企业官网建设流程全解析

一、大模型应用基础

核心目标：建立对大模型的工程认知，了解边界和使用成本

1、基本原理（懂原理就行，不用会推导）

• Transformer 架构、Attention 机制、位置编码：理解 Attention 是 O(n²) 复杂度，是长上下文又慢又贵的原因，位置编码决定了模型的外推能力，是超长上下文效果会明显退化的原因
• Scaling Law：解释了"大力出奇迹"的由来，对应用开发者是背景知识，知道是什么就可以

2、API 接口（需要动手实践）

• 消息格式：System、User、Assistant 三种角色的分工

• 多轮对话：本质是无状态的，每次请求都要把完整历史带上

• 流式输出协议：SSE

• 影响输出随机性的采样参数：Temperature、Top_p

• 稳定的提示词前缀可以被缓存复用，省 token、降延迟的有效手段

3、上下文 Context

• 常见模型的窗口大小、超窗口后的截断策略

• Lost in the middle：塞在上下文中间的信息容易被模型忽略

• 长上下文对延迟和成本的实际影响

4、局限性

• 依赖训练数据、有知识截止时间、会幻觉、看不到私域知识、更新知识困难、训练成本高

5、通用模型 vs 推理模型

• 推理模型：把"思考过程"内化了，用更高的延迟和 token 换更强的推理、规划能力

• 模型选择：简单抽取、改写、分类用通用模型，复杂推理、多步规划上推理模型

6、多模态模型

• 了解图文、音视频输入的基本能力边界

二、提示词工程

核心目标：稳定且可控地完成任务

1、设计要素

• 任务目标、上下文、角色、受众、样例、输出格式

2、构建技巧

• 思维链、Few-shot、自我验证、格式化输出，用推理模型时，手动写 CoT 的收益大幅下降甚至有害，模型自己会拆解步骤，硬塞一套思考流程反而是限制它，CoT 主要是给通用模型用的

3、System Prompt 设计

• 角色、约束、输出规范这类稳定的东西放 system prompt，动态输入放 user prompt中

4、结构化输出

可靠的 JSON，用 Function Calling、JSON mode、约束解码

5、Meta Prompting

用大模型来优化提示词：基于参考答案做自动化评测，把"调 prompt"变成能迭代的工程

6、提示词结构化

用结构化模板写复杂指令，可维护、可复用、稳定性更高

7、防注入

• 关键词过滤、安全护栏、指令边界设计、该拒答时拒答，用户输入永远当不可信数据处理

补充：真正落地时，关键提示词往往需要和领域、业务专家一起打磨，他们知道什么是对的输出，你知道怎么让模型稳定产出，需要配合

三、检索增强生成（RAG）

核心目标：给模型接上私域知识和实时信息，降低幻觉，企业里最容易落地的场景

1、完整流程

建立索引：文档解析、文本切片、向量化、索引存储

检索生成：知识检索、答案生成、引用溯源

2、向量检索原理

Embedding 的文本向量化机制、相似度计算（余弦相似度、点积）

3、向量数据库选型

• FAISS（轻量、适合原型和中小规模）

• Milvus（生产级）

• Elasticsearch（已有 ES 技术栈、要做混合检索时直接使用）

4、混合检索

向量检索（语义）+ BM25（关键词）融合，纯向量对专有名词、编号、代码这类需要精确匹配的东西经常召不回，需要补充 BM25

5、常见优化方法

• 知识治理、Query 改写、多路召回（HyDE 假设文档、多角度改写）、切片策略优化、引入 Rerank 重排、元数据过滤

• Contextual Retrieval：切片前先给每个 chunk 补一段所属上下文再做向量化，能显著降低"切碎后丢失语境导致召不回"的问题

• Agentic RAG：把检索做成 Agent 能反复调用的工具，让模型自己决定检索几次、检索什么、要不要换个 query 再来一次，这是 RAG 和 Agent 的交汇点，也是当前把复杂问答做扎实的主流方向

6、自动化评测

• Ragas、TruLens 等框架，核心指标：忠实度、答案相关性、上下文召回率，召回和生成分开看，先确认召回到了正确的内容，再评估生成质量

7、多模态 RAG

图文混合知识库下，图像、表格的索引与检索方法

8、GraphRAG

基于知识图谱做实体关联增强检索，适合多跳、复杂关系推理的场景

四、Agent 智能体应用

核心目标：从调一次大模型，进化到"让模型自己规划、调工具、把任务干完"

