01
W1W2W3
先搭可运行的标准 AI 产品底座
- ADLC 与 AI Coding workflow
- Design system 与完整产品 UI
- 用户、角色、核心业务实体与状态流转
交付：Design System、核心业务流程、权限、记录审核与审计组成的非 AI vertical slice
第 07 期 · 海外班招生中
AI EngineerBootcamp
理论学清楚，实践从 0 搭建一个 Production Agent
每周一场理论 Live、一场独立实践 Live。第七期按标准 Enterprise AI 产品路径持续 13 周，从 ADLC、UI 和 Voice AI 一路搭到 RAG、MCP、Agent、Memory、Harness、Model Routing、Governance 与 Production Evals；CareKind 只是贯穿这些能力的业务案例。
COHORT 07理论 12 周 · 实践 13 周25 场 LIVE · 45 小时
A$145K–200K+
澳洲 AI Engineer 薪资区间
Hays · 2026
US$184.8K
美国 AI Engineer 平均 Base Salary
平均 Total Compensation US$211.2K
+32%
高于美国 Software Engineer 平均 Base
US$184.8K vs US$139.7K
+22% / +47%
高于美国 Cloud / Data Engineer
Cloud +22% · Data +47%
提交申请后 24–48 小时内完成审核，不需要先付款。
COHORT 07 · THEORY + PRACTICE
13 周，按标准 AI 产品交付路径搭出 Enterprise Production Agent。
第五期每周本来就是两场 Live；第七期没有增加课次，而是把两场都以知识讲授为主的安排，重组为一场理论 Live + 一场独立实践 Live。完整课程体系继续保留，实践沿同一项目主线逐周交付，代码库按系统边界合理拆分；CareKind 只是贯穿案例，不限制未来行业。
THEORY RAIL · 12 LIVE CLASSES12 场理论 Live每周的理论为下一次工程决策提供依据
LLMContextRAGAgentsReActMulti-AgentMemoryHarnessRoutingGovernanceEvaluation
CONTINUOUS BUILD · W1–W1313 场独立实践 Live
不是 13 个零散 demo，而是 5 次产品能力升级
W1–W3 · 标准 AI 产品底座
先搭可运行的标准 AI 产品底座
- ADLC 与 AI Coding workflow
- Design system 与完整产品 UI
- 用户、角色、核心业务实体与状态流转
02
W4W5
第一次接入 AI
- Voice → Editable Transcript
- Human Confirmed Transcript
- Structured Progress Note Draft
升级：护士口述变成可审核文档
03
W6W7
让输出有政策依据
- Policy corpus 与 retrieval
- Grounded answer 与 citations
- MCP tools 与 permission boundary
升级：文档能引用政策并连接工具
04
W8W9W10
从功能进化为 Agent
- Plan、tool calling 与 failure recovery
- Human approval 与 agent state
- 安全的 long-term memory
升级：可执行、可暂停、可恢复的 Agent
05
W11W12W13
达到 Production 标准
- Harness、tracing 与 model routing
- Governance、PII 与 injection defense
- Evals、regression gate 与 rollback
最终：可评估、可治理、可发布的系统
FINAL BUILD · ENTERPRISE-GRADE AGENT SYSTEM
最终交付：一个具备 Tools、Memory、Governance 与 Evals 的 Enterprise Agent。
CareKind 是承载复杂约束的业务场景，真正要证明的是可迁移的 Agent Engineering 能力：规划与工具调用、安全记忆、模型路由、权限与人工审批、Harness、Tracing、Evaluation 和 Production Release Controls。
CareKind AI · Resident Care Workspace
VOICE INPUTVoice note 已确认Editable transcript · nurse confirmed
GROUNDED NOTEProgress note 有依据2 policy citations · structured facts
AGENT ACTIONHandover plan 已生成3 tools · approval required
HUMAN CONTROL人工掌握发布权Review · confirm · version · audit
✓ PERMISSION✓ CITATION✓ AUDIT TRAIL✓ EVAL GATE✓ TRACE LINKED
WHY AGED CARE · ONE DOMAIN, THE FULL AI STACK
为什么用 CareKind 作为贯穿案例？
CareKind 是训练标准 Enterprise AI 产品能力的业务载体，不是岗位方向限制。它把混合输入、专家知识、长期状态、多 Agent、强监管和不同用户端压进同一个项目；这些工程模式可以迁移到金融、法律、客服、政府和企业内部系统。
文字 + 语音的真实输入
护理人员需要口述记录，也需要编辑、确认和结构化文字；Voice AI 必须进入可审核 workflow。
未知领域的专家知识
面对任何陌生行业，工程师都必须通过 Policy RAG、citations 和 MCP 把专业依据接入系统。
跨班次的长期记忆
用户、事件、业务记录和跨团队交接会持续变化，迫使系统处理安全 memory、版本与时间边界。
多角色、多 Agent 协作
护理、交班、文档、政策检查和审批不是单轮问答，需要 tools、state、specialist agents 与 human approval。
强法规与责任边界
PII、permission、audit、prompt injection、human confirmation 和 release gate 都是产品本身，不是上线后的附加项。
