知乎付费课AI大模型全栈工程师第10期

这门课的主题不是「教你怎么调用一次大模型 API」，而是把大模型应用从单点调用推进到可运行系统的完整链路：模型原理、提示工程、检索增强、智能体编排、服务化部署。第 10 期的内容围绕 Manus 多智能体架构、DeepSeek 系列模型解析、RAG 与 LangChain 工程实践展开，偏向「看得见源码、跑得起来」的路线。

技术栈落在哪些具体组件上

从目录结构看，课程覆盖的技术栈比较集中，不是泛泛而谈。语言层以 Python 为主，框架层以 LangChain 及其衍生编排能力为核心，检索层涉及向量数据库与文档切分策略，模型层则把 DeepSeek 系列作为主要分析对象，包括其技术演进路线和不同规格模型的适用边界。多智能体部分以 Manus 为剖析样本，重点在任务拆解、角色分工、工具调用和状态传递这几个环节——这些恰好是自己搭 Agent 时最容易卡住的地方。

如果你已经用过 OpenAI 接口或本地部署过开源模型，这门课的增量价值在于把散落的组件串成一条可维护的流水线，而不是再讲一遍 token 和温度参数。

项目结构与可复用模块

课程资料按讲座课与专题解析两类组织，其中专题解析（如 Manus、DeepSeek）配有独立讲义和讲解视频，适合先看结构图再回代码。真正值得拿来复用的模块大致有这么几类：

• 检索链路：文档加载、切分、嵌入、召回、重排的完整实现，可以直接替换成自己的语料。
• 智能体编排：多角色协作的调度逻辑与工具注册方式，改造成本主要在提示词和工具schema。
• 模型接入层：不同模型提供方的统一封装，方便在 DeepSeek 和其他模型间切换对比。
• 服务化部分：把链路包装成可被前端或其他服务调用的接口。

这些模块的价值在于「可拆」——不必整套照搬，挑其中一段嵌进现有项目也是可行的。

多智能体与 RAG 的工程细节

多智能体部分容易讲成概念课，但真正决定成败的是细节：任务如何分解、子智能体之间用什么结构传递中间结果、工具调用失败后怎么回退、上下文超长时如何压缩。课程以 Manus 为案例，把这些问题放在真实架构里讨论，比抽象讲「Agent 有规划、记忆、工具」要具体得多。

RAG 部分同理，重点不在「什么是向量检索」，而在切分粒度、元数据设计、召回数量与重排策略如何影响最终回答质量。这些参数没有标准答案，需要结合自己的数据反复调，课程提供的是一条可对照的实验路径。

适合拿它对照实践，而不是当视频看完

这类资料的合理用法是：先扫一遍专题解析建立结构认知，再打开对应代码逐段跑通，最后把其中一两个模块移植到自己的场景里验证。纯看视频的收益有限，因为编排逻辑和检索参数只有在改代码、看日志、对比输出时才会真正理解。建议准备一个自己的小语料库和一个小任务，边学边替换，进度会比按顺序刷完快得多。