2025AI大模型工程师1

课程定位：填补大模型工程化落地的能力缺口

当前 AI 开发领域存在明显的“两头大、中间小”现象：一端是算法研究者专注于模型架构创新，另一端是业务开发者使用现成 API 构建应用，而真正需要将自训练模型部署到生产环境的工程化环节，往往缺乏系统性的实战指引。本课程正是针对这一断层设计，聚焦于大模型工程师的核心技能栈——从模型微调、蒸馏、量化到 Agent 智能体开发的全链路技术融合。它解决的不是“如何调用接口”的浅层问题，而是“如何让模型在资源受限环境下高效运行并融入复杂业务流”的工程难题。课程以真实项目和多业务场景为载体，强调跨领域技术的整合能力，帮助学习者建立从数据准备到模型优化的完整闭环思维，而非孤立掌握单个工具或框架。

适合人群与前置基础

本课程适合已具备 Python 编程基础和深度学习入门知识的开发者，建议至少完成过简单的神经网络训练项目，并对 Hugging Face Transformers 等主流库有基本了解。无需深厚的数学推导能力，但需要较强的工程实践意愿和问题拆解意识。初学者若缺乏 PyTorch/TensorFlow 基础，可先补完相关前置内容；而有经验的工程师则可直接进入实战环节，通过课程中的多阶段项目深化对模型压缩、推理优化和智能体编排的理解。课程特别适合作为传统后端开发向 AI 工程转型的过渡材料，重点强化代码复用性和系统稳定性意识，避免陷入“能调通 demo 却无法上线”的困境。

学习路径与资料配合建议

建议按以下顺序展开学习：首先掌握模型微调（Fine-tuning）的基础流程，理解参数高效微调（PEFT）如 LoRA 的原理与实现；其次深入模型蒸馏与量化技术，学习如何在精度损失可控的前提下压缩模型体积；然后进入 RAT（Retrieval-Augmented Training）工程化实践，掌握知识库构建与检索增强策略；最后聚焦 Agent 智能体开发，学习多模型协作架构与任务编排模式。每个阶段均配有可运行的源码和详细注释，学习者应边看边写，重点对照工程结构中的模块划分、接口设计和错误处理机制。课程资料包中包含多个跨领域融合案例，建议选取一个完整项目进行端到端复现，从中提炼可复用的组件（如数据加载器、评估脚本、部署模板），最终能够独立完成轻量级大模型应用的选型、训练、优化与部署全流程。