同时覆盖 To B 与 To C
机构端连接运营、护理与合规；居民和家属端关注信息、沟通与信任，同一系统需要服务不同用户和商业路径。
GOVERNANCE MAP · INTERVIEW CHECK
强法规提出约束，Governance 把约束变成控制、证据和责任。
Compliance 说明必须满足什么；Governance 决定由谁负责、在哪里控制、留下什么证据、失败后如何升级。Safety、Security、Privacy、Evals 和 Human Oversight 都是 Governance 体系中的具体控制面。
业务风险Governance 领域Agent 工程控制面试要讲出的证据
语音与业务记录包含敏感 PII
Data / Privacy Governance
Consent、encryption、redaction、data residency、raw audio TTL、RBAC
谁能读 transcript？原音频多久删除？访问与删除如何被审计？
RAG 引用了错误或过期政策
Knowledge Governance
Approved sources、版本与 freshness metadata、citations、retrieval eval
如何区分没检索到、检索错、政策过期，以及如何阻止旧索引上线？
Agent 越权调用工具或修改记录
Access / Action Governance
Least privilege、RBAC/ABAC、tool scope、human approval、denial log
画出 tool permission matrix，并说明哪些操作必须确认、拒绝或升级。
错误信息或 prompt injection 污染长期记忆
Memory Governance
Provenance、write validation、sensitive-field policy、TTL/delete、quarantine
区分 session、agent state 与 long-term memory，并解释什么信息绝不能自动写入。
概率输出影响护理文档或行动建议
Model / Release Governance
Model inventory、routing、golden cases、deterministic checks、Judge calibration、regression gate
给出 release threshold、fallback 和 rollback，而不是只说模型准确率很高。
PII 泄露、tool failure 或安全事件进入 Production
Operational Governance
Tracing、alerts、human escalation、incident runbook、rollback、postmortem
完整走一遍失败路径：谁收到告警、何时停 Agent、如何保留证据并恢复服务。
Applied AI Engineer 面试自检
1能区分 Governance、Compliance、Safety、Security 与 Privacy，而不是混成一个 Guardrail。
2面对一个风险，能说清 Policy → Control → Evidence → Owner 四层关系。
3能画出 inference 前、中、后的控制点，并说明 Human-in-the-loop 在哪里接管。
4能用具体阈值解释 Eval Gate、升级、Fallback 与 Rollback 的 trade-off。
澳洲 · 新西兰 · 美国 · 新加坡 · 马来西亚 · 英国 · 日本 · 韩国
面向海外职场的 AI Engineer 训练营
课程项目、直播讨论和求职准备围绕澳洲、新西兰、美国、新加坡、马来西亚、英国、日本和韩国的工程团队、招聘流程与真实工作场景展开。
澳洲
Australia
大洋洲
新西兰
New Zealand
大洋洲
美国
United States
北美
新加坡
Singapore
东南亚
马来西亚
Malaysia
东南亚
英国
United Kingdom
欧洲
日本
Japan
东亚
韩国
South Korea
东亚
为什么学 AI Engineering
你已经会写软件，下一步是让 AI 真正进入产品。
AI Engineer 的工作，是把 Model、Data 和 Tools 接进 Business Workflow，再处理好 Quality、Cost、Access Control 与 Failure Handling。这门课带你完整做一遍。
把现有技术栈接到 AI 项目里
前后端、API、数据库、云和 DevOps 都能直接复用。课程从这些工程能力出发，继续加入模型与数据链路。
从模型调用做到完整系统
你会完成数据接入、RAG、工具调用、Agent、权限、成本、延迟、评测与失败回退，而不是停在一次 API 返回。
用项目证明你真的做过
7 个课程项目加 12 周 P3，留下代码、运行结果、架构选择和迭代记录，供简历与面试展示。
24 周学习路径：技术训练 → 动手 Lab → 作品集项目 → P3 团队交付。
ROLE SHIFT · 不是转行重来
Software Engineer 的经验不会清零，AI Engineer 只是多负责一层。
Frontend、Backend、API、Database、Cloud 和 System Design 还是地基。变化在于：系统里加入 Model 之后，输出不再完全确定，你还要对 Context、Eval、Cost、Access Control 和 Fallback 负责。
01 · SOFTWARE ROLE传统 Software Engineer
在 Agile Sprint 中，把确定的业务规则交付成稳定软件
User Story + Acceptance Criteria
Agile Sprint + Code Review
Test + CI/CD + Monitoring
从 Backlog Refinement、Sprint Planning 到 Code Review 和 Release，团队把明确规则逐步交付。可靠性主要由 Unit Test、Integration Test、CI/CD、Monitoring 和 Rollback 保证。
VS
02 · AI ROLEAI Engineer
把不确定的 Model 变成可控的产品能力
Business Goal + Context
Model + Data + Tools
Eval + Guardrails + Tracing
Model 的回答会变化；除了写系统，还要设计 Data、Tools、Eval、Guardrails、Tracing 与 Failure Handling。
工作内容传统 Software EngineerAI Engineer
