知乎 AI大模型全栈工程师培养计划 第四期

这门课的主题不是「教你调用一个 API 做个聊天框」，而是围绕大模型应用从底层到上层的完整技术栈：模型侧涉及 LLM、多模态模型与代码模型的能力边界，工程侧涉及 Agent 框架（如 XAgent 的原理与落地）、检索增强、推理服务与产品化设计。第四期在内容密度上更偏工程实现，分享嘉宾多来自一线团队，讲的是他们自己在做的东西，而不是把论文复述一遍。

技术栈覆盖：从模型能力到 Agent 工程

课程的主体脉络可以按三层来理解。第一层是模型能力层，包括 LLM 的预训练与对齐思路、多模态模型如何把视觉与语言对齐、代码模型为什么在结构化推理上表现不同。第二层是应用架构层，重点是 Agent 的运行机制：任务拆解、工具调用、记忆管理、多步执行的失败恢复，XAgent 那部分分享就是从系统设计角度拆这些模块。第三层是产品与工程层，涉及大模型产品的交互范式变化、延迟与成本约束下的方案取舍。三层之间不是并列的，后面的工程决策基本都能回溯到前面模型能力的限制，这也是这份资料适合反复对照的原因。

资料结构：分享与主体内容并行

资源包大致分两块。一块是嘉宾分享性质的独立主题，每场聚焦一个方向，比如以 LLM 为核心的多模态与代码模型、Agent 框架的原理与应用、大模型时代产品设计的新问题。另一块是培养计划的主体课程内容，按技术模块推进。这种结构的实际用法是：先看主体课程建立概念和代码骨架，再挑分享场次做纵深补充。分享场次往往包含一些主讲人自己的踩坑经验，比如工具调用的稳定性处理、多模态输入的成本控制，这类内容在正式课程里通常一笔带过，但在实际项目里是高频问题。

可复用的模块与工程参考

从工程视角看，值得单独抽出来复用的有几类：Agent 的任务调度与工具注册机制，可以迁移到自己的业务 Agent 里；多模态与代码模型的调用范式，涉及输入构造、输出解析和失败重试，属于写一次能多处复用的胶水层；大模型产品的交互设计思路，对做前端和产品定义的人有直接参考价值。这些模块的学习方式不是看完就完，而是顺着讲者的实现思路自己写一版简化实现，再对照差异，通常比单纯看视频有效得多。

适合谁，以及怎么用

• 已有 Python 基础、做过至少一个后端或算法项目，想系统补齐大模型应用链路的人；
• 正在做 Agent、RAG 或 AI 产品，需要参考别人如何组织工程结构的人；
• 想把零散的模型调用经验整理成可维护架构的开发者。

使用建议是带着具体问题进入：比如你正在做一个工具调用型的 Agent，就重点看 XAgent 相关的部分，边看边把自己的调度逻辑重写一遍；如果你关心多模态落地，就先建立模型输入输出格式的直观认识，再回头处理工程侧的封装。这门资料的价值在于提供了可以对照实践的样本，而不是一套看完就能照抄的模板——里面的技术选型有它自己的上下文，迁移时需要自己判断哪些约束条件变了。第四期的内容偏新、偏实战，适合作为阶段性查漏补缺的参照，而不是从零起步的第一份材料。