🚀 AI 训练营专区（3 门主课 · 多项目实战）
三门主课不是单独学习，而是串成一条交付链路：先打好大模型应用底座，再用 LangChain 快速出原型与验证效果，最后用 Spring AI 做企业级工程化上线。
📌 课程大纲：三大模块 · 分阶段交付（从能做 → 能上线 → 能规模化）
不是“听懂就算学会”，而是以交付为标准：每个阶段都有可演示成果、可复盘指标、可写进简历的工程资产。
交付物：9+ 项
核心能力：RAG / Agent / 工程化
面试打法：作品集 + 指标 + 方案
- 1、AI 落地全景图：从大模型能力边界、行业应用现状、典型落地场景三个维度，建立对 AI 商业价值的系统性认知。能回答"AI 能做什么/不能做什么""哪些场景值得投入"等战略级问题——这是 AI 产品经理的核心判断力。
- 2、职业路线规划：解析 AI 工程师的能力模型（技术深度 + 业务理解 + 产品思维），明确 Prompt 工程师、RAG 开发、Agent 架构等不同方向的能力要求和薪资区间；制定个人从入门到精通的进阶路径。
- 3、求职竞争力定位：理解 2025 年 AI 人才市场供需关系，掌握简历中如何呈现 AI 项目（技术栈 + 业务指标 + 工程实践），清楚面试官会考察哪些 AI 知识体系和工程能力。
- 4、学习资源导航：获得完整的学习路线图——从 Transformer 原理到 RAG 实战再到 Agent 开发，知道每个阶段该学什么、怎么验证学习效果、产出什么作品。
章节对应：
第0章
交付物：AI 场景筛选决策框架（面试可用）
交付物：个人 AI 能力矩阵与学习路线图
- 1、大模型原理深度拆解：理解 Transformer 的自注意力机制、位置编码、多头注意力如何协同工作；掌握 Token 化、上下文窗口、KV Cache 等核心概念；能向面试官解释"为什么大模型会出现幻觉""如何控制输出长度"等技术原理。
- 2、Prompt 工程系统化：掌握 Zero-shot/Few-shot/Chain-of-Thought 等提示策略；学会用结构化模板（XML/YAML/JSON）约束模型输出；建立 Prompt 版本管理和回归测试机制——把提示词当成 API 来设计和维护。
- 3、输出可靠性设计：通过输出格式规范（JSON Schema）、边界条件处理（拒答/兜底/重试）、一致性校验（规则引擎/正则验证），实现"可控可预期"的模型输出；解决生产环境中的"输出漂移"问题。
- 4、工程化思维建立：理解"提示词即代码"的理念，掌握 Prompt 封装、参数化、模块化设计；能评估不同提示策略的优劣，建立技术选型的决策框架——这是区分初级和高级 AI 工程师的关键。
交付物：结构化 Prompt 模板库（可直接写入简历）
交付物：结构化输出规范（Schema + 校验）
交付物：Prompt 回归测试集（展现工程化能力）
- 1、API 工程化治理体系：构建完整的云端 API 调用链路——鉴权认证（AK/SK 管理）、超时控制（连接/读取超时）、重试策略（指数退避/抖动）、流式响应处理；建立健壮的故障容错机制，保障服务可用性。
- 2、成本与性能优化：掌握 Token 计费模型和成本估算方法；通过批量处理、缓存策略、模型选型（turbo vs plus）实现成本优化；建立延迟监控和 P95/P99 延迟指标，持续优化响应速度。
- 3、安全防护边界：实现 Prompt 注入检测与过滤、敏感词拦截、输出内容审核；建立权限白名单和调用频率限制；防止 API Key 泄露和越权调用——这是企业级 AI 应用的必备安全能力。
- 4、对话记忆架构设计：掌握滑动窗口（固定轮次）、Token 预算（动态截断）、总结压缩（摘要策略）、持久化存储（Redis/DB）四种记忆管理模式；解决长对话中的"上下文丢失"问题；实现真正的多轮对话产品体验。
交付物：API 治理体系（超时/重试/流式/成本）
交付物：安全边界规范（注入防护/参数校验）
交付物：对话记忆管理方案（窗口/摘要/持久化）
- 1、RAG 完整数据工程：掌握文档解析（PDF/Markdown/Word）→ 智能切分（段落/语义/重叠策略）→ 向量化（Embedding 模型选型）→ 向量存储（Chroma/Qdrant/Pinecone）的端到端链路；理解不同切分策略对召回率的影响。
