黑马程序员 AI 大模型RAG与Agent智能体开发项目课

这门课的主题落在两个具体的技术点上：RAG（检索增强生成）和 Agent 智能体。它不是讲大模型原理的理论课，而是围绕"怎么把模型接进一个能跑的后端服务"来组织内容。从目录结构能看出来，开头几节先解决接入问题——通义千问的 API 调用、云端模型的代码调用、用环境变量管理 APIKEY，以及 Ollama 的本地部署和调用。这是一条很典型的工程起手式：先让模型能被调通，再谈上层应用。

技术栈的落点：云端与本地双线并行

值得单独拎出来说的是本地模型这条线。课程同时覆盖了云端 API（通义千问）和本地推理（Ollama），并且在 Windows 和 macOS 上都给了环境准备。这个安排对开发者来说是有实际意义的：云端模型负责验证效果和快速迭代，本地模型负责数据不出内网的场景。两者在代码层面的调用方式差异，以及如何用统一的抽象去屏蔽这个差异，本身就是 RAG 系统设计里绕不开的一环。如果你之前只用过一种方式，这里能补上另一半的实践经验。

项目结构：从接入到编排的层次

课程的组织逻辑是先基础设施、再检索、最后智能体编排。前置准备部分处理环境变量、密钥保护、模型接入这些琐碎但必须踩的坑；中间部分进入 RAG 的核心——文档切分、向量化、检索召回、上下文拼装；后段则是 Agent 的工具调用与任务编排。这种分层的好处是每一层都能单独跑起来验证，而不是一个大项目从头到尾只有跑通了才知道对不对。对于想对照自己项目做重构的人来说，这种可分段验证的结构比一个完整但封闭的案例更好用。

可复用的部分在哪里

• APIKEY 的环境变量管理方式，直接可以搬到任何需要调用第三方模型的工程里；
• 云端模型与本地模型的调用封装，适合作为你项目里 model client 层的参考；
• RAG 的检索链路——切分策略、向量库选择、召回与重排的衔接，这部分是多数自建知识库项目最容易出问题的地方；
• Agent 的工具定义与调用循环，可以抽出来做成独立的编排模块，套到自己的业务工具集上。

需要提醒的是，RAG 和 Agent 这两个方向的技术迭代很快，向量库、编排框架、模型接口都可能和录制时有差异。所以看这份资料的正确姿势不是照抄代码，而是理解它每一层在解决什么问题、层与层之间的接口是怎么定的。接口定清楚了，底层换个向量库或者换个模型，改动量是可控的。

自学路径建议

如果按顺序走，建议先用云端模型把最小调用跑通，确认环境和密钥没问题；然后切到 Ollama 跑一次本地推理，感受一下延迟和显存的边界；接着再进入 RAG 部分，自己准备一份几十页的文档做检索测试，观察召回质量；最后再看 Agent 的工具调用。每一步都动手改一点参数、换一个输入，比单纯看视频有效得多。这门课的价值在于它给了一条完整的、能落地的技术链路，而链路里的每个节点，都需要你自己动手才算真的掌握。