尚硅谷 - 26年4月底结课 大模型智能体线上速成班V2.0完结

这门课的主题很明确：大模型智能体（Agent）的工程化落地。它不讲大模型原理的数学推导，也不停留在"调用 API 写个聊天机器人"的层面，而是围绕一个完整的智能体项目往下扎——从大模型基础概念、Prompt 工程、工具调用（Function Calling）、RAG 检索增强，一路做到多智能体协作、模型微调和项目交付。资料包里的目录线索能看到「掌柜智库」这类具体项目，以及独立的「微调」模块，说明知识密度是往实战方向倾斜的。

技术栈与内容切分

按目录结构判断，课程大致分三段推进。第一段是基础设施层：大模型概述、推理参数、上下文窗口管理、结构化输出约束，这些决定了后面所有 Agent 行为的稳定性。第二段是智能体核心：任务规划、工具注册与调度、记忆机制、多轮状态维护，以及 RAG 的向量化、召回与重排。第三段是垂直项目与微调：以「掌柜智库」为代表的业务型 Agent，配合数据构造、微调训练与效果评测。三段的依赖关系是递进的，跳过前面直接看微调会缺上下文。

项目结构上值得对照的地方

这类速成班的价值不在视频本身，而在于它给出的工程骨架。建议重点看这几处：

• Agent 主循环是怎么写的——意图识别、工具选择、结果回填、终止条件判断，这套控制流是绝大多数智能体项目的公共部分；
• 工具层的抽象方式——每个工具如何声明入参 schema、如何做参数校验和异常兜底，这决定了 Agent 能不能稳定跑；
• RAG 链路的切分粒度——文档切块策略、embedding 模型选型、召回数量与重排的取舍，这些参数直接影响回答质量；
• 微调数据的构造流程——从业务日志到指令样本的转换，比训练脚本本身更值得抄。

把这些模块抽出来，基本可以复用到自己的业务场景里，改的是工具实现和提示词，控制流不用重写。

可复用模块的判断标准

看这套资料时，建议带着"哪部分能直接搬进我的项目"这个问题。通常能直接复用的是三类：一是 Agent 的调度框架代码，二是 RAG 的检索服务封装，三是微调的数据处理和评测脚本。不太能直接复用的是具体业务提示词和「掌柜智库」的领域数据，这些需要按自己的场景重写。区分清楚这两类，学习效率会高很多。

自学路径建议

如果按顺序推进，建议先跑通一个最小 Agent：单工具、单轮任务，确认调用链路无误，再往上叠加多工具、多轮记忆和 RAG。微调模块放在最后，等 Agent 行为稳定、有真实业务数据之后再看，否则调出来的模型没有评测基准，效果无法判断。视频可以倍速过，但项目代码要跟着敲一遍——尤其是工具层和检索层，这两处出问题最难排查。

适合谁拿来对照实践

适合已经会写 Python、了解 HTTP 与异步调用、想从"调用大模型 API"跨到"构建智能体系统"的开发者。如果你只想看概念科普，这套资料偏重；如果你想找一个能拆开、能改造、能跑起来的工程参考，它的结构和模块划分是有对照价值的。把它当成一份可执行的脚手架，而不是一份看完就算的教程，收获会更实在。