黑马AI 大模型训练营2期

工程落地导向的 LLM 全栈实践体系

这套资料的核心价值并非侧重 Transformer 底层数学推导，而是聚焦于“如何将大模型集成进业务系统”的工程闭环。它主要解决开发者在面对 RAG 检索增强、Agent 智能体编排以及多模态生成时，缺乏完整链路参考的痛点。课程涵盖了从 Python 基础巩固、LangChain 框架详解、Function Call 原理，到 Stable Diffusion 图像生成的全流程。对于已有 Python 基础，但尚未系统接触 LLM 开发工具链（如 LangChain、API 调用规范、向量数据库交互）的初学者或中级后端工程师非常合适。若你处于纯零基础阶段，建议先补充基础语法；若你只关注微调，需注意资料中微调部分主要结合在具体项目中，独立系统性的 LoRA 理论篇幅相对较少，需自行拓展。

基于逻辑重组的学习路径与门槛

不要按视频编号顺序盲目观看，建议按以下逻辑重组学习路径。第一阶段是基础与工具：重点消化“大模型前置知识”和“LangChain 详解”。LangChain 部分涉及 Prompt 链、Memory 和 Tool 的设计，是后续所有项目的骨架，务必跟着代码把核心类跑通，理解其链式调用逻辑。第二阶段是专项能力突破：深入学习“Function Call 原理”和“Agent 原理及实践”。这两块是区分“简单调用 API”与“构建智能系统”的关键门槛，深入理解 ReAct 循环和工具注册机制对理解后续复杂项目至关重要。第三阶段是多模态扩展：观看 Stable Diffusion 相关章节，这部分独立于文本 LLM，适合在有余力时拓展，了解文本到图像生成的管线及提示词工程在视觉领域的应用。

独立交付能力与资料配合练习法

资料包中包含六个不同行业背景的综合项目，涵盖金融风控、物流问答、新零售决策、健康问诊、新媒体分类等场景。这些项目不是简单 Demo，而是带有完整数据处理、模型选择（如 BERT 对比 P-Tuning）和系统部署流程的工程实践。学完并复现其中两个核心项目后，你将具备独立搭建垂直领域 LLM 应用的能力：能根据业务痛点选择 Prompt 工程还是 RAG，能利用 LangChain 编排复杂工作流，并能处理 Function Call 中的边界异常。资料配合练习的关键在于“重构”：不要只是运行代码，建议每个项目完成后，尝试剥离原有代码，从空白工程开始，依据笔记重新搭建核心模块。同时，关注“模型部署”加餐课，将本地模型或 API 封装为高可用服务，补齐生产环境缺失的一环。面试指导部分虽非核心工程内容，但可作为对照检查知识盲点的工具，帮助梳理技术亮点。