这套课程围绕“大型模型智能代理”展开,但它的落点并不在讲概念,而是压在一个叫“掌柜问数”的实战项目上。拿到资料后,比较合理的用法是把它当成一套可对照的工程记录:先看项目需要解决什么问题,再顺着代码去核对每一项技术选型为什么出现在这里。 技术栈的组成方式 从资料线索看,项目涉及 Docker、Qdrant、MySQL、Elasticsearch 这几块。把它…
这套课程围绕“大型模型智能代理”展开,但它的落点并不在讲概念,而是压在一个叫“掌柜问数”的实战项目上。拿到资料后,比较合理的用法是把它当成一套可对照的工程记录:先看项目需要解决什么问题,再顺着代码去核对每一项技术选型为什么出现在这里。
从资料线索看,项目涉及 Docker、Qdrant、MySQL、Elasticsearch 这几块。把它们放在一起,指向的是一类典型架构:用 Docker 做环境与依赖封装,MySQL 承载结构化业务数据,ES 负责文本检索与关键词召回,Qdrant 承担向量化后的语义检索。代理层要做的,是在这几套存储之间决定“什么时候查什么”,再把结果交给大模型组织成回答。
这套组合的价值在于分工清晰。结构化查询走 MySQL,模糊匹配和全文检索走 ES,语义相近但用词不同的问法交给 Qdrant。学习时建议不要只盯着某一环,而是留意三者之间的路由逻辑——这往往是智能代理项目里最容易写乱、也最能体现设计水平的部分。
“掌柜问数”这个名字暗示了场景:用自然语言去问数据。围绕这个目标,代码通常可以拆成几层来读。第一层是接入层,处理用户输入与多轮对话状态;第二层是意图识别与工具调度,判断这次提问该走 SQL 查询、检索还是直接让模型回答;第三层是执行层,真正落到 MySQL、ES、Qdrant 上;第四层是结果组装与输出。
按这个顺序读源码,比从头到尾顺着文件看要高效。每读完一层,可以回头确认它和前一层之间的接口约定,尤其是工具调用的入参和返回结构,这是后面复用到自己项目里最直接能搬的部分。
资料里的视频按天切分,单节体量不大,适合碎片时间过一遍主线。但视频只适合建立整体印象,真正吃透还得回到代码。建议的做法是:先按天看完,标出自己没跟上的节点;然后打开对应模块的源码,逐段对照,把当天视频里出现的调用链还原出来。遇到 Docker 编排、向量库连接参数这类细节,直接在本地跑一遍,比反复看更有效。
如果想要检验掌握程度,可以试着把项目里的某个工具单独抽出来,换一个数据源重新接一遍。能跑通,说明这一层是真的理解了。
这类项目里,值得单独拎出来复用的通常有几块:容器化的服务编排配置、向量库的集合设计与写入流程、多路检索的融合与排序逻辑、以及工具调用的注册与调度机制。这几块与具体业务耦合较低,换个场景也能用。
不太建议直接照搬的是提示词和具体的问答模板,它们和“掌柜问数”的数据结构绑定较深,换个库就得重写。理解其组织思路即可。
如果你已经有 Python 基础,了解基本的 Web 服务写法,想找一个结构完整、技术栈贴近生产的智能代理项目来对照实践,这份资料是对得上号的。它不适合只想看结论、不愿意动手跑代码的人——里面的价值大多藏在配置、调度和检索细节里,不动手很难拿到。
大型模型智能代理实战课程
深入浅出,结合实际项目,带你快速掌握大型模型智能代理开发技巧。
尚硅谷倾力打造,2026年1月开课,带你探索大型模型智能代理的奥秘。
课程涵盖掌柜问数项目,涵盖Docker、Qdrant、MySQL、ES等关键技术。
🎉 祝您学习愉快!