ℹ️ InformationFree PreviewPre-work
🎯 这节课解决什么问题 你看过十几个 AI 教程视频、收藏过几十个 Prompt 合集、订阅过几个 Newsletter——然后下周你什么都没记住。知识太碎、路径太乱、不知道从哪开始。这节课不是让你再看一堆内容，是帮你把"4 周后要成为入门 AI Engineer"这件事拆成可... Log in to view full content
ℹ️ InformationFree PreviewPreparation
🎯 这节课解决什么问题 你已经写过 Python，但 AI 相关的开发环境跟你熟悉的"装 pip、跑脚本"不完全一样——OpenAI API Key 怎么申请？额度要充多少？.env 怎么放才不会被 push 到 GitHub？这节课帮你把这些"第一次才会踩"的坑一次性踩完。 ... Log in to view full content
🎬 VideoFree PreviewGenerative AI & Productivity
🎯 这节课解决什么问题 你身边的人已经在用 AI 写代码、写文档、做数据分析了，但你打开 ChatGPT 不知道让它做什么——"高级搜索引擎"的定位很难拉开差距。这节课给你 12 个真实生产力场景，每个都有具体的 prompt 模板和工具组合，下课你就能开始用。 📖 你将学到... Log in to view full content
🎬 VideoGenAI Concept
🎯 这节课解决什么问题 "生成式 AI"这四个字被滥用到失去意义——每个产品都自称 GenAI，但它们背后可能是完全不同的技术路线。你如果分不清 LLM vs Diffusion vs VLM 的本质差异，就很难判断一个 AI 产品到底能做什么不能做什么。 📖 你将学到 5... Log in to view full content
🎬 VideoPrompt Engineering
🎯 这节课解决什么问题 Prompt Engineering 不是"会写中文就行"——同一个需求用错的 prompt 写法可能让模型的准确率差 30%+。这节课给你一个工程化的框架（R-T-C-E 四要素），让每次写 prompt 都像写函数一样有结构、可复用、可调试。 📖 ... Log in to view full content
🎬 VideoRAG
🎯 这节课解决什么问题 LLM 为什么会"乱编"？为什么你问 2024 年的新闻它不知道？为什么公司内部文档它看不到？你如果不理解这三个天生缺陷，就不知道什么场景必须上 RAG。这节课把 RAG 的"为什么"讲透，后面 20+ 节 RAG 技术细节才有意义。 📖 你将学到 ... Log in to view full content
🎬 VideoGenAI Agents
🎯 这节课解决什么问题 "AI Agent" 是 2025-2026 最火的概念，但 80% 的人连 Agent 和 Workflow 的区别都说不清。这节课用一个具体例子（订机票 Agent）把 Agent = LLM + 工具 + 记忆 + 循环的本质讲透，你学完就能判断自... Log in to view full content
🎬 VideoGenerative AI Ops
🎯 这节课解决什么问题 你把 LLM 接进产品上线后会面对一堆新问题：Prompt 改了一次效果变差怎么回滚？输出质量怎么量化？月底成本账单突然爆了怎么追？这些问题传统 MLOps 没教过，因为 LLMOps 是新物种。这节课给你一个完整的能力地图。 📖 你将学到 LLMO... Log in to view full content
🎬 VideoStructured Data vs Unstructured Data
🎯 这节课解决什么问题 企业数据里 80% 是非结构化的（邮件、合同、PDF、聊天记录），而这恰好是 LLM 最擅长的领域。但很多工程师还在用正则和规则引擎去硬扒这些文本——维护成本高、准确率 60%。搞清楚结构化 vs 非结构化的本质差别，你就知道 AI Engineer 的... Log in to view full content
🎬 VideoIntroduction to Machine Learning
🎯 这节课解决什么问题 你学 LLM 不需要会训模型，但你需要看懂别人的架构图 + 术语。"Loss function 在下降"、"过拟合"、"梯度爆炸"这些词如果你完全没概念，在读论文 / 看 Anthropic 博客的时候就会卡住。这节课用直观方式把 ML 核心概念讲透，不... Log in to view full content
🎬 VideoSupervised, Unsupervised, and Reinforcement Learning
🎯 这节课解决什么问题 上一节讲了 ML 的基本概念，这节课讲三大学习范式——监督、无监督、强化学习。很多人分不清这三者的差别，看论文看到 "RLHF" 就懵。搞清楚每种范式的数据长什么样、目标是什么，你就知道 GPT-4 为什么需要三个训练阶段（Pre-training + ... Log in to view full content
🎬 VideoIntroduction to Deep Learning
🎯 这节课解决什么问题 "深度学习" 听起来很高大上，但它的最小单元其实就一行公式：output = activation(weighted_sum + bias)。理解这一行后，整个神经网络就不再是黑盒。这节课用直观方式讲清神经元、激活函数、反向传播——不推公式，只讲"这些东... Log in to view full content
🎬 VideoNatural Language Processing (NLP)
