你的 Software Engineering 经验不会清零
API、Database、Docker、Cloud、Monitoring 仍然是底层能力。你需要补的是 Model、Context、Eval 和 Guardrails 这一层。
🇨🇳 国内版2026-10-12 开课12 周 · 每周 2 节直播国产 Model + 国内 Cloud第一期筹备中 · 可预约
AI 应用开发工程师训练营 · 国内版
AI 应用开发工程师训练营
第 01 期 · COHORT 01中国班 · 独立课程内容线上 · 每周 2 节直播12 周做完一套端到端 AI 系统
不用从头改行学算法。把你已经会的后端、全栈和 Cloud 能力，升级成能交付 Production AI的工程能力。
第一期筹备中
中国班教学环境仍在搭建，目前只开放开班通知预约，不提前收款。
25–40K
国内公开岗位薪资参考
不是就业或薪资承诺
40–90 万
大厂 AI 应用岗年包
（2026 校招口径）
1 套系统
RAG · Agent · MCP
Eval · Private Deployment
6 份证据
代码 · Architecture · Eval
Deployment · Demo · 面试叙事
为什么现在要补 AI Engineering
公司缺的不是会聊天的 Demo，而是能接进业务、出了问题也查得到的 AI 系统。
国内 JD 已经不只写“会调用大模型 API”。公开岗位会直接要求 RAG、Agent、模型部署，以及把 AI 接进现有业务系统的端到端交付经验。
只会调 API，简历很难证明你能交付
面试会继续追问：知识库怎么更新？Agent 越权怎么办？结果怎么评测？私有数据能不能不出内网？
中国团队还有独立的 Production 约束
Qwen / DeepSeek / GLM、国内 Cloud、数据合规与 Private Deployment，不是把海外教程换个模型名就够了。
ROLE UPGRADE
你不是放弃 Software Engineering，而是在它上面多负责一层。
传统 Software Engineer
把确定的 Business Rule 写成稳定的软件
Requirement / Agile→Code + Business Logic→Predictable Output
重点是正确实现需求，并通过 Unit Test、Integration Test、Monitoring 和 Release Process 保证系统稳定。
AgileAPIDatabaseTestCI/CDMonitoring
VS
AI Application Engineer
把不确定的 Model 变成可控的业务能力
Requirement + Context→Model + Data + Tools→Evaluated Output
除了写系统，还要处理 Retrieval、Tool Calling、Eval、Guardrails、Tracing、Cost、Latency 与 Failure Handling。
ContextRAGAgentMCPEvalGuardrails
不是二选一。AI Application Engineer = 你已经有的 Software Engineering 基础 + 一层新的 AI Engineering 责任。
PRODUCTION AI ARCHITECTURE
会调用 Model，只完成了最里面的一格。
真正进入公司系统，还要处理 Access Control、Orchestration、RAG、Tools、Private Deployment、Eval 和 Observability。点击任意技术节点，看它在工作中负责什么、课程里怎么练。
01用户入口与 Access Control
02Intent 与 Orchestration
03Business Agent Layer
04Knowledge 与 RAG Pipeline
05Tools、MCP 与 Human Approval
06Model Serving 与 Private Deployment
07Eval、Guardrails 与 Observability
主线项目
把上面七层，全部接进一套真实业务系统。
这不是一个只回答问题的 Chatbot。它要跨 Structured Data 与 Unstructured Knowledge 做分析，再调用真实业务系统执行动作，完整覆盖 RAG、Multi-Agent、MCP、Eval、Guardrails 与 Private Deployment。
企业级 AI 经营分析与执行 Agent 平台经营分析 · Knowledge Research · Tool Execution · Human Approval
业务负责人问「华东区本月营收为什么下降」，系统会查询 Data Warehouse 与 CRM、检索公司知识、生成带证据的分析报告，并在人工审批后创建客户跟进任务。
业务负责人提出问题
「华东区本月营收为什么下降？」
「找出异常客户并生成跟进计划」
Multi-Agent Orchestrator