交付对象
传统 Software EngineerAPI、页面、服务与 Business Logic
AI EngineerRAG、Agent、AI Workflow 与 Human-in-the-loop
怎么测试
传统 Software EngineerUnit / Integration / E2E，验证 Code 是否符合预期
AI Engineer再加 Golden Set / Eval / Regression，验证结果是否真的可用
上线后盯什么
传统 Software EngineerError、Latency、Uptime 与资源使用
AI Engineer再加 Trace、Hallucination、Cost、Drift 与 Safety
平时改什么
传统 Software Engineer主要修改 Code、Config 与 Infrastructure
AI Engineer还会修改 Prompt、Model、Index、Tools 与 Guardrails
失败怎么处理
传统 Software EngineerException、Retry、Rollback 与 Alert
AI Engineer再加 Abstain、Fallback、Human Approval 与 Release Gate
ROLE UPGRADE PLANNER · 选择你现在的岗位
你的经验不用清零，看看哪部分可以直接带进 AI Engineering
YouTube 可以教你零散知识，但不会给你企业团队、真实需求、Code Review 和交付责任。先补齐 Production AI 能力，再进入 P3 Career Incubator 做企业级团队项目。
可以直接复用
FrontendBackendAPIDatabase
需要补齐的 Production AI 能力
Model Selection根据 Quality、Latency、Cost、Context Window 与 Data Policy 选择和路由 Model。
RAG处理 Ingestion、Chunking、Retrieval、Reranker、Citation 与 Retrieval Eval。
Agent让 Model 能规划、调用 Tools、保存 State、处理失败，并在必要时交给人工。
Eval建立 Dataset、Metric、Regression Test 与 Release Gate，证明改动没有让质量倒退。
最终进入 P3 企业项目P3 Career IncubatorP1 → P10
交付一套从 UI、API、RAG、Agent 到 Observability 的端到端 AI Application。
THE CORE PRODUCT · 12-WEEK CAREER INCUBATOR知识可以免费学，企业级 AI Engineering 项目经验不能靠看视频获得。
P3 不是课程结束后的附赠项目，而是这门 Bootcamp 的核心：你会加入 4–6 人团队，面对真实业务需求，承担一个 AI Engineering 角色，并留下可以在简历和面试中解释的交付记录。具体项目、名额与可公开内容以当期匹配和 NDA 为准。
01真实需求与 Architecture Decision
02团队分工、Sprint 与 PR Review
03RAG / Agent / Eval 生产交付
04Demo Day、复盘与简历证据
P3 CAREER INCUBATOR · 职业孵化器项目参考
P3 职业孵化器会做什么？先看四种真实产品方向
P3 Career Incubator 是课程之后的 12 周职业孵化阶段。下面四个产品用于展示孵化器可能面对的业务场景和 AI Engineering 难题，不代表每一期固定做相同项目；每期会根据当时的企业需求、团队角色和交付范围重新匹配。
以上是 P3 职业孵化器的项目方向示例，不是第 7 期固定项目清单。页面截图采集自产品当前公开首页；实际项目、团队角色、可公开成果与技术范围，以当期 Business Brief、名额和 NDA 为准。
你不是放弃 Software Engineering你的工程经验，就是进入 AI Engineering 的最快起点。
课程不会从“什么是变量”讲起，而是直接把你会的工程能力升级成能交付 Production AI 的能力。
你已经有
APIDatabaseCloudTestingSystem Design
这门课补上
RAGAgentEvalModel RuntimeSafety
3 套 Production Architecture · 点击即可拆解
你以为 AI Engineer 只是调用 Model？真正上线至少要解决这三套系统
会调用 Model API 只能做 Demo。公司真正需要的，是能把 Enterprise Agentic AI、Production RAG、Evaluation & AI Safety 接进 Access Control、Data、Tools、Observability 与 Business System 的工程师。切换三套架构，看看你目前缺哪一层，以及课程会怎样补上。
如果下面三个问题答不清，你离 Production AI 还有距离
01
Agent 调错 Tool、写错 Data 或越权操作，你在哪里拦住它？
02
RAG 答错时，怎样判断问题出在 Chunk、Retrieval、Reranker 还是 Model？
03
Prompt、Model 或 Index 更新后，怎样证明新版本可以安全上线？
点击任何 Term · 看它是什么、工作中为什么需要、课程怎样实战
一个能上线的 Agent 背后，不是一条 Prompt，而是九层系统
Identity、Access Control、Orchestration、Tools、Data、Model Runtime、Observability 缺一层，Agent 都可能在 Production 中越权、失控或无法排查。
01Users & Channels
02Access & Security
03Orchestration
04Business Agents
05Capabilities & Tools
06Knowledge & Business Data
07Model Runtime & Execution
08Governance & Observability
09Enterprise Integration
5 分钟能力检查
先看看你离 AI Engineer 还差哪一块
用 5 分钟检查 Full-stack、Prompt、Cloud、Data Thinking 和 AI Engineering Core，找到最需要补的能力。
展开 5 分钟能力评估
loading capability-map...
