大模型应用进阶：从原理到实战（个人制作）教程

这门课解决什么，适合谁

大模型应用开发最常见的瓶颈，不是调通一个 API，而是把零散能力组装成稳定、可观测、可维护的工程。这门课专门针对“能跑通 Demo，却组不成可靠应用”的痛点。它不教你重复轮询接口，而是补齐从模型调用、上下文设计、RAG 基础链路到 LangGraph 编排、工具生态接入的完整工程链路。门槛要求已掌握 Python 基础、了解 LLM 基本概念，并对 HTTP 接口和简单的前后端交互有实践经验。如果你只想看概念演示，此处无意义；若你想写出可落地、可迭代的代码，这里刚好对症。

建议的学习顺序与重点

为避免一上来就陷入编排复杂度，建议按三阶段切入。第一阶段，先夯实接口与提示词工程，重点吃透消息与工具的接口契约、JSON Schema 约束输出、业务测试选型、提示词版本管理与回归验证，以及长上下文的压缩与记忆分离策略。第二阶段，进入 RAG 基础链路，理解文档清洗、分块设计、Embedding 选型评测、BM25 与向量检索融合、查询改写与重排，最后实现带引用回答和拒答规范。第三阶段，再进入 LangGraph 编排核心，掌握状态节点边与 Reducer、条件路由、并行分支汇合、人工介入恢复、流式进度与取消，随后延伸至 FastAPI 持久化服务、MCP/A2A 工具接入，以及长任务沙箱与多 Agent 协作的进度维持。每阶段都要形成最小可用版本，不要跳过。

学完能独立做什么

完成核心内容后，你能独立设计并实现具备结构化输入、检索增强生成、多步流程编排与人工审核节点的应用。你可以用 LangGraph 构建支持条件分支和并行任务的流程，通过 FastAPI 对外暴露稳定接口，接入 MCP/A2A 生态工具，处理长任务的沙箱执行与进度清单，并确保系统具备流式响应、取消机制与权限边界意识。这类项目可直接作为工程参考，覆盖内容生产、数据分析、自动化工作流等常见场景。

资料如何配合练习

资料包以视频为主，建议边看边写代码。先看一段，立即实现对应节点的最小可用版本，再替换为自己的业务数据与接口契约。重点放在状态机调试、检索实验对比、流式响应与取消逻辑、权限边界验证上。遇到阻塞时，优先检查输入结构、上下文预算和工具返回格式，而不是直接改模型。每次迭代保留版本痕迹，便于回归验证。不要只看演示，把它当成可执行的工程模板来持续打磨，才能形成真正的复用能力。