Planning + Data + Research + Action
拆任务、查证据、调用工具、等待审批
可执行的经营结论
引用数据与公司知识生成报告
审批后创建 CRM 跟进任务
查询 CRM · MCP
执行 SQL · MCP
企业 Knowledge Base · RAG
创建任务 · Human Approval
这条链路就是 12 周要亲手搭出来的东西 —— 每一段都对应国内 JD 上的一个高频技能，也都是面试官会追着问的地方。
- P1Function Calling查询经营指标与客户记录
- P2RAG 工程化公司 SOP / 产品资料 / 会议记录 / 历史分析报告 Knowledge Base
- P3Agent + MCPPlanning + Data + Research + Action Agent，经 MCP 调用 CRM 与 Data Warehouse
- P4微调 + 私有化部署任务路由小模型；vLLM 部署 —— 经营与客户数据不出内网
- P5评测 + 安全计算准确性、引用完整性、权限边界与 Tool Execution Audit
PROJECT EVIDENCE
学完不是“懂了”，而是留下 6 份能被检查的交付证据。
YouTube 可以教知识点；训练营的价值是把这些知识压进同一套系统，经过 Code Review、Eval、Failure Debugging 和 Demo，最后变成你能展示、能解释、能继续迭代的项目经验。
可运行的代码仓库
前端、Backend、AI Service、Database 与 Docker Compose 能端到端启动。
Production Architecture
能解释 RAG、Agent、MCP、Model Serving、Eval 和 Guardrails 为什么这样连接。
Eval Report
用 Golden Set、Recall、Faithfulness 和 Safety Test 证明改动有效，不靠“看起来不错”。
Deployment Benchmark
记录 Private Deployment 的 GPU、量化、吞吐、Latency 和 Cost Trade-off。
专属行业扩展
W12 换成自己的业务场景与独创功能，避免所有人的项目完全一样。
Demo 与面试叙事
能演示系统，也能讲清 Architecture Decision、Failure、Debugging 和取舍。
中国班竞争优势
全球 AI Engineering 视野，中国团队的交付能力
不是只教海外 API，也不是只教国产平台操作。你需要同时看懂全球 Production AI 的做法，并能在中国 Model、Cloud、数据合规和招聘环境里把系统交付出来。
优势 01 · 全球 × 中国
不是把海外课翻译成中文，而是把全球 Production AI 方法落到中国环境
一边学习 Context Engineering、RAG Eval、Multi-Agent、MCP、Guardrails 与 Observability，一边用 Qwen、DeepSeek、GLM、阿里云百炼和华为云完成交付。既看得懂全球技术演进，也能处理国内 Model、Cloud、Private Deployment 与数据合规。
优势 02 · 大厂工程导师
依托全球大厂导师网络，讲的是工程决策，不是照着 Slides 念
匠人导师网络覆盖 Google、Amazon、Microsoft 等科技公司；中国班同时对齐字节、阿里等国内大厂的岗位要求与工程语境。具体主讲导师将在开课前公开姓名、现任职位、履历链接和主讲模块，背景可以核验后再决定。
优势 03 · 企业级项目
12 周持续迭代一套系统，不做十个互不相关的 Demo
从 Function Calling、Knowledge Base 到 Multi-Agent、MCP、Eval、Guardrails 与 Private Deployment，每周新增的能力都接进同一套企业 Agent 平台。最后留下代码仓库、Architecture、Eval Report、Tracing 和可演示的业务流程。
优势 04 · 国内求职交付
课程终点不是“学完”，而是能证明你交付过 AI 系统
项目内容直接映射国内 AI 应用开发、Agent Engineer 与大模型应用开发 JD。W12 再选择金融风控、制造质检、销售运营、供应链或合规审查场景，加入自己的 Tool 与 Workflow，让项目、简历和面试叙事不与全班撞车。
12 周主线
每学一个技术，当周就接进企业级项目
每周学完的新技能，当周就接进项目。不是学完一堆孤立知识点，最后再拼一个作业。
W1
Python 工程化 / Docker / Git
本地 Docker Compose 一键跑通企业 Agent 平台，读懂数据、模型、Tools 与 Workflow 怎样连接
W2
国产大模型 API / Prompt / Function Calling
把 AI Service 接上 Qwen / DeepSeek，完成第一个「查询区域经营指标」Function Call
W3
Embedding / 向量库选型
