jk-AI大模型第六期（完结）

课程定位：从工程视角切入大模型应用

在生成式 AI 快速迭代的当下，许多开发者面临的核心痛点并非不了解 Transformer 原理，而是难以将大模型能力稳定集成到现有的后端业务系统中。本资料旨在解决这一脱节问题，聚焦于 LLM 应用开发的工程化落地。课程内容不纠结于底层的数学推导或论文复现，而是直接针对 RAG（检索增强生成）、Function Calling（函数调用）以及 Agent（智能体）架构等主流技术方案展开。通过剖析后端如何与大模型 API 交互、如何管理上下文窗口以及如何处理非结构化数据，帮助开发者构建具备生产级可用性的 AI 功能模块，而非仅仅停留在 Demo 演示层面。

适合人群与前置基础

本课程主要面向具备一定后端开发经验的工程师，特别是熟悉 Python 或 Java 技术栈，希望拓展 AI 应用能力边界的技术人员。读者应当已经掌握基础的 HTTP 请求处理、RESTful API 设计以及基本的数据库操作，否则在跟随讲解进行模型接入和状态管理时会感到吃力。对于前端开发者或纯算法研究人员，除非有强烈的全栈或工程化需求，否则建议优先补充后端基础知识后再行学习，以确保能将所学技术真正融入完整的应用架构中。

学习路径与实战建议

建议初学者从环境搭建章节入手，重点配置好本地开发环境及与大模型服务商的连接凭证，这是后续所有实验的基石。随后应深入研读关于 Prompt Engineering 和向量数据库集成的核心模块，这是构建 RAG 系统的必经之路。在完成理论部分后，务必配合资料中的源码案例进行动手实践，重点复现基于 LangChain 或 LlamaIndex 的智能体流程，尝试自行修改提示词模板以观察输出差异。通过这种对照代码与实践的方式，最终能够独立实现包含多轮对话记忆、工具调用及外部知识检索的综合型 AI 后端服务。