🎯 这节课解决什么问题 LLM 出现前，NLP 是一个复杂的"任务拼盘"——分词、POS、NER、翻译、问答，每种任务一个专门的小模型，维护成本极高。LLM 出现后，这些任务几乎都能用一个模型 + prompt 搞定。理解这个转折，你就知道为什么传统 NLP 工具链正在被淘汰。... Log in to view full content
🎬 VideoTransformer and Attention
🎯 这节课解决什么问题 所有现代 LLM（GPT / Claude / Llama / Gemini）都基于 Transformer。看论文、看模型架构图、读 Anthropic / OpenAI 技术博客，你都会撞到 "Self-Attention"、"Multi-Head"... Log in to view full content
🎬 VideoLanguage Models (LM)
🎯 这节课解决什么问题 "Language Model" 这个词被用得太随意——n-gram 是 LM、LSTM 是 LM、GPT 也是 LM。它们本质上在做同一件事：预测下一个 token。但从 n-gram 到 GPT 中间跨越了 50 年。搞清楚这个演化路径，你才能理解 ... Log in to view full content
🎬 VideoThe Transformer Architecture
🎯 这节课解决什么问题 Transformer 的完整结构图上有一堆模块：Embedding、Positional Encoding、Multi-Head Attention、Add & Norm、Feed-Forward、Residual Connection——每一个都有明... Log in to view full content
🎬 VideoInput Embeddings
🎯 这节课解决什么问题 LLM 不直接处理文字——它处理数字。Tokenizer 把文字变数字，Embedding 把数字变向量，Positional Encoding 告诉模型"谁在前谁在后"。这三步决定了 LLM 怎么"读"你的 prompt，也决定了你的 API 账单。理... Log in to view full content
🎬 VideoPrompting
🎯 这节课解决什么问题 基础 prompt 你已经会写了——R-T-C-E 框架、给例子、加约束。但遇到复杂推理任务（数学题、多步决策、代码调试）基础写法不够用。这节课给你 4 个进阶技巧：CoT、Self-Consistency、ToT、ReAct，每个都有明确的适用场景。 ... Log in to view full content
🎬 VideoFine-Tuning
🎯 这节课解决什么问题 "为什么不 Fine-tune 一个自己的 GPT？" 是每个新入门的人都会问的问题。但 99% 的情况 Fine-tune 是错的选择——贵、慢、容易废。这节课给你一个明确的决策树：Prompt Engineering → RAG → Fine-tun... Log in to view full content
🎬 VideoRAG 1 — Core Components
🎯 这节课解决什么问题 RAG 这个词你听了 10 遍了，但真去搭一个你不知道从哪开始——Loader？Splitter？Embedder？每个都是什么？哪个必须要、哪个可以跳过？这节课把 RAG 拆成 6 个核心组件，每个组件讲清楚"做什么 + 选型 + 常见坑"。 📖 你... Log in to view full content
🎬 VideoRAG 2 — Retrieval Strategies
🎯 这节课解决什么问题 Naive RAG = 纯向量相似度 top-K 检索——够跑 demo 但离生产级差一截。这节课讲 4 个进阶检索策略：Hybrid Search、MMR、Re-ranking、Query Rewriting。每个都解决 Naive RAG 的一个真实... Log in to view full content
🎬 VideoAgents
🎯 这节课解决什么问题 "Agent" 这个词在 2025-2026 被用滥了，每个产品都自称 Agent。但真正能落地的 Agent 形态就那么几种：Function Calling / MCP Server / OpenAI Assistant API / LangGrap... Log in to view full content
🎬 VideoBenefits and When to Use
🎯 这节课解决什么问题 "把 LLM 上进来" 是很多公司的口号，但 LLM 不是万能的。选错场景上 LLM 是 AI Engineer 最贵的错误——不只是钱，还有产品信誉和监管风险。这节课给你 LLM 的"甜蜜区" vs "禁区" 清单，让你在老板问 "这个需求能用 AI ... Log in to view full content
ℹ️ InformationDefine Your Success Criteria
🎯 这节课解决什么问题 做 AI 项目最容易翻车的不是技术，是"没定义成功是什么"。模型跑出来看着还行 → 上线 → 用户吐槽 → 才发现评估维度不全。这节课给你一个三层评估体系，从模型层到产品层到业务层，避免"感觉还行就上线"。 📖 你将学到 三层评估 — 模型层（Acc... Log in to view full content
🎬 VideoPrompt Engineering: Best Practices
🎯 这节课解决什么问题 L07 给你讲了 R-T-C-E 框架，这节课把框架升级成 6 条工程化准则——每一条都能解决一类真实生产 prompt 的问题。这不是"新手技巧集合"，是从几百个生产级 prompt 里总结出来的铁律。 📖 你将学到 准则 1 角色 + 任务 — ... Log in to view full content
