为什么现在需要系统学习 AI 工程化？视频课适合哪类学习者？
随着 RAG、Agent、多智能体、MCP 等工程化技术快速普及，AI Engineer 已成为各大企业重点招聘的技术方向。无论是软件开发者、数据人才、云工程师，还是正在探索 AI 技术的职场人士，都开始意识到“AI 工程能力”将成为未来几年最重要的技术竞争力。
为了满足不同学习者的节奏需求，我们推出了 AI Engineer 视频自学班（Self-paced Program）：
它与 Bootcamp 使用相同的课程大纲，但专为 时间不固定、喜欢自主学习、希望反复回看复杂内容 的同学设计。
视频课的目标是：
帮助你先建立完整的 AI 工程化知识体系，掌握 RAG、Agent、MCP、Fine-tuning 等核心技术，掌握企业级 AI 工程能力。
如果你希望有导师带练、项目辅导、组队协作与面试准备，那么 Bootcamp 仍然是更适合你的选择；而如果你的时间更灵活、想按自己的节奏推进学习，那么视频课就是最好的入门与能力提升路径。
视频自学班 vs Bootcamp：两种不同学习节奏的最佳选择
虽然视频课与 Bootcamp 共享相同的课程大纲和技术体系，但它们面向的学习场景完全不同。Bootcamp 更适合需要导师讲解带练、定期项目反馈、组队协作与求职支持的同学，而视频课程则为学习时间不固定、偏好自主推进、或想先建立整体技术框架的学习者提供更灵活的路径。
视频课的主要特点与优势
① 自主节奏，不受直播时间限制
对于工作繁忙、上课时间不稳定的同学，视频课可以随时开始、随时停止。你无需配合固定的直播节奏，也不会因为缺课错过关键知识点。
② 可重复观看复杂内容，适合系统消化
RAG、Agents、MCP Server、Deep Agents 等高难度模块本身就需要反复回看。视频课允许你在关键知识点反复重播、对照代码逐行理解，更适合深入消化工程化思维。
③ 适合作为“Bootcamp 前置学习”或“长期知识库”
许多同学会先用视频课建立基础框架，未来想进一步冲刺就业时再加入 Bootcamp。视频课也能作为长期技术手册，在真实项目中随时查阅。
④ 更适合自驱型学习者
如果你喜欢“边暂停边写代码、自己调试、独立研究”的学习节奏，那么视频课会给你最高的自由度。
课程内容一览：完整对标 AI Engineer 核心技术栈
AI Engineer 视频自学班涵盖从基础概念到生产级工程化的完整路径，课程大纲与 AI Engineer Bootcamp 保持一致，覆盖行业所需的所有核心技能模块。你将系统学习从 LLM 基础、Prompt 模式，到 RAG 系统、多智能体 Agent、MCP、模型微调与 LLM Ops 的全流程 AI 工程知识。这些模块全部来自真实企业需求与工程场景设计，让你在自学进度中也能建立完整的工程化思维框架。
.png?table=block&id=2bfdd76b-576d-8005-a528-e275ebc5df15&cache=v2)
AI Engineer 的核心能力，不只是“会调用 ChatGPT”，而是能把 AI 嵌入到系统中，让它真正能查数据、能分析文件、能调用工具、能执行任务、能处理企业业务流程。为了让同学真正理解每项技术背后的意义，我们在下面每个知识点后都加上了清晰的解释与现实案例，帮助你理解“这项技术到底解决了什么问题”。
以下为课程的核心模块概览：
① LLM & GenAI 基础（LLM Basics）
大语言模型（LLM）是现代 AI 应用的核心，它决定了一台机器能否“看懂文本、理解意图、给出有逻辑的回答”。这一模块会带你从底层了解 AI 的基本工作方式，包括模型如何读取你的输入、如何通过数学方式理解语言、如何生成听起来像人类写出的内容。即使你是零基础，也能在这里建立起一个清晰框架：AI 是怎么“读懂”你的话，又是怎么“想出”它的回答。
核心知识点包括：
- Transformer 架构的核心原理
- Tokenization（文本如何被切分成模型能理解的格式）
- Embeddings（语言如何被转成数学向量）
- 模型推理机制（Inference）
- LLM API 的 System / User / Assistant 三种角色
- GenAI 的四大原型模式：Prompt / RAG / Fine-tuning / Agents
这部分是你理解“AI 为什么能回答问题”的核心基础。想象你在构建一个智能系统你在构建的智能系统，例如一个能回答公司内部政策的 AI 客服。AI 必须先能“理解”你的问题，再从上下文中判断用户意图，然后生成准确的回答。如果你不了解 LLM 的工作机制，就会很难判断为什么模型有时回答很好，有时又出现错误或误解。
这一模块让你看懂 LLM 处理文本的全过程：模型如何将句子变成向量、如何在内部做计算、如何预测下一个最合适的词。这套理解能力是 AI Engineer 的基础，它能让你后续做 RAG、Agents、MCP 时不再“盲写代码”，也能设计出更稳定、更可控的 AI 系统。
学完这个模块你会学会：
- 模型如何理解你给的文本
- 模型如何把语句“转换成数学向量”
- 为什么模型能生成像人类一样流畅的回答
② Prompt Engineering & 原型设计
Prompt Engineering 是构建所有 LLM 应用的第一步，它决定了模型是否能按照你定义的角色、规则与流程执行任务。本模块会以实际工程场景为线索，带你理解四种主流原型（Prompting、Fine-Tuning、RAG、Agents）的区别与使用方式，同时学习如何设计高质量的提示、如何定义任务成功标准，以及如何通过用户界面进行 Prompt 迭代。这些能力属于 AI 应用开发的“根基层”，无论你后续构建 RAG、Agent、多智能体系统或使用 MCP，都离不开这一套技能。
知识点包括：