从 Software Engineer 到 AI Engineer
24 周后，你要拿得出能跑、能讲、能放进简历的 AI 项目。
59 场 Live Class 帮你解决正在卡住的问题，68 个 Lab 把关键环节逐一跑通，7 个项目和 P3 最终变成面试时可以现场展示的作品集。
01 · Live Class
卡住时，不必独自在文档和报错里耗上一周。
带着正在写的代码来，导师会拆解 Architecture Decision、Debugging 路径和真实 Production 问题。
01Foundation + Context EngineeringP1-P2 · W1-W3
先用 LLM API 做出第一个可运行的 AI 功能，再弄清 Token、Context Window、Transformer 和 Model Selection 怎样影响质量、速度与成本。基础不齐也不用在正式课里追赶：开课前用 10 个 Pre-work Lab 补齐 Python、Git、AWS 与 CLI。
51 节课 · Pre-work 33 + Context 18 · 18 互动 Lab02RAG 全栈 + Capability LayerP3-P4 · W4-W6
让 AI 不再只靠 Model 记忆回答，而是能查公司的 Document、Database 与 Knowledge Base，并给出可追溯的答案。你会比较 Vector Search、Hybrid Retrieval、GraphRAG 与 Reranker，最终交付端到端 RAG 和多源 GraphRAG 两个项目。
56 节课 · RAG 45 + Capability 11 · 22 互动 Lab03Agent Core + Multi-Agent + Memory + HarnessP5-P8 · W7-W10
把只能回答问题的 AI，升级成会调用 Tools、保存 State、分配任务并持续执行的 Agent。你会用 OpenAI、Claude 与 Google ADK 实现同一场景，再加入 Multi-Agent、Memory、MCP 和 SubAgent，完成三个可展示的 Agent 项目。
30 节课 · Agent 9 + Multi 11 + Memory 2 + Harness 8 · 20 互动 Lab04Model Layer + Observability + Fine-Tuning + P3 孵化P9-P10 · W11-W12 + Fine-Tuning + Career
最后把项目从“能跑”做到“敢上线”：用 Eval、Tracing、Latency 与 Cost 指标判断质量，用 Fine-Tuning 处理通用 Model 不擅长的任务，再进入 12 周 P3 团队交付。最终留下 Eval Pipeline、Fine-Tuning Case 与 Production AI Agent。
35+ 节课 · Model 18 + Eval 17 + Fine-Tuning + Career + MCP + AI Coding · 8 互动 Lab02 · Interactive Lab
看懂不算会，代码和 Eval 跑通才算。
从 RAG Retrieval、Tool Call 到 Agent Eval，每个关键环节都要亲手运行并看到结果。
68 LABS
03 · Portfolio + P3
不拿模板 Demo 去面试，用自己的系统讲能力。
7 个课程项目加 12 周 P3，留下 Code、Architecture、Eval Result 和完整迭代记录。
12 WEEKS · P3
AGENT SDK · 同场景实作对比
OpenAI Agents SDK · Claude Agent SDK · Google Agent Development Kit (ADK) — 三套方案都动手做
同一个业务问题，使用 3 套 Agent SDK 分别实现，再比较质量、成本、工具调用和部署方式。
OA
// openai
OpenAI Agents SDK
- Assistants API 完整生命周期 (Create / Run / Stream)
- Function Calling · Code Interpreter · File Search 三类内置工具
- Thread State Management — 多轮对话上下文持久化
- Tools Decision Loop — Agent 何时调工具 vs 直接回答
展开介绍
你会用 OpenAI 的 Agent 开发工具完成一次完整实现：管理上下文、调用外部工具、处理多轮状态，并记录执行过程。重点不是记 API，而是知道它适合什么场景、出错时去哪里查。
→ Phase 5 主讲 · Project 3 实操
CL
// anthropic
Claude Agent SDK
- Claude Code Harness 架构 — agent 执行环境的标准设计
- SubAgent 多代理协作 — 智能体内嵌智能体的标准 pattern
- MCP 工具协议集成 — 2026 跨厂商 Agent 互操作标准
- Custom Hooks + Memory — 拦截 tool call 做日志/审核/缓存
展开介绍
你会拆开 Claude Agent 的执行环境：任务怎样交给 SubAgent，MCP 怎样接入公司工具，Hooks 怎样做日志、审批和缓存。最终不是复制 Claude Code，而是理解这类编码 Agent 为什么能连续工作。
→ Phase 5+8 主讲 · Project 4 实操
G
// google
Google Agent Development Kit (ADK)
- Gemini 2M token 长上下文 — RAG 无需 chunk 直接塞整本书
- A2A 协议 + Specialist Agents — 跨智能体标准化互通
