务。
用自己的资料完成文档处理、Embedding、向量检索与回答链,对照原文判断资料是否帮助了回答。
用相同任务比较单 Agent、多 Agent 和图文输入,解释工具选择、实际通信及结果差异。
测量成本、缓存和性能,构建 Streamlit 界面并部署个人助手,整理运行文档、技术博客与答辩材料。
课程安排
8 周,逐步搭建自己的 AI 助手。
文字教程和直播学员页共用每周累计 Notebook,按目标、原理、操作、真实结果与独立作业推进。八周表示能力路线;自学可按自己的节奏学习。
Week 01 LLM 原理与 API 调用实战
理解大模型的基本工作方式,完成第一次模型调用,并比较同一任务的回答与成本。
- LLM 架构:Transformer 与 Decoder-only
- DeepSeek、Kimi、MiniMax 与 OpenAI / Anthropic 兼容接口
- Token 机制与调用成本估算
- Python + Postman 三平台调用实践
本节成果调用不同模型API,输出一致任务的结果对比分析
Week 02 Prompt 工程基础
围绕同一助手任务设计多组 Prompt,比较不同提示方式的效果,把有效方案沉淀为模板。
- 清晰指令、上下文与输出格式
- Zero-shot 与 Few-shot 对照实验
- 任务分解、结构化输出与结果检查
- Roleplay / Persona 角色设定
- Prompt 版本管理、控制变量与重复测试
本节成果设计多个Prompt完成同一任务的效果对比实验
Week 03 LangChain 框架实战
说明为什么引入 LangChain,再把模型、记忆和真实工具调用接回助手。
- 模型封装、PromptTemplate 与 Chains
- Buffer / Summary 记忆及当前消息状态实现
- Calculator、Search 与 CustomTool
- 同题比较 Agent 与 Chain
- 多轮追问、摘要更新和实际工具回执
本节成果构建具有基本记忆和工具调用能力的多轮 Bot
Week 04 RAG 系统构建与优化
读取真实资料并建立知识库,对照检索原文与回答,说明每份文档带来的帮助。
- FAISS、Chroma、Weaviate 原理与场景
- Hugging Face 本地 Embedding 与 OpenAI 接入说明
- Loader、文档预处理与切分
- Retriever + RAG Chain 构建
- Chunk 大小、Query Rewriting 与检索过滤实验
本节成果上传自己的资料,建立可自由提问并核对引用的知识库
Week 05 LangGraph 高阶流程编排
为个人助手增加按需运行的写作与生图流程,得到实际文章和图片。
- LangGraph、节点、边与图状态建模
- 条件分支、修改循环与人工中断
- 多模型分工及实际执行追踪
- 状态更新、checkpoint 与跨进程恢复
- 从实际图结构到文章和 MiniMax 配图
本节成果实现能自动执行并可恢复的写作与图像生成流程
Week 06 Agent 系统架构设计
为不同问题设计处理路径,组合工具与多个 Agent,并明确它们之间的职责和通信方式。
- 单体 Agent 与多 Agent 架构
- Tool Calling 与工具描述
- Agent 通信、调度和任务路由
- 文本、图像等多模态输入与失败处理
本节成果智能助手Agent:用户输入问题,Agent根据上下文和工具调用智能分配任务并响应
Week 07 系统优化与部署上线
用实际调用测量成本、缓存与性能,构建交互界面并部署到可访问的演示地址。
- LangChain Callbacks 与可关闭的 LangSmith 追踪
- 应用缓存、服务商缓存及实际成本
- 同题多轮性能与质量对比
- Streamlit 界面和 Python 服务部署
- Vercel / GitHub Pages 的适用角色与真实使用日志
本节成果构建并部署可交互的个人助手,提供演示链接和实测记录
Week 08 项目整合与 Demo 展示
把八周能力整合为完整个人助手,完成端到端运行、上线、技术表达与独立迁移。
- 整体架构与前后端数据流
- 对话、知识、任务、写作和图文能力整合
- README、运行说明与技术博客
- 模拟答辩、真实失败与修改记录
- 新需求下的独立开发与部署作业
本节成果交付完整上线的个人 AI 应用及可复现文档
贯穿项目
My AI Assistant · 个人智能助手
将多轮对话、工具调用、知识问答与多步骤工作流组合成个人 AI 助手。项目综合运用 LangChain、Prompt、向量检索与 Streamlit,并通过可复现的 Demo 展示完整使用流程。
- LangChain Chain / Agent
- 自定义 Prompt
- 向量数据库与文档检索
- LangGraph 状态工作流
- Streamlit UI 与 API 封装
你的目标交付物
- 可交互的 Web Demo 与完整运行、部署说明
- 项目代码、README 与整体架构说明
- 技术博客、测试结果、调用日志与成本记录
- 答辩材料及独立迁移作业
以上是课程练习的目标成果。示例主线使用 DeepSeek、Kimi、MiniMax 与本地 Embedding;OpenAI / Anthropic 官方分支提供接入说明。独立迁移作业用于检查能否自行开发相似应用。
学习方式
选择小班共学或文字版自学。
小班包含课程、讨论与反馈;文字版提供课程正文与配套资料。
Agent 系统实战小班
小班课程已完整上线;咨询确认班期与报名安排后,由老师核对报名记录并开通账号。
- 8 周完整项目路线
- 小班项目讨论与代码反馈
- Agent 系统验收与交付复盘
Agent 文字版自学课
8 周完整文字教程、作业与累计 Notebook 资料包已上线;提交咨询,由老师核对报名记录并开通文字版权限。
- 8 周完整文字教程与 8 份课后作业
- 8 个累计 Notebook 学员资料包
- 架构、日志与部署练习说明
- 不含小班项目讨论
- 不含代码反馈与系统交付复盘
常见问题
开始之前,了解这些。
- 零基础可以直接学吗?
- 建议先掌握 Python 基础,再进入本课。如果还不能独立运行脚本、安装依赖或读懂 API 请求,可以先学习 Vibe Coding 免费课或 Python 数据分析课。
- 现在能学到哪些内容?
- 完整课程已上线。已开通账号可以学习第零课、8 周文字教程、直播学员页与课后作业,下载 8 个累计 Notebook 资料包,并参与每周讨论。讨论可公开阅读;发表评论和回复需要 Agent 权限。不包含录播视频、站内作业批改或结业证书。
- 需要额外购买什么?
- 真实模型调用需要自行准备可用的 API 账号并承担调用费用,部署时也可能产生平台费用。部分练习提供离线示例,用于理解流程;它们不能替代真实模型效果的验证。
- 现在如何报名?
- 文字版自学课和小班均已正式上线。可提交咨询确认学习方式、班期与账号开通;已开通账号可登录学习。在线支付以页面实际开放状态为准。