- The Four Prototyping Patterns
Prompting、Fine-Tuning、RAG、Agents 的核心区别、适用场景与工程化选型
- Define your success criteria
如何为一个 AI 任务定义成功指标（成功率、输出结构、风格一致性、业务要求等）
- Prompt Engineering: Best Practices
编写高质量 Prompt 的规则、结构、典型模式与常见误区
- Prompt Iteration through a User Interface
如何在 UI 中快速迭代 Prompt，使输出不断变得更准确、更稳定
- Building and Sharing Your First GPT in OpenAI’s GPT Store
将写好的 Prompt 封装成可复用的 GPT，发布到 GPT Store 并用于实际场景
学完之后你将掌握：
- 能够清晰区分 Prompting、RAG、Fine-Tuning、Agents 的应用场景与优缺点
- 能为一个 AI 任务定义一套可量化的成功标准（Success Criteria）
- 能编写高质量、结构化、符合业务要求的 Prompt
- 能根据模型输出结果进行 Prompt 迭代，快速提升稳定性与准确度
- 能构建并发布自己的第一个 GPT 产品（具备可展示价值）
- 为后续 RAG、Agent、MCP 等模块打下坚实“控制模型行为”的基础能力
为什么要学？
在企业应用中，一个 LLM 系统是否“可靠”，往往不是由模型本身决定，而是由 Prompt 的设计质量决定。例如，一个 AI 应用需要帮助 HR 自动筛选候选人时，Prompt 需要明确告诉模型：
- 简历中哪些关键词表示“符合要求”
- 遇到模糊情况如何判断
- 输出格式是否需要结构化（如 JSON）
- 不能出现哪些风险性语言
- 如何保证每次输出的风格一致
如果 Prompt 没写好，AI 的输出会模糊、不稳定、容易偏题，甚至给出企业无法接受的结果。而这些问题在工程实践中非常常见：“AI 不是不会写答案，而是没有被正确引导”。本模块的任务，就是通过结构化方法让你的指令更专业，让模型输出更可控、更符合业务逻辑。
③ Embeddings 与向量数据库（Vector DB）
向量化（Embeddings）是让 AI “读懂知识”和“记住内容”的关键技术。如果说大语言模型负责理解语言，那么 Embeddings 就负责让模型理解你的数据 —— 包括 PDF 文件、业务知识库、Email、网页内容、客户对话记录等。
本模块会带你理解为什么企业级 AI 系统都离不开向量数据库（Vector Database），以及数据是如何从“文本”转化为“数学向量”，再通过向量检索找到最相关的内容。这是构建 RAG、企业知识库 AI、内部搜索系统的核心技能。核心知识点包括：
- Input Embeddings
- Embedding Models vs. LLM Chat Models
- 文档 Chunking 机制（如何切分内容以提升检索效果）
- 向量检索原理（Vector Search / Similarity Search）
- 向量数据库在 RAG 架构中的作用（Retriever / Index / Search）
在企业环境中，AI 不能凭空知道你的知识，它必须从资料中“找出相关信息”再回答。这就是 Embeddings 的作用：把你的文本数据（PDF、文档、笔记、客服对话）转成模型能理解的“数学向量”。随后，通过向量数据库（如 Qdrant、FAISS、Milvus），AI 可以快速找到与用户问题最相关的内容。
例如：你为一家公司构建一个内部 AI 助手，员工可能会问：
- “我们 2024 年员工差旅报销的规则是什么？”
- “项目 X 的技术文档在哪里？”
- “客户 ABC 的合同更新日期是哪天？”
这些信息可能分散在几十份 PDF、Excel、知识库网站或邮件里。AI 本身不知道这些资料，但 Embeddings 可以：
- 读取所有文件
- 转成向量并存入 Vector Database
- 对问题进行向量匹配
- 找到最相关的几段内容
- 再让 LLM 基于这些内容生成一个准确答案
这是所有 RAG 系统的基础，也是企业最常见、最具有招聘需求的 AI 工程技术。
学完之后你将能：
- 了解 Embeddings 如何将文本转成模型可理解的向量
- 熟练理解 Embedding 模型与 Chat 模型的区别及作用场景
- 能够将文档进行合理 Chunking，提高检索准确度
- 能理解与操作向量数据库（Vector DB）
- 能构建基于向量检索的 Mini RAG 原型
- 为后续构建完整 RAG 系统打下工程基础
④ RAG 系统：从基础到企业级（RAG Deployment）
RAG 是企业级 AI 应用中最常用、最核心的技术，它让模型能够“准确引用你的知识”。简单来说，LLM 并不知道你的公司政策、内部文档或业务数据，RAG 就是让模型在回答前“先去查资料，再来作答”。
本模块会带你从零理解 RAG 的架构、流程、工具链，并系统学习如何构建、优化、测试与部署 RAG 应用。无论企业要做“公司内部知识库搜索”、“AI 客服”、“文档问答系统”，还是产品级 AI 助手，都必须掌握 RAG。
在真实企业场景中，AI 最大的问题不是“不够聪明”，而是“不知道答案”。例如：
- “我们客户 ABC 的合同条款是什么？”
- “员工手册里关于加班薪资的规定是什么？”
- “这个设备的维护步骤怎么写？”
模型本身无法凭空知道。因此企业几乎所有 AI 系统都用 RAG 让模型引用内部知识库。RAG 的工作方式是：
- 把你的文档转换成 Embeddings，存进 Vector DB
- 用户提问时，将问题也转成向量
- 用向量匹配找出最相关的几段内容