- Multi-modal Native — 图/视频/音频 first-class citizen
- Vertex AI 生产部署 — Managed Agent runtime 免运维
展开介绍
ADK 是 Google 的 Agent Development Kit。你会用它实现同一个业务场景，并练习多模态输入、Agent 之间的协作和 Vertex AI 部署，再与 OpenAI、Claude 方案比较。
→ Phase 5+6 主讲 · Project 3 实操
AI ENGINEERING STACK
从基础到上线，走完 10 层 AI 工程技术栈
学习路径从 L01 Foundation → L10 Observability，覆盖 50+ 项具体技术与工具。
L01foundation
Foundation Layer
GenAI 全景 · LLM 工作原理 · 模型选型
PythonLLM APITransformerML/DL BasicsModel SelectionTokenization
L02context
Context Engineering
不只是写 Prompt — 系统设计上下文流
Prompt StrategyContext WindowToken BudgetMulti-Turn StateSystem Design
L03rag
RAG · 检索增强生成
向量检索 + GraphRAG + 混合检索全栈
Vector SearchHybrid RetrievalRe-rankingGraphRAGKnowledge GraphChunk Strategy
L04capability
Capability Layer
Function Calling · Tool Integration · MCP
Function CallingStructured OutputTool UseMCP ProtocolJSON Schema
L05agent
Agent Core — 三大 SDK
OpenAI / Claude / Google Agent Development Kit (ADK) 对比实操
OpenAI Agents SDKClaude Agent SDKGoogle ADKAgent LoopTool Decision
L06multi-agent
Multi-Agent · 协作
A2A 协议 · 编排 · 角色分工 · hand-off
A2A ProtocolOrchestrationHand-offSpecialist AgentsCoordination
L07memory
Memory System
短期 / 长期 / 情境 / 语义 记忆架构
Short-termLong-termEpisodicSemanticMemory Decay
L08harness
Harness Engineering
Claude Code 架构 · SubAgent · MCP 工具链
Claude CodeSubAgentCustom HooksMCP ToolsCLI Architecture
L09model
Model Layer
模型选型 · 成本优化 · QLoRA Fine-Tuning
Cost OptimizationSelf-hostingQLoRAUnslothHuggingFaceOpen-source LLM
L10observability
Observability & Evals
LangSmith · 自定义 Eval · Production Monitor
LangSmithW&BCustom EvalsRegression TestToken Cost MonitorLatency P95
完成后你能：独立设计、实现和评测 AI 应用，并解释每一层的技术取舍。
课程大纲 · SYLLABUS
10 个 Phase，从 Foundation 学到 Observability
10
Phases
172
课时
59
直播
62
互动 Lab
P01
基座层Foundation Layer
GenAI 全景TransformerLLM APIML/DL 基础
33 节
P02
上下文层Context Engineering
Prompt EngineeringContext 系统设计结构化输出Vibe Coding
18 节
P03
知识检索层RAG
Embedding向量数据库RAG PipelineGraphRAGLangChainRAG Eval
45 节
P04
能力层Capability Layer
Function CallingTool UseMCP ServerBrowser UseComputer Use
11 节
P05
Agent 核心Agent Core
Agent SDK 对比ReAct构建 AgentAgentic RAG
9 节
P06
编排层Multi-Agent & Orchestration
Multi-Agent 架构LangGraphA2A ProtocolAgent Ops
11 节
P07
记忆系统Memory SystemNew
STM/LTMAgent MemoryMem0Session 管理
2 节
P08
治理层Harness EngineeringNew
Harness 架构Hook SystemSkills 范式ADLC
8 节
P09
模型层Model Layer
Open-Weight ModelsFine-TuningQLoRAUnslothPEFT
18 节
P10
评测 + 毕业Observability & Evals
AI EvalSafetyGuardrailsRed-teaming监控毕业
17 节
查看 L01–L10 的每节课标题与学习顺序
7 RESUME PROJECTS7 个项目，回答面试官最关心的那句：你到底做过什么？