把公司 SOP、产品资料、会议记录与历史报告接进 Vector Database，建立检索
W4
RAG Pipeline / 混合检索 / 重写压缩
给经营分析接 RAG：结论来自哪份制度、产品资料或历史决策，引用能否追溯
W5
RAG 评测（RAGAS / Langfuse）
给 RAG 加评测面板，跑出召回 / 忠实度指标里程碑
W6
Agent 原理 / ReAct / 设计模式
把一次经营问题拆成 Planning、Data Query、Knowledge Research 与 Action Steps
W7
MCP 协议 / MCP Server
用 MCP 接 CRM 与 Data Warehouse（查客户 / 执行 SQL / 创建跟进任务 / 发起审批）
W8
Multi-Agent / 工作流编排
升级成 Planning + Data Analysis + Knowledge Research + Action 多 Agent 协作里程碑
W9
微调 LoRA / QLoRA / Llama Factory
微调任务路由小模型（指标查询 / 异常解释 / 报告生成 / 业务执行）
W10
vLLM / SGLang 私有化部署 / 量化 / 合规
把微调模型 Private Deployment 进 AI Service 并压测（经营与客户数据不出内网）里程碑
W11
AI Eval / 防注入 / 护栏 / 可观测
评测计算准确性与引用完整性，阻止越权执行，为整条 Agent Workflow 加 Tracing 与 Monitoring
W12
个性化 + Demo + 面试叙事
选择金融风控 / 制造质检 / 销售运营 / 供应链 / 合规审查场景，加入自定义 Tool 与 Workflow，完成端到端 Demo里程碑
防简历同质化：W1–W11 先掌握同一套企业级 Agent 生产架构，W12 再选择金融风控、制造质检、销售运营、供应链或合规审查等业务场景，加入自己的 Tool 与 Workflow。最终项目的业务问题、数据与执行链路都不同。每周 2 节直播（每节不超过 3 小时），其余录播 / Lab / Quest 自主节奏。
JD 技能覆盖
招聘要什么，就练什么
| 国内 JD 高频技能 | 重要度 | 覆盖周次 |
|---|---|---|
| Python 工程化 / FastAPI / Docker | 高频 | W1 |
| 国产大模型 API（Qwen/DeepSeek）+ 兼容层 | 高频 | W2 |
| Prompt Engineering / 结构化输出 | 高频 | W2 |
| Function Calling | 新高频 | W2 |
| 向量库 / Embedding / 检索 | 高频 | W3 |
| RAG Pipeline / 混合检索 / Rerank | 高频 | W4 |
| RAG 评测（RAGAS / Langfuse） | 新高频 | W5 |
| Agent / ReAct / 设计模式 | 高频 | W6 |
| MCP（Model Context Protocol） | 新高频 | W7 |
| Multi-Agent / 工作流编排 | 进阶 | W8 |
| 微调 LoRA / QLoRA / Llama Factory | 高频 | W9 |
| 私有化部署 vLLM / SGLang / 量化 | 新高频 | W10 |
| AI 评测 / 防注入 / 护栏 / 可观测 | 进阶 | W11 |
| Dify / Coze 低代码编排 | 加分 | W2 |
技能项来自国内 AI 应用开发岗 JD 高频提取。标「新高频」的是 2025-26 才进入 JD 的技能，也是多数老课程覆盖薄、最能拉开差距的地方。
中国就业前景
学完在国内能干嘛
下面每一条岗位职责和任职要求，都摘自 BOSS 直聘、智联招聘、V2EX 上公开的真实 JD，不是我们编的行业描述。
对口这些岗位
AI 应用开发工程师大模型应用开发工程师AI 大模型应用及 Agent 开发工程师高级 AI 应用开发工程师
明确不对口
算法研究员预训练 / 基础模型研究多模态基础模型
这类岗位普遍要求硕博 + 论文发表，本课不覆盖，也不往这个方向卖。
JD 要什么，第几周练
- 用 LangChain 一类框架搭 AI 应用架构W2
- 主导 RAG 系统开发：数据预处理、检索与生成、策略调优W3–W5
- 设计并实现 Agent 智能体系统W6–W8
- 大模型部署、微调与推理加速W9–W10
- 把 AI 应用集成进客户既有业务系统W7 · MCP 接真实后端
谁在招这类人
大厂 AI 应用团队
阿里 · 字节 · 腾讯 · 百度 · 美团 · 京东 · 小红书
工程能力扎实，能在成熟基建上快速落地业务场景。门槛最高，普遍卡学历。
AI 原生公司
智谱 · 月之暗面 · MiniMax · 商汤
对新技术敏感、能跟上迭代速度，愿意在不确定的产品方向里试错。
传统企业 / 数字化团队
金融 · 制造 · 电商 · 政企服务商
会把 AI 接进既有系统、能处理私有化部署与数据合规 —— 国内 JD 里高频出现的一类。