- 2、检索质量体系构建：实现 Top-K 召回 + 重排序（Rerank）的两阶段检索；掌握精确匹配、模糊匹配、语义相似度的组合策略；建立 Recall@K、MRR、nDCG 等评测指标体系；持续优化检索准确率。
- 3、上下文增强策略：掌握上下文压缩（摘要/关键句提取）、引用溯源（来源标注）、多文档融合策略；解决"检索结果过多导致上下文超限"问题；实现高质量的知识库问答体验。
- 4、业务价值量化：能对比"有无 RAG"的效果差异（准确率提升、幻觉降低）；建立用户满意度、问答准确率、检索 latency 等业务指标；用数据证明 RAG 系统的 ROI——这是向老板/客户展示价值的关键能力。
交付物：文档入库流水线（可上线部署）
交付物：RAG 检索质量体系（指标/评测/优化）
交付物：知识库问答服务（带引用溯源）
- 1、Agent 系统架构设计：理解"规划(Planning) → 记忆(Memory) → 工具使用(Tool Use)"的 Agent 核心循环；掌握 ReAct（推理+行动）、Plan-and-Execute（规划后执行）两种主流架构；能设计解决复杂多步任务的 AI 系统。
- 2、Function Calling 工程实现：掌握工具函数定义（Schema 描述）、参数校验（类型/范围/必填）、调用决策（模型选择工具）、结果处理（成功/失败/重试）的完整链路；实现 AI 能调用外部 API 查数据、做计算、执行操作。
- 3、工具治理与安全：建立工具注册中心、权限控制（谁能调用什么工具）、审计日志（调用记录追踪）、限流熔断（防止工具滥用）的治理体系；解决生产环境中的工具安全风险。
- 4、完整产品闭环：整合知识库问答（RAG）+ 工具调用（Agent）+ 对话记忆 + 工程化治理，构建"智能客服/销售助手"完整解决方案；形成可直接演示给面试官的企业级作品。
章节对应：
第8章
交付物：Agent 工具调用系统（可执行闭环）
交付物：ReAct 推理框架（Think/Act/Observe）
交付物：工具治理规范（权限/审计/限流）
- 1、微调技术体系掌握：理解 SFT（全量微调）、LoRA（低秩适配）、QLoRA（量化微调）的技术原理、显存占用、训练成本的差异；掌握微调数据准备（格式/质量/数量）、训练参数配置（LR/batch/epoch）、模型评估（困惑度/下游任务）的完整流程。
- 2、微调 vs RAG vs Prompt 决策：建立"什么场景该微调"的决策框架——风格/知识/任务固化选微调，动态知识/成本控制选 RAG，快速迭代/低成本选 Prompt；能向面试官解释三种方案的技术选型和成本对比。
- 3、私有化部署能力：掌握模型量化（INT8/INT4）、推理加速（vLLM/TGI）、服务封装（API 接口）的部署链路；理解企业数据安全要求下的私有化方案——这是金融/医疗/政府客户的刚性需求。
- 4、综合考核与能力认证：通过前9章知识点的综合测评，获得课程能力认证；建立从 AI 认知 → 工程实践 → 系统架构的完整知识体系；具备独立设计和交付 AI 应用的能力。
交付物：微调决策框架（SFT/LoRA/QLoRA）
交付物：综合考核成绩单（能力认证）
交付物：完整 AI 应用开发作品集（可演示）
📚 三门实战课程，构建完整 AI 工程能力
大模型应用核心技术
Prompt工程 · RAG知识库 · Agent智能体 · 微调实战
学完你将掌握：
Transformer 原理、Prompt 工程、对话管理、RAG 技术、Agent 开发，以及构建智能化 AI 应用系统。
LangChain 快速开发实战
Python AI工程 · 4大项目驱动 · 快速落地LLM应用
学完你将掌握：
记忆管理、RAG 应用、Agent 代理、多模态处理，以及快速构建企业级 LLM 应用系统。
Spring AI 企业级架构
Java AI工程化 · 流式响应 · Function Calling · 企业级RAG
学完你将掌握：
Spring AI 基础、对话记忆、流式响应、Function Calling、RAG 技术，以及在 Spring 生态中集成 AI 能力。
补充信息：
💼 职业跃迁加速器
📦 实战项目集
🚀 适合人群
💡 常见问题