01
01
PROJECT 1
端到端 RAG 知识库系统
把散落在教程里的 RAG 步骤真正接起来
- 多源摄取 → chunk → embedding → 检索 → re-ranking 全链路
- Pinecone / Qdrant / pgvector 三选一实操
- 可部署 demo URL，面试现场直接打开
展开完整说明
从 PDF、Notion 或代码文档开始，完成切分、向量化、检索、重排和回答生成，再做一个能打开的前端。你会看到不同切分和检索方案怎样影响结果，而不是只复制一段 LangChain 示例。
stack
PythonOpenAIPinecone/QdrantStreamlitCohere Rerank
02
02
PROJECT 2
GraphRAG 多源知识图谱
处理跨文档关系，而不只找相似段落
- Neo4j 存 entity + relation，LLM 抽三元组
- 向量近似 top-k + 图遍历 N hop 混合检索
- Microsoft GraphRAG 论文的工程化复现
展开完整说明
把文档里的实体和关系存进图数据库，再结合向量检索回答跨文档问题。你会比较普通 RAG 和 GraphRAG 的适用边界，知道什么时候多一层复杂度真的有价值。
stack
Neo4jLangGraphHybrid RetrievalGPT-4oGraphRAG
03
03
PROJECT 3
Multi-Agent 应用 (三 SDK 对比)
同场景三家 SDK 各实现一次
- OpenAI / Claude / Google ADK 并排对比
- 响应质量 / 工具准确度 / latency / cost 五维评测
- 配 A2A 协议跨 Agent 互通
展开完整说明
用三套 SDK 分别实现同一个多 Agent 业务流程，再记录质量、工具调用、延迟、成本和部署复杂度。最后你能用自己的测试结果回答“为什么选这套方案”，而不是背厂商介绍。
stack
OpenAI Agents SDKClaude Agent SDKGoogle ADKA2ALangSmith
04
04
PROJECT 4
Claude Code Harness 工具链
看懂编码 Agent 为什么能连续执行任务
- SubAgent + MCP server + Custom Hooks
- 短期 / 长期 / episodic 三层 Memory 架构
- 加入日志、审批、缓存和成本控制
展开完整说明
搭一个小型 Agent Harness：把任务拆给 SubAgent，通过 MCP 暴露工具，用 Hooks 记录和拦截执行，再设计短期与长期记忆。你会真正理解 Agent 的运行环境，而不只是会用一个编码助手。
stack
Claude CodeMCP ProtocolSubAgentTypeScriptCustom Hooks
05
05
PROJECT 5
AI Eval Pipeline
每次改 Prompt，都知道结果是变好还是变坏
- 数据集 → metric → regression test 全链路
- LLM-as-judge + 自定义 rubric
- LangSmith / W&B + CI/CD 接入
展开完整说明
准备测试数据和评分标准，把每次 Prompt 或模型变化与基线比较，再把评测接进日常开发流程。项目重点是建立可重复的质量判断，不再靠几次手工试聊下结论。
stack
LangSmithW&BCustom EvalsRegression TestLLM-as-judge
06
06
PROJECT 6
QLoRA / Unsloth Fine-Tuning Case
比 prompt engineering 高一层的定制力
- QLoRA 4-bit 微调省 70% GPU 显存
- Unsloth 2x 加速训练
- vLLM / Ollama / Replicate 三种部署
展开完整说明
从清洗数据、选择基座模型、QLoRA 微调到评估和部署，完整走一遍小模型定制流程。更重要的是比较：什么问题该用 Prompt、RAG 或微调，避免为了技术而微调。
stack
QLoRAUnslothHuggingFaceLlama 3.1vLLM
07
07
PROJECT 7
P3 企业项目 (12 周 capstone)
把个人练习升级成团队交付经历
- 按当期名额匹配真实需求
- 4-6 人小组 + 教练 12 周完整 sprint
- 简历写「为 [甲方] 设计并实现了 [系统]」
展开完整说明
在 P3 阶段，你会和 4–6 人团队面对真实需求，经历需求澄清、架构设计、分工、代码评审、迭代和 Demo Day。能否进入、当期项目和最终背书以实际匹配与交付结果为准。
stack
真实甲方教练 mentor12 周 sprintDemo DayP3 program
每个项目都要留下代码、运行结果和设计说明。面试时不只说“我学过”，而是打开项目讲清楚：为什么这样设计，哪里失败过，后来怎么改。
导师与项目反馈导师讲真实工程问题，也会直接看你的代码
Tech Lead
G
Tech Lead
G X
现役 AI 工程师，主讲实战章节与项目 review
Research Scientist
S
Research Scientist
Samuel Shaw
现役 AI 工程师，主讲实战章节与项目 review
Sr specialist SA
P
Sr specialist SA
Peiyao Li
现役 AI 工程师，主讲实战章节与项目 review
Lead, AI Innovation and Experimentation
J
Lead, AI Innovation and Experimentation
Jenny LIN
现役 AI 工程师，主讲实战章节与项目 review
Senior Applied Scientist
X