真实 JD 原话「3-5 年 AI 应用 / 后端开发经验，且有完整端到端 Agent / LLM 项目交付经验」
— BOSS 直聘 · 高级 AI 应用开发工程师（2026-08 采集）国内 JD 卡的不是「学过 RAG」，是「交付过一个完整项目」。这就是这门课 12 周围绕企业级 AI 经营分析与执行 Agent 平台持续迭代、而不是做十个玩具 demo 的原因。
往后怎么走
AI 应用开发（2-5 年）→资深 / 带队→技术方案 / 架构
横向去处：
AI 产品经理解决方案 / 售前独立开发 / 创业本课覆盖的是第一段：从「会调 API」到「能独立交付一套完整 AI 应用」。后面的路要靠工作年限和项目复杂度积累，课程不承诺也不加速这部分。
岗位职责与任职要求来自 BOSS 直聘、智联招聘、V2EX 上公开的真实 JD（2026-08 采集）。薪资口径见下一节。本课不承诺就业结果。
COMPANY SALARY CHART
这些公司，正在为什么样的 AI 人才付钱
先看招聘挂牌和真实 Offer 样本，再看课程宣传。横轴统一按年薪万元展示，口径在每一行标清。
不是毕业生唯一的工作，却是 Software / Data 背景最值得优先准备的一条增长路线。
普通开发项目只能证明你会写功能；一套 Production AI 项目还能同时证明 Backend、Data、Model、Agent、Eval 与 Deployment 能力，让你既能投 AI Application Engineer，也不丢掉原有 Software Engineering 岗位。
字节与阿里为招聘页面公开标价，仅按月薪 × 薪数折算，不含股票、奖金；其余为社区采集的 2026 校招 Offer 个例，不代表平均工资。学历、经验、城市和面试定级都会影响最终薪资，本课不作就业或收入承诺。
再看你所在经验段的市场区间
AI 应用开发工程师（2-5 年）本课主线定位 · 社招主流区间
25–40K / 月
大厂 AI 应用岗天花板参考 · 2026 校招真实 offer 口径，普遍要求硕士 + 头部院校
40–90 万 / 年
阿里字节腾讯百度美团京东智谱月之暗面MiniMax小红书商汤
主流区间参考真实招聘帖（V2EX 3-5 年 AI 应用 / 后端研发岗，上海 25-30K）。
大厂年包来自代码随想录 2026 校招薪资报告（社区自采真实 offer）：小红书「AI Agent 应用开发」约 90 万、高德 AI Infra 约 70 万、京东 AI 岗 3w×18、百度凤巢模型工程 30k×16、华为 AI 算法 23k×16。
该组大厂数字为校招口径，社招同级样本不足；大厂 AI 岗普遍卡学历与算法背景，本课不承诺可达。实际薪资以面试谈定为准。
适合谁
先看看适不适合你
适合
后端 / 全栈工程师（2-5 年），想转 AI 应用开发
应届 CS / 计算机相关，想拼 AI 校招、要能聊的真项目
传统算法 / 数据岗，想补 LLM 工程化能力
创业者 / 独立开发，想做能上线的 AI 产品
不适合
零编程基础（建议先学 Python）
只想拿证书 / 速成不动手
想做大模型预训练算法（那是硕博算法岗）
先修要求：会 Python、用过命令行、懂 Git 基本操作。这不是从零教 Python 的课。
常见问题
报名前你可能想问
Q01这套企业级 AI 经营分析与执行 Agent 平台是真实项目还是教学项目？
是为这门课专门搭建的企业级团队项目，系统会连接 Knowledge Base、CRM、Data Warehouse 与审批流程。你需要完成可运行的代码、Architecture Decision、Eval Report、Tracing 与 Demo，不是只能看的演示。
Q02全班做同一个项目，简历会不会撞车？
W1–W11 先掌握同一套生产架构，W12 再选择金融风控、制造质检、销售运营、供应链或合规审查等业务场景，并加入自己设计的 Tool 与 Workflow。最终项目的业务问题、数据与执行链路都不同，面试能讲的 Architecture Decision 也不同。
Q03需要什么基础？零基础能学吗？
不能。会 Python、用过命令行、懂 Git 基本操作。这不是从零教 Python 的课。如果你还没写过 API、没用过命令行，建议先补这部分再来。
Q0412 周每周要投入多少时间？
每周 2 节直播，每节不超过 3 小时。此外录播、互动 Lab、Quest 按自己节奏安排。整体预计学时 96 小时，平均每周 8 小时左右。
Q05现在能报名吗？
第一期还在筹备，教学环境搭建中，暂未开放报名。可以先扫码预约，开放时会第一时间通知你，也可以在群里先把课程细节问清楚再决定。
预约第一期开班通知
扫码加顾问微信，开放报名时第一时间通知你。也可以先把课程细节、先修基础问清楚，确认自己适不适合再决定。
- 开放报名第一时间通知
- 课程细节 / 先修基础一对一问清楚
- 不适合会直说，不硬推
微信扫码 · 匠人小花
第一期预计 2026-10-12 开课，2027-01-04 结课。课程内容以最终上线为准。
AI 应用开发工程师训练营2026-10-12 开课 · 12 周 · 第一期筹备中
预约开班通知