2025 AI大模型12期|知乎

后端视角的大模型工程化实践

这门课程解决的核心问题是传统后端开发者如何快速将大模型能力融入现有系统架构。当前行业中大量团队面临API调用零散、缺乏工程规范、难以应对复杂业务场景的困境。课程以Qwen和DeepSeek为主要技术栈，通过完整的项目案例展示从接口对接到业务落地的全链路实现。

内容设计严格遵循工程复用原则。学员将系统学习情感分析、表格信息提取、Function Call机制以及运维事件处置等多个典型场景。每个案例均提供可运行的Python代码和Jupyter Notebook，涵盖从Prompt设计到结果后处理的完整流程。特别针对DeepSeek的代理配置和本地R1-7B模型部署提供了详细方案，满足不同安全等级和成本约束的生产环境需求。

资料包中附带保险反欺诈业务的CSV数据集，包含训练集和测试集样本，用于实战阶段的数据分类与预测任务。这种代码加真实数据的组合方式，确保学习内容能够直接转化为工程产出。

学习路径与能力目标

适合具备Python编程基础和REST API调用经验的开发者，无需深度学习或机器学习背景。建议按以下顺序推进学习：

第一阶段聚焦接口层实现。首先掌握Qwen模型的文本生成能力，理解不同Prompt策略对输出质量的影响。接着学习表格提取功能，这是许多后端数据处理场景的基础。然后对比研究DeepSeek的API代理配置，了解如何在现有基础设施中优化调用成本。这一阶段结束后，应能独立完成大模型接入后端服务的标准化模块。

第二阶段深入业务逻辑层。通过天气查询的Function Call案例，掌握模型执行结构化操作的设计模式。运维事件处置案例展示日志分析和自动响应的工程实现。这一阶段要求理解如何将模型能力封装为可调用的服务接口。

第三阶段完成端到端项目。保险反欺诈案例要求基于提供的CSV数据，独立实现特征工程、模型推理和结果评估的完整 pipeline。这是从Demo验证到生产部署的关键跨越。

课程资料以代码文件为主，配合原理说明文档。学习时应边运行代码边记录关键参数效果，重点对比不同模型在同一任务上的表现差异。实战阶段需独立完成数据处理和模型调优，最终产出可复用的业务模块代码。