Senior Applied Scientist
Xiaoxiao Ma
现役 AI 工程师，主讲实战章节与项目 review
Tech lead
L
Tech lead
Leon Li
现役 AI 工程师，主讲实战章节与项目 review
Senior Data Scientist
S
Senior Data Scientist
Saisai Ma
现役 AI 工程师，主讲实战章节与项目 review
AI Integration Architect|Data Science and Engineering Lead
S
AI Integration Architect|Data Science and Engineering Lead
Sheldon Lin
现役 AI 工程师，主讲实战章节与项目 review
报名前可查看导师姓名、现任职位、LinkedIn 与主讲内容，再决定这套教学是否适合你。
项目与求职准备把项目写进简历，把架构讲进面试
技术训练结束后，你会继续整理项目经历、准备 AI System Design 与 Coding 面试，并练习怎样说明自己的技术选择、失败和改进。
可申请方向
AI Engineer
production AI 应用工程师 · LLM + Agent + RAG 全栈
可申请方向
AI Agent Developer
专注 Multi-Agent 系统设计 · A2A / MCP / 工具链
可申请方向
AI Eval Engineer
AI 质量 / regression / observability 专家
可申请方向
LLM Engineer
模型选型 / Fine-Tuning / 部署 / cost 优化
12 周 P3 团队项目
12 周 P3 团队交付
完成 12 周技术课程后，可按当期项目和名额进入 P3。你会在团队中经历需求澄清、架构设计、PR review、迭代和 Demo Day。
- 按当期匹配的业务需求推进
- 团队 4-6 人协作 (PR review / sprint / daily standup)
- 每周教练反馈与代码 review
- Demo Day 项目评审
简历与面试准备
简历与面试准备
把课程项目写成招聘方看得懂的经历，再准备 AI System Design、Coding 和行为面试。内推与岗位机会取决于当期实际资源，不作为录取承诺。
- AI Engineer 专属简历模板 + review
- AI System Design 面试题库 + mock interview
- 当期可用的校友与合作公司机会
- Offer 沟通准备（级别、薪资结构与问题清单）
REAL ALUMNI OFFERS部分校友拿到的 AI Engineer / Software Engineer Offer
以下为校友过往就业记录，个人信息已遮挡。个案仅供参考，不代表每位学员都会获得相同结果。
校友真实记录 · 2025-12
Senior Software Engineer
TFR $212,800 AUD
Base $190,000 + Super $22,800 · 37.5h/week · permanent · hybrid
匿名雇主 · Retail Engineering / Technology & Delivery · Sydney
校友真实记录 · 2026-03
Full-time offer letter
AI Engineer (Software)
匿名雇主 · Full-time AI Engineer (Software) position
校友真实记录
Macquarie Group · Sydney
Senior Associate · Corporate Operations
Macquarie Group Services Australia Pty Ltd 真实 offer letter
校友真实记录 · 2026-05
EY × Macquarie
同一同学 · 同期 2 offer 真实对话
真实微信咨询截图 · 学员手握 2 个 AI Engineer offer 询问推荐
AI Engineer 校友真实记录 · 2026
Omega AI
Senior AI Engineer
Omega AI Roles and Responsibilities · 个人信息与薪资已遮挡
AI Engineer 校友真实记录
IAG · PwC · MYOB · Macquarie 同期面试
拿到 Nine Offer
学员确认获得 Nine Offer，并进入多家公司后续面试
毕业后的校友社群
#project-meta-town-ai · 18 members
「我下周入职，感谢龙哥与大家的悉心教导」
🥇 8 · 👍 5 · 4 replies
课程结束后，校友仍会在社群里交流入职、项目与求职进展。
校友原话转 AI 以前，他们也遇到过这些问题
以下为学员反馈原话，除署名者外均已匿名；内容仅代表个人学习与求职经历。
“很多人转型最大的困难并不是「学不会」，而是学完之后不知道怎么把自己的能力转化成就业机会。参加课程之后，老师不仅帮我系统建立了 AI Engineer 所需要的知识和实践能力，更重要的是，老师会结合我的背景给出求职方向和建议，并且推荐了合适的工作机会。
“刚开始决定转 AI 的时候还是挺担心的，不太清楚自己应该学什么，也不知道以自己的背景能不能顺利转过去。课程里除了知识点，也有很多实际项目和工作场景相关的内容，对我这种想从 Data 转 AI 的人帮助还是挺大的。
“那时候 AI 刚兴起，网上虽然有很多资料，但内容都比较零散，很难建立完整的知识体系。匠人的课程不只是教怎么调用 AI API，还深入讲解了 Prompt、Memory、Context 等核心概念，让我理解如何管理对话上下文、设计 AI 工作流，以及把 AI 真正应用到产品开发中，而不只是简单调用模型。
