大模型应用与 Python 工程基础
建立从模型调用到可运行应用的开发基础。
- 主流大模型能力、边界与选型方法
- Python 环境、数据处理与接口开发
- 模型 API、流式输出与结构化响应
- 基础应用的调试、异常处理与日志记录
课程章节
从模型调用开始，
完整走到企业级交付。
每一章都包含方法、工程实践和阶段产出，后续章节会复用前面的成果，最终汇总为一套完整项目。
提示词工程与可靠输出
让模型输出从“偶尔可用”变成稳定、可验证。
- 任务拆解、上下文设计与提示模板
- Few-shot、思维链与角色约束
- JSON 等结构化输出与结果校验
- 提示词版本管理、测试集与效果对比
企业知识库与 RAG
让 AI 能够基于企业资料回答并给出依据。
- 文档解析、清洗、切分与元数据设计
- 向量检索、关键词检索与混合检索
- 召回、重排、引用与答案生成
- RAG 质量评估与知识更新机制
Agent 架构与工具调用
让模型能够规划任务、调用工具并完成目标。
- Agent 组成、任务规划与执行循环
- Function Calling 与自定义工具开发
- 记忆、状态、权限与失败恢复
- 单智能体与多智能体协作模式
工作流编排与业务接入
把 Agent 放进稳定、可控的业务流程。
- 顺序、分支、循环与人工审核节点
- 长任务、异步任务与状态持久化
- 表单、数据库与第三方 API 接入
- 业务流程的异常兜底与结果追踪
Skill 与 MCP 能力扩展
把企业能力封装成可复用、可组合的组件。
- Skill 的职责边界与指令设计
- MCP 的资源、工具与服务端开发
- 企业内部能力的标准化封装
- 能力发现、权限控制与组合调用
AI 应用质量、安全与评估
建立上线前可验收、上线后可监控的保障机制。
- 准确性、相关性与任务完成率评估
- 幻觉、提示注入与敏感信息防护
- 成本、延迟、稳定性与可观测性
- 人工反馈与持续优化闭环
部署交付与综合实战
完成从需求到上线的企业级 AI 项目。
- 需求澄清、方案设计与验收指标
- 服务部署、配置管理与运行监控
- 项目文档、演示与交付方法
- 真实业务场景综合项目答辩
学习成果
课程结束后，
留下的是可展示的项目资产。
不以“听完课程”为终点，而是以能否独立分析、开发、评估和交付一个 AI 应用为验收标准。
企业知识库
完成文档处理、检索、引用、评估与更新链路。
任务型 Agent
能够规划任务、调用工具并处理执行失败。
Skill 与 MCP
把企业能力封装成可复用的标准组件。
部署与评估
具备上线部署、质量评估和持续运营能力。
适合人群
适合希望真正进入
AI 应用开发的人。
开发与测试人员
希望从传统软件工程转向大模型应用和 Agent 开发。
产品与解决方案人员
需要理解 AI 能力边界，并把业务需求转成可实现方案。
企业技术团队
计划建设知识库、智能体与岗位工作流，需要形成共同方法。
课程咨询
选择一个真实场景，开始你的 Agent 项目。
个人学习与企业团队培训均可咨询。