AI 大模型全栈工程师培养计划6期

课程定位与技术栈概览

这门资料面向的是希望深入掌握大模型应用工程化落地的开发者。不同于泛泛而谈的理论介绍，该课程体系聚焦于当前企业级 AI 开发中最核心的四个技术支柱：Prompt Engineering（提示词工程）、Function Calling（函数调用）、RAG（检索增强生成）以及 Assistants API。从资源结构来看，课程不仅涵盖了单点技术原理，还专门设置了“软件开发基础概念与环境搭建”作为前置加餐，说明讲师意识到了从传统软件开发向 AI 应用开发转型过程中，开发者在环境隔离、依赖管理及接口规范上存在的认知断层。这种设计逻辑清晰，旨在帮助具备一定编程基础但缺乏 LLM 落地经验的工程师，快速补齐工程化短板。

学习路径与核心模块解析

建议学习者按照以下顺序进行对照实践，不要急于跳跃到高级章节。首先，务必完整观看第 4 部分关于环境搭建的加餐内容，这是后续所有代码复现的基础，确保本地 Python 环境与相关 SDK 配置正确。紧接着进入第 3 部分的 Prompt Engineering，这部分并非简单的技巧罗列，而是结合第 2 部分的大模型应用开发基础，讲解如何结构化地控制模型输出。在完成提示词训练后，重点攻克第 5 部分的 Function Calling，这是实现“AI+业务逻辑”结合的关键，它解决了大模型无法直接操作外部工具或数据库的核心痛点。随后是第 8 部分的 RAG 和 Embeddings，这是构建私有知识库、解决模型幻觉问题的标准工程方案，需结合代码理解向量化的全流程。最后，通过第 9 部分的 Assistants API 将上述能力串联，形成完整的对话智能体架构。此外，穿插其中的“从 AI 编程认知 AI”及“AI 编程工具演示”部分，提供了实用的开发工具视角，有助于提升日常编码效率。

预期产出与资料配合建议

完成本套资料的学习并配合代码练习后，你将能够独立构建具备持久化记忆、支持多轮对话上下文管理、并能调用外部 API 完成复杂任务的 AI 应用系统。这种能力是目前市场上全栈工程师的高阶门槛。资料包中的视频文件体积较大，建议在理解概念时倍速观看理论部分，将主要精力投入到对源码的拆解与调试中。特别是 Function Calling 和 RAG 章节，务必亲手实现从 API 请求到结果解析的完整链路，而不是仅停留在观看层面。客座嘉宾关于百亿参数模型训练的分享可作为拓展阅读，帮助你理解底层模型与上层应用之间的技术边界，从而在实际开发中做出更合理的技术选型，避免盲目追求大而全的模型方案，转而聚焦于高效、低成本的应用层工程实践。