“我是 software engineer 转 AI Engineer，concepts 了解的很多，动手实操也非常实用。老师上课分享的很多工作中的问题和解决方案也很有启发，很适合总结下来放在面试中的 case study。
“结合老师针对重点知识的讲解，可以更快速地学习和理解 AI 相关的知识。另外和老师同学的互动交流中，也有更多的机会了解外面的就业环境和机会。做为快速入门提升课程，还是一个很不错的选择。
第 7 期学费AI Engineer训练营 07期 · 当前报名价格
第 7 期 · 当前招生
AI Engineer训练营 07期
提交申请前，顾问会确认学费、分期与开课安排
$3,850
课程价格
报名与学习保障退款、回流、导师和教学交付
W1 试听不满意 100% 退款
开课第 1 周内容不达预期，邮件回执即可全额退款 (含已交学费 + 报名手续费)，无需说明理由
A$220 回流下一期
当期因工作或个人原因没跟上，可支付 A$220 回流下一期同档位继续补完；不是免费回流。Office Hour 支持持续 6 个月。
导师真实可验证
开课第一天每位导师课前自我介绍 (录像可回看)。Faculty PDF 含 LinkedIn 真实链接 + 现任公司 + 工作年限 + 主讲 Phase 章节
286 节课 + 7 项目 + 1 项目 P3 完整交付
不是“录播 + 群答疑”。真直播 59 节 + 真助教 + Lab 自动测试 + 项目 PR review + Demo Day 评审 + P3 教练 1:1 — 每一项不到位都不算交付
报名常见问题
报名前，先把这 12 个问题问清楚。
第 7 期面向澳洲、新西兰、美国、新加坡、马来西亚、英国、日本和韩国学员。课程项目、直播讨论与求职准备围绕这些地区工程团队的交付场景展开。
Python 编程基础（能独立写 100+ 行脚本）+ RESTful API 开发经验（用过 FastAPI / Flask / Express）+ 云平台基础（AWS / Azure 任一）+ Git 版本控制。Pre-work 10 个 Lab (Python / Git / AWS / 命令行 / SQL 各 2 个) 让你开课前知道自己缺什么。完全零基础需要先去刷 ai-essentials-bootcamp 或 web-code-bootcamp 打底。审核制录取，申请通过后 24-48h 邮件确认。
课程会更新具体工具，但不会只教工具按钮。第 7 期把能力拆成 Context、RAG、Tool Use、Agent、Memory、Model、Eval 和治理等层次；厂商 API 变化时，项目仍要求你解释数据流、权限、失败处理、成本和评测方法。
不用先押注一家。课程会让你用三套方案实现相近的业务问题，再比较工具调用、状态管理、评测、成本和部署方式。目标是建立选型判断：根据团队现有技术栈和项目约束选择，而不是背厂商优缺点。
短课适合补一个知识点；这门课适合已经会编程、需要一条完整转型路径的人。除了 RAG、Agent、Memory、Fine-Tuning 和 Eval，还要求完成项目、代码评审与求职准备。是否需要整套课程，取决于你现在缺的是单点知识，还是系统能力和项目经历。
P3 使用真实业务需求并按团队协作方式推进，包括需求澄清、架构设计、PR review、迭代和 Demo Day。具体项目、名额、能否进入以及可公开到简历的内容，以第 7 期实际匹配和 NDA 要求为准，报名前可以向顾问核对。
可以。导师信息以页面实际名单和报名材料为准，包括姓名、现任职位、LinkedIn 与主讲内容。你应该先核对是谁教、教哪一部分，再决定是否报名。
不保证。课程提供技术训练、项目实践、简历与面试准备；你最终完成多少项目、能否进入 P3、是否获得面试和 offer，取决于基础、投入、岗位市场与实际表现。上方 Offer 只展示校友过往个案，不代表你的结果。
本课是 AI Engineer 就业班，定位中高级技术栈。完全没编程基础不建议直接进 — Pre-work 10 个 Lab 会卡住。建议路径: 先 web-code-bootcamp 或 ai-essentials-bootcamp 打 Python + API + Git 底子 (3-4 个月) → 再进 AI Engineer Bootcamp。非 CS 专业但有自学 Python 1-2 年 + 做过项目的 OK，往届有数学 / 物理 / 金融 / 数据分析背景转过来的成功案例。审核时会评估你的 GitHub + 项目经历做录取决策。
Pre-work 10 Lab 覆盖 5 类基础: Python 数据结构 + OOP (2) / Git 协作 + GitHub Actions (2) / AWS EC2 + S3 + Lambda 部署 (2) / Linux 命令行 + SSH + 网络 (2) / SQL + REST API (2)。每个 Lab 30-90 min，开课前 2 周发，可反复跑。做不出来的 Lab: (1) 每周 2 次 Office Hour 助教 1:1 答疑 (2) cohort 学习群同期答疑 (3) 教学主管周报跟踪进度。Pre-work 60% 完成度可正式开课，未达标会延期到下一期。
ML Engineer 更偏模型训练、部署和 MLOps；Data Scientist 更偏数据分析、实验和业务建模；AI Engineer 更偏把模型、数据、工具和产品接成可运行的应用。实际岗位边界会因公司而不同，所以课程重点放在可迁移的工程能力，而不是死记职位名称。
第 7 期学费与可选分期会在申请咨询时明确说明。提交申请不需要先付款，审核通常在 24–48 小时内反馈；退款安排以报名时确认的课程条款为准。
把下一段工程经历，做成 AI 项目。
申请第 7 期，先确认基础、学习目标与适合的课程方案；审核通过前无需付款。
AI Engineer Bootcamp · 第 07 期
24 周 · 7 个项目·申请制