1、基础架构

规划、感知、执行、记忆（短期记忆、长期记忆）四个组件怎么协作

2、工具调用

• Function Calling 的工作原理

• 工具设计原则：描述写清楚、粒度切合适、错误信息要可读（模型靠错误信息自我纠正）

• MCP 协议、A2A 协议、Skills 各自解决什么问题

3、工作流 vs 自主规划

能用固定工作流解决的，不要上自主 Agent，因为自主性越高，越难调试、越贵、越不可控，理解什么时候用编排好的工作流、什么时候让大模型自己规划

4、常见设计模式

• 单 Agent：ReAct 循环、Plan-and-Execute
• 多 Agent：串行、并行、主从、分层

5、原型构建能力

任务分解、角色划分的思路，能基于成熟框架搭出业务 Agent 原型

6、上下文工程（Context Engineering）

Agent 出问题，大部分原因是上下文没管好，每一步往窗口里塞什么：历史怎么压缩、记忆怎么取回、工具返回结果怎么裁剪、无关信息怎么剔除

7、记忆系统

短期记忆（当前对话）、长期记忆（持久化存储 + 按需检索），别把所有东西都堆进上下文，该外置的外置、用到再取

8、工程可靠性设计

任务中断恢复、幂等性设计、循环检测、超时与降级处理，Agent 本质上还是个分布式服务，该有的容错一样不能少

9、评测与迭代

任务完成率、工具调用准确率等指标，Agent 评测比单轮问答难，因为完成任务的路径不唯一，要区分轨迹评测（过程对不对）和结果评测（最终对不对），两者都要看

五、大模型应用工程实践

核心目标：把 Agent 原型变成高并发、安全、可上线的线上服务

1、主流 Agent 开发框架

LangChain、LangGraph、Spring AI 的架构和组件，按场景和团队技术栈选型

2、可观测性

LangSmith、LangFuse 等平台：能追踪每一步的输入输出、token 消耗、延迟

3、内容安全与合规

安全护栏，敏感问题拒答或转人工，防止违法违规、歧视偏见、隐私泄露、幻觉信息输出，硬约束，这是上线的前提

4、监控与治理

审计日志、用户问答记录、异常告警

理解数据飞轮，根据线上真实数据怎么优化prompt、知识库和评测集

5、成本与性能优化

QPS 限流与多级队列、语义缓存、Prompt 压缩、Prompt 缓存（稳定前缀复用）、Context 截断、降级策略

6、应用安全

身份鉴权、网络隔离、密钥管理、最小权限原则

六、大模型微调原理

核心目标：对 Agent 开发工程师，这部分不需要自己动手训，理解原理、能判断"要不要微调"就够了

1、训练原理：预训练和微调的区别

2、机器学习、深度学习、神经网络之间的层次关系

3、核心概念：模型参数（权重）、损失函数、知识蒸馏

4、梯度下降算法：训练超参的作用（batch size、learning rate、eval steps、epoch）

5、全参微调 vs 高效微调：Prompt Tuning、LoRA / QLoRA 的适用场景和资源消耗差异

6、模型对齐：RLHF（人类反馈强化学习）与 DPO（直接偏好优化）的基本思想

7、常用评测指标：分类任务（Accuracy / F1）、文本生成（BLEU / ROUGE）、推理能力基准（HumanEval / MMLU）

有技术底子的人，正站在AI大模型开发的黄金入口

先问自己一个问题：

你写了这么多年代码，薪资是不是已经很久没动了？

面试的时候，“会Spring Boot”“会Vue”"会MySQL"已经变成了基本操作，没有人在乎了。大家都会的东西，就不值钱了。

但另一边，有人在疯狂涨薪
拉勾、BOSS直聘上，“AI应用开发”“大模型开发”"Agent开发"的岗位数量在过去一年翻了3倍，薪资中位数比同级别后端开发高出 40%-60%。

不是因为他们比你聪明，而是因为他们踩对了赛道。

你可能觉得：我又不是搞算法的，大模型跟我有什么关系？

这就是最大的误区。

AI大模型应用开发 ≠ 训练大模型
说清楚一点：训练大模型的是那几家大厂，但用大模型做应用的，是千千万万的普通企业和团队。

而这些团队需要的，不是PhD，而是——

能用大模型API搭出可用产品的应用开发者
能设计Agent工作流、调用工具链的Agent工程师
能把RAG、Function Calling、多轮对话落地到真实业务的AI全栈
这些活儿，有编程基础的你，完全能干。

你需要补的不是"算法基础"，而是"AI开发的技术栈和工程思维"。

Agent开发，为什么是程序员最好的切入点？
因为Agent开发本质上就是"用自然语言编程"——而这恰恰需要你已有的工程能力：

你有代码功底 → 理解Function Calling、工具调用、API集成，比零基础快10倍
你有系统设计经验 → 设计多Agent协作架构、状态管理、错误处理，逻辑一脉相承
你懂工程化 → 部署、监控、性能优化，这些AI项目同样需要
你理解数据 → RAG系统的数据清洗、向量检索、效果调优，你的DB经验直接复用
说白了，你已有的能力是资产，不是沉没成本。差的只是"AI这一层"的认知和工具链。

学完之后，你值多少钱？
转型 从传统后端/前端转AI应用开发，打开薪资天花板，跳槽议价权拉满
升职 在现有团队主导AI项目落地，从"写代码的"变成"定方向的"
独立 用Agent开发能力做SaaS产品、接AI外包项目，技术变现多一条腿
不可替代 当AI能写CRUD了，你是那个"用AI写代码"的人，而不是"被AI替代"的人
这不是危言耸听。GitHub Copilot已经能写出70%的CRUD代码了，纯执行层面的程序员价值在快速缩水。但"能用AI构建AI应用"的人，目前严重不够用。

这门课会教你什么？
面向有编程基础的开发者，从AI大模型应用开发的工程实践出发：

✅ 大模型API调用与Prompt工程实战
✅ RAG系统搭建：从数据处理到向量检索全流程
✅ Agent开发：Function Calling、工具链、多步推理
✅ 多Agent协作与工作流编排
✅ 真实项目落地：从需求到部署的完整工程链路
不讲虚的，全是能直接用在项目里的东西。

🚀 AI大模型应用开发课程

有编程基础？这就是你的下一个赛道

“程序员最大的风险，不是技术过时，而是用旧技术赚新钱的心态。”

你可能还在想"再等等看"——但AI这个赛道，窗口期就这么长。

等大模型开发变成"标配技能"的时候，你就不是先行者了，而是追赶者。

你有技术底子，这是你最大的优势。别浪费它。