调 API
拼 Prompt
29 张投流素材（4 封面 + 25 配图），专为小红书聚光平台定制。每张下方点「⬇ 下载 PNG」一键导出 2484×3320 高清图。
真正拉开差距的，不是会不会调模型，而是你还停在「Prompt 拼接 + demo 复读」，还是已经在交付可跑、可评估、可接入业务的系统。
这四件事不是“听过概念”，而是你能自己搭、自己调、自己讲明白，拿去做项目、写简历、过面试的问题。
不只会做 demo，而是能把向量库选型、GraphRAG、混合检索、RAG Evaluation 整条链路接通。
OpenAI / Claude / Google 三家 SDK 都亲手做过，对比过，知道不同场景该选哪一套。
LangGraph、A2A 协议、MCP Server 不再只是听过，能真正把多 Agent 协作和工具编排跑起来。
用 QLoRA / Unsloth 做微调，再用 Eval Engineering 把效果量化出来，知道怎么持续迭代。
GenAI 全景 · LLM API · Transformer
Prompt · 结构化输出 · Vibe Coding
Embedding · 向量库 · GraphRAG · Eval
Function Call · MCP · Browser Use
ReAct · Agent SDK · Agentic RAG
LangGraph · A2A 协议 · Agent Ops
STM/LTM · Mem0 · Session 管理
Hook · Tool Loop · Skills · ADLC
QLoRA · Unsloth · SDG · Sentence-T
Safety · Guardrails · Red-team · 监控
不是“听过名字”那种认识，而是在 Lab、项目和系统搭建里真的把这些工具接起来，知道它们各自解决哪一层问题。
Phase 3 做完第一个 RAG 系统，我们公司内部文档搜索就直接用上了，老板说能不能再做一个给客服用
以前看 Agent 觉得很神秘，亲手把 Claude Agent SDK 跑起来那一刻突然觉得"就这？我也能做"
P3 孵化阶段做的 Multi-Agent 项目直接写进简历，面 AI 岗位时面试官聊得蛮开心的
第五期的升级不是简单多了几十节，而是把第四期压在一起的内容彻底拆开重构。尤其 Agent 体系，从 1 个 phase 变成 5 个独立阶段。
差距不只是课时更多，而是整套学习标准都换了。
这一整个 Phase 讲的不是“调个检索接口”，而是把向量检索、GraphRAG、LangChain 全链和 Eval 体系拼成一套能落地的 RAG System。
Embedding 原理 · Pinecone / Chroma 选型 · 混合检索策略
Neo4j 知识图谱 · 实体关系抽取 · 图检索 + 向量检索融合
Core Constructs · LCEL · LangSmith 可观测 · 生产部署
RAGAS 框架 · Langfuse · 自定义 Metrics · 持续迭代
Agent 难的从来不是“调个 API 跑起来”，而是从能力接入、单 Agent、协作、记忆到 Harness 治理，一层没拆开，最后就只会停在 demo。
Function Calling · MCP Server · Browser Use · Computer Use
ReAct · 三大 Agent SDK 对比 · Agentic RAG · 构建第一个 Agent
LangGraph 编排 · A2A 协议 · Agent Ops · Multi-Agent RAG
STM / LTM · Mem0 · Session 管理 · 跨会话记忆
Claude Code 架构 · Hook · Tool Loop · Skills 范式 · ADLC
用 Agent SDK 构建生产级 AI 应用，从写 CRUD 转型 AI Engineer
补齐 Agent 工程化和 Context Engineering 短板，做能落地的 AI 系统
掌握 AI 应用部署运维和 Eval 流水线，转型 AI Infra
快速搭 Multi-Agent 产品原型，用 Eval 保障质量上线
这 68 个 Lab 不是零散练习题，而是把 Prompt、Python、RAG、Agent、云部署和协作流程一层层练熟。再加上 AI Tutor 主动带练，卡住了不会让你一直卡着。
Zero-shot · Few-shot · CoT · System Prompt · JSON Schema 输出
变量类型 · 函数 · API 基础 · OpenAI SDK · JSON 处理
核心概念 · API 实操 · 参数调优 · RAG 评估 · Agent 构建
EC2 · IAM · S3 · Secrets Manager · Lambda · Bedrock
首次提交 · 分支基础 · PR 流程 · Rebase · 协作
HTML · CSS · JavaScript · TypeScript · React 基础
前 12 周把技术体系搭起来，后 12 周把项目、简历和面试链路接上。不是“上完课结束”，而是一路推到能找工作。
GenAI 全景 · Transformer · Prompt · Vibe Coding
向量库 · GraphRAG · LangChain · Eval · 3 个项目
MCP · Agent SDK · LangGraph · Memory · Harness
QLoRA 微调 · Safety · Red-team · 毕业 Demo
企业级项目交付 · 简历优化 · Mock 面试 · 内推 → Offer
从 Prompt 到 Agent 逐步升级的智能学习助手
Context Engineering 驱动的 AI 应用
纯 Python 实现 Embedding + 向量检索 + LLM 生成
支持混合检索的生产级 RAG 应用
用 3 大 Agent SDK 构建多 Agent RAG 系统
含 MCP + Memory + A2A 的生产 Agent
QLoRA 微调 + 完整 Eval Pipeline
这门课最不一样的地方，不是多讲了几个概念，而是把学习方式换了。该自己练的放到课前，直播时间拿来做项目和拆问题。
真正把“学过”变成“做过”的，不是课程最后一节，而是后面这 12 周。P3 把项目交付、求职资产和面试转化连成一个闭环。
3-5 人团队，用课上学的 RAG + Agent 技术栈
4 个 Sprint，Planning → Standup → Review → Retro
来自 Meta / Microsoft / Amazon 的导师每周 Review
面向招聘企业展示，优秀项目直接获面试机会
Case Study + STAR 故事 + 简历 bullet points 全部从项目生成
校友内推群 + 模拟面试 + LinkedIn 优化 → 直到拿 Offer
这张不是在列 buzzword，而是在说 2026 岗位要求已经从旧技术栈切到什么新标准。不会这些，很多 JD 和面试题你会直接接不上。
这 5 个问题基本覆盖了报名阶段最多的顾虑。这里不讲空话，直接给你最短答案。
Context Engineering 驱动的基础版学习助手
接入文档检索，能回答课程相关问题
加 Function Calling + 工具调用，能执行操作
多 Agent 协作 + Memory 记忆，能跨会话学习
Harness 治理 + Fine-Tune 优化 + Eval 质量保障
这两块不是附加题，而是 2026 年 Agent 从 demo 走到产品化最关键的系统层能力。
不是拍脑袋说“市场需要这些”，而是把真实岗位要求拆开看。下面这 6 组能力，就是 2026 AI Engineer JD 里最常出现的交集。
先看主流带宽。下一张再看 12 家公司的具体样本。
这页只保留更适合展示的公开样本。没有稳定公开区间、或者容易误导的公司，我先删掉了。