黑马程序员 AI大模型RAG与Agent智能体开发项目课

这门课解决的是什么问题

大模型应用开发走到今天，真正的门槛已经不是「怎么调一次 API」，而是怎么把模型、检索、工具调用和状态管理串成一条能跑通、能调试、能扩展的链路。这门《AI大模型RAG与Agent智能体开发项目课》的定位就在这里：它不从 Transformer 原理讲起，也不停留在对话框里贴一段 prompt，而是直接进入工程侧，把 RAG（检索增强生成）与 Agent（智能体）两条主线拆成可运行的模块来讲。

对于已经会写 Python、能读懂 HTTP 请求、但对「向量检索怎么接进模型」「Agent 的工具调用循环怎么写」还只有模糊概念的开发者，这份资料的对照价值比较直接。

技术栈与接入层：从云端到本地

课程在前置准备部分先处理接入问题，这一步看似基础，实际决定了后续所有代码的可移植性。它同时覆盖了两条路线：一条是云端大模型调用，以通义千问为例，演示如何在代码层发起请求、解析返回；另一条是本地模型，通过 Ollama 把模型跑在自己机器上。这两条路线的并列不是凑数——云端负责能力和稳定性，本地负责成本、隐私和离线调试，真实项目里经常是混用的。

值得注意的是它对 API Key 的处理方式：用环境变量隔离密钥，而不是硬编码在脚本里。这个细节单独拎出来讲，说明课程是按「能提交到仓库的代码」标准来的，而不是演示完就丢的片段。

RAG 的工程拆解

RAG 不是「把文档丢进向量库再问模型」这么一句话。它在工程上至少要拆成几层：文档加载与切分策略、embedding 模型的选择、向量库的写入与检索、召回结果如何拼进 prompt、以及多轮对话中上下文怎么维护。课程把这些环节作为独立模块推进，好处是你可以在每一层单独替换实现——换一个切分粒度、换一个向量库、换一种重排方式，而不必推倒重写。

提示词工程这部分也放在 RAG 语境下讲，重点不在「写一句漂亮的指令」，而在于如何约束模型基于召回内容作答、如何降低幻觉、如何让输出结构可被下游程序解析。这是把 prompt 当接口设计，而不是当文案写。

Agent 智能体的结构

Agent 部分的核心是循环：模型输出决策，程序执行工具，结果回灌给模型，再决策。听起来简单，但要真正跑起来，需要处理工具的定义与描述、调用参数的校验、多步任务的终止条件、以及出错时的回退。课程以实战项目的形式推进这部分，意味着你会看到一个完整的任务闭环，而不是孤立的函数示例。

RAG 与 Agent 在这里不是两个割裂的章节——检索本身可以作为一种工具被 Agent 调用，这种组合方式在实际问答、客服、文档助手类场景里非常常见。

怎么用这份资料

• 先跑通接入层：云端调用和本地 Ollama 各走一遍，确认自己的环境、网络和密钥配置没问题。
• RAG 部分建议边看边改：换掉切分参数或 embedding 模型，观察召回质量的变化，比单纯跟着敲更能建立直觉。
• Agent 部分重点看状态和工具调用的组织方式，把循环逻辑抽出来，尝试接一个自己写的工具函数。
• 把项目代码当作骨架，替换成自己的数据源和业务场景，这是从「看懂」到「会用」最有效的一步。

整体上，这份资料适合当作一条可运行的主线来对照实践：先让链路跑起来，再逐层替换和优化。纯看视频收效有限，动手改代码才是它真正的用法。