🎬 VideoPrompt Iteration through a UI
🎯 这节课解决什么问题 直接在代码里改 prompt → 跑 → 看结果，一次迭代要 30 秒。用 Playground 可以压到 5 秒。这节课教你用 OpenAI / Claude / Google AI Studio 三大 Playground 做快速迭代，外加 temp... Log in to view full content
🧪 LabProject — Build & Share Your First GPT in OpenAI GPT Store
🎯 这节课解决什么问题 课程前 42 节课你学了 prompt / LLM / agent 基础。现在是时候交第一个作品了——在 OpenAI GPT Builder 里打造并发布你的第一个 GPT。不写代码、全程可视化配置、终点是一个 GPT Store 分享链接 + 3 个... Log in to view full content
ℹ️ InformationChatGPT Prompt Set
🎯 这节课解决什么问题 Prompt Engineering 不是每次从零写——大部分日常任务有固定模板，你需要的是一个自己的 Prompt 库。这节课给你 5 大场景的 40+ 模板：写作、代码、数据、营销、学习，全部经过真实业务验证，可以直接复制使用。 📖 你将学到 写... Log in to view full content
ℹ️ InformationGenAI Toolbox
🎯 这节课解决什么问题 AI 工具每周都在变——上周的 SOTA 这周就过时。你需要一份按场景分类的工具清单，而不是"哪个最强"的榜单。这节课给你 2026 年的主流 GenAI 工具箱，按对话 / 搜索 / 文档 / 代码 / 设计 / Agent 分类，外加个人生产力组合推... Log in to view full content
🎬 VideoUnderstanding LLMs — Capabilities, Limits & Engineering Solutions
🎯 这节课解决什么问题 LLM 再强也有天生缺陷——上下文塞不下、数学推理烂、不知道最新信息、输出不确定。这节课把 4 大硬伤列清楚，每个配一个工程化对策。理解这些，你就知道为什么 RAG / Tool Use / JSON Mode 这些技术会出现。 📖 你将学到 硬伤 ... Log in to view full content
🎬 VideoRAG 基本架构
🎯 这节课解决什么问题 前面讲的都是"最小 RAG"——一个 Loader + Vector Store + Retriever 就能跑。但企业级 RAG 架构远比这复杂。这节课给你完整的双管道架构图：Ingestion Pipeline（离线跑批）+ Query Pipeli... Log in to view full content
🎬 VideoEmbedding 嵌入模型
🎯 这节课解决什么问题 RAG 的效果上限很大程度由 Embedding 模型决定——embedding 不行，后面怎么优化都白搭。但 OpenAI 3-small / 3-large / Cohere v3 / BGE-M3 哪个好？中文场景怎么选？这节课给你一个选型决策框架... Log in to view full content
🎬 Video向量数据库
🎯 这节课解决什么问题 你有 100 万向量，要在 50 毫秒内找到 top-10 最相似的——这是向量数据库解决的核心问题。但 Pinecone / Weaviate / Qdrant / ChromaDB / pgvector 哪个适合你？这节课给你一个选型决策表，外加 H... Log in to view full content
🎬 VideoNative RAG 存在的问题
🎯 这节课解决什么问题 搭一个"hello world" RAG 很容易，10 行 LangChain 就够了。但上线后你会遇到一堆真实问题：召回不准、Chunk 切错、幻觉、答非所问、多跳失败。这节课把 Naive RAG 的 8 大翻车现场列清楚，让你提前知道坑在哪。 📖... Log in to view full content
🎬 VideoAdvanced RAG & Agentic RAG
🎯 这节课解决什么问题 Naive RAG 应付不了复杂问题。Advanced RAG + Agentic RAG 给你 4 个进阶技巧：Query Rewriting、Query Decomposition、HyDE、Self-RAG。加上 Agentic RAG 让 LLM... Log in to view full content
🎬 VideoContextual RAG
🎯 这节课解决什么问题 Anthropic 2024 年 9 月提出的 Contextual Retrieval 是近两年 RAG 领域最简单也最有效的改进——在 chunk 做 embedding 前，先用 LLM 给每个 chunk 生成一段上下文描述拼到前面。不改架构、只... Log in to view full content
🧪 LabProject — Build RAG from Scratch in Python
🎯 这节课解决什么问题 这是课程的第二个 Project，也是最硬核的一个。不用 LangChain / LlamaIndex，纯 Python 从 0 到 1 搭 RAG——让你搞清楚每一行代码在做什么。做完这个 Project 你就是真懂 RAG 的人，以后用不用框架都由你... Log in to view full content
ℹ️ InformationRAG Builder Toolbox
🎯 这节课解决什么问题 自己从零搭 RAG 是学习用的——真要做生产系统通常会用框架。但 LangChain / LlamaIndex / Haystack / Cohere Chat 哪个适合你？这节课给你选型表：每个框架的强项 / 弱项 / 代表场景。 📖 你将学到 L... Log in to view full content
ℹ️ InformationAI Resource Hub
🎯 这节课解决什么问题 AI 领域每周都有新东西——新模型、新框架、新技巧。信息爆炸时代最重要的能力不是"看得多"，是"看得对"。这节课给你一份 AI Engineer 必逛的信息源清单，按每日 / 每周 / 每月 / 每季度分层，帮你建立可持续的跟进节奏。 📖 你将学到 ... Log in to view full content
🎬 VideoWhat Are API Rate Limits? — OpenAI
🎯 这节课解决什么问题 你写好了应用，上线前跑了几次都 OK——上线后用户一多立刻 429 错误。OpenAI 的 Rate Limit 不是"请求数"这么简单，它有 RPM / TPM / RPD / Batch 四个维度，任何一个超了都触发 429。这节课帮你搞清楚完整机制... Log in to view full content
🎬 VideoAzure OpenAI — Quotas, Rate Limiting, and PTUs
🎯 这节课解决什么问题 企业为什么不直接用 OpenAI 而要用 Azure OpenAI？三个原因：数据驻留 / 企业合规 / 配额保障。这节课把 Azure OpenAI 的 Standard vs PTU 讲清楚，外加选 Region 和企业部署的常见坑——如果你在企业里... Log in to view full content
🎬 VideoPDF Parsing
🎯 这节课解决什么问题 企业 RAG 最常见的文档格式是 PDF，而 PDF 解析是最容易翻车的一环。选错工具，后面所有优化都白搭。这节课给你 PyPDF / PDFPlumber / Unstructured / LlamaParse / Azure DI / GPT-4V ... Log in to view full content
🎬 VideoInvoice Processing
🎯 这节课解决什么问题 发票抽取是企业 AI 落地最高频的场景之一——每家公司都有一堆 PDF / 图片发票要录入系统。这节课给你完整的 LLM + Vision 抽取流程，包括多国税制（澳洲 GST / 新加坡 GST / 日本消费税 / 美国 Sales Tax / 马来西... Log in to view full content
🎬 VideoBudgeting and API Costs
🎯 这节课解决什么问题 LLM 应用上线后成本很容易失控。这节课讲清 Token 计费的三档（Input / Cached / Output）+ 怎么估月度成本 + 4 大降本策略的底层逻辑。搞懂这些，你就能在 PRD 阶段就估出一个靠谱的成本数字，而不是上线后被账单吓一跳。 ... Log in to view full content
🧪 LabProject — Shipping a Rate-Unlimited, PDF-Upload-Ready RAG App
🎯 这节课解决什么问题 这是课程的最后一个 Project，也是最接近真实工作的一个：你要做一个可以上线的 PDF RAG 应用，支持上传、处理 Rate Limit、监控 Token 成本、有前端 UI。交付物是一个可以演示给朋友看的 GitHub 仓库 + 3 分钟演示视频... Log in to view full content
ℹ️ InformationEnd-to-End RAG Toolbox
🎯 这节课解决什么问题 真实生产 RAG 系统的工具链覆盖 6 层：Ingest → Chunk → Embed → Vector Store → Retrieval → Observability。每一层都有多个选择。这节课给你一份按层分类的工具清单 + 2 个组合推荐（MV... Log in to view full content
🎬 VideoIntroduction to LangChain
🎯 这节课解决什么问题 LangChain 是 RAG / Agent 最流行的框架，也是被吐槽最多的——抽象层厚、版本变动大、学习曲线陡。这节课帮你避开这些坑，只学真正有用的部分：LCEL 语法 + 核心抽象 + LangGraph Agent。学完你就能看懂 LangCha... Log in to view full content
ℹ️ InformationProduction RAG Toolbox
🎯 这节课解决什么问题 Project 3 让你搭了一个能跑的 RAG。要把它变成能跑一年的生产系统，还需要 4 个能力：Evaluation / Observability / Caching / Guardrails。这节课给你一个完整工具箱 + 落地顺序建议。 📖 你将... Log in to view full content
🎬 Video用 AWS 构建 RAG 应用
🎯 这节课解决什么问题 前面讲的都是"从零搭 RAG"，这节课给你另一条路线：用云厂商的全托管组件。AWS Bedrock Knowledge Base 让你只需要把文档放 S3，剩下全自动——解析 + chunk + embed + 存储都是托管的。对于"要快上线"的企业场景... Log in to view full content
