完整对标 AI Engineer Bootcamp 的课程体系
完整对标 AI Engineer Bootcamp 的课程体系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
- 模型根据找到的内容生成答案（而不是胡乱猜）
这样 AI 才能做到“有依据地回答”，提升准确率、可控性与企业级安全。本模块不仅让你理解原理，还会让你“用 Python 手写一个 RAG 系统”、学会解析 PDF 文件、设计检索逻辑、处理 API 限速，并最终构建一个可上传文件、可在线访问的完整应用。
学完之后你将能：
- 理解 RAG 的核心架构（Retriever → Vector DB → Generator）
- 从零搭建一个可运行的 Python RAG 应用
- 能解析 PDF 与结构化/非结构化文档
- 能设计 Prompt + 检索策略，提高答案准确度
- 能构建一个支持文件上传的 RAG Web Demo
- 理解成本预算、Rate Limit 与企业级 RAG 的注意事项
- 为后续 LangChain RAG、RAG Evaluation、Agentic RAG 奠定扎实基础
⑤ LangChain / LangGraph：构建 Agents 与多智能体系统
当你已经学会了基础 RAG，下一步就要开始学习企业级团队真正会使用的工具链。LangChain 是当前最主流的 LLM 应用框架之一，它能够让你更轻松地管理检索流程、封装工具调用，并基于 Runnables 构建可靠的生产级 AI 系统。
本模块不仅带你掌握 LangChain 的核心能力，更会向你展示如何对 RAG 系统进行评估（Evaluation）。因为企业真正关心的不是“AI 是否正常运行”，而是“答案是否准确可靠”。本模块正是完成这一能力跃迁的关键步骤。知识点包括：
LangChain RAG（RAG with LangChain）
- Introduction to LangChain
- LangChain Core Constructs（包括 Chains、Tools、Retrievers）
- LangChain Expression Language（LCEL）：Chains & Runnables
- Monitoring & Visibility with LangSmith
- Building & Sharing your First RAG QA Application with LangChain（Project）
- Production RAG Toolbox（企业级 RAG 模块工具包）
RAG Evaluation（RAG 评估）
- RAG evaluation（整体评估流程介绍）
- Metrics：Context Recall / Context Precision / Answer Relevancy / Faithfulness
- RAG Assessment（RAGAS）Framework
- Langfuse（RAG 监控与评估工具）
- RAG Evaluation Toolbox（评估工具包）
为什么要学？（现实场景 + 零基础可理解的解释）
企业级 RAG 不是“能跑就行”，而是必须：
- 能解释（为什么得出答案）
- 能监控（质量是否稳定）
- 能优化（检索准不准？文档切分好不好？Prompt对不对？）
📌 举例说明：企业里的 RAG 是如何“用坏”的
假设一家公司构建了一个内部 AI 助手，让员工查询政策与文档。
但如果系统出现——
- 回答信息不完整
- 引用的参考文档不准确
- 输出没有覆盖用户真正关心的内容
- 模型凭空补充信息（hallucination）
这套系统就变得“不可靠”。LangChain 可以帮助你将 RAG 的每个步骤拆解、可视化、监控并延伸，例如：
- 查看 Retriever 是否找到了正确段落
- 检查 Chunk 是否太大或太分散
- 调整 Vector DB 的检索策略
- 通过 Runnables 构建可维护的流程图
- 通过 LangSmith 跟踪系统输出、链路、模型行为
RAG Evaluation 模块 进一步帮助你量化系统质量，例如：
- Context Recall：是否找到了正确的参考资料？
- Answer Faithfulness：模型是否“瞎编”？
- Relevancy：回答是否切中问题？
这些评估能力是企业在上线任何 AI 系统前的“强制项”。掌握这个模块后，你不仅能做出 RAG，还能让它真正可上线、可监控、可迭代。
学完之后你将能：
- 使用 LangChain 构建完整的 RAG QA Application
- 理解 LangChain 的核心构建模块（Chains、Tools、Runnables）
- 能在 LangSmith 中查看、监控和 Debug AI 应用
- 使用 LangChain Expression Language 设计复杂流程
- 使用 Langfuse、RAGAS 对 RAG 系统进行完整评估
- 能从检索、chunking、prompt、embedding 四个角度优化 RAG
- 完成属于你自己的企业级 RAG 项目 Demo（可用于面试）
- 为下一阶段的 Agent、Multi-Agent、MCP 和 Deep Agent 架构 打下坚实的工程基础
⑥ MCP（Model Context Protocol）与 Deep Agents
MCP（Model Context Protocol）是近两年 AI 工程领域最重要的突破之一，它让 LLM 不再是“只能聊天的机器人”，而变成能够实时调用工具、读取文件、管理状态、执行任务的真正工程级智能体核心协议。如果说 Prompt 是“指挥语言”，RAG 是“知识来源”，那么 MCP 就是让 AI 拥有“行动能力”的桥梁。本模块会带你从理解协议、搭建 MCP Server，到将其整合进 AI 应用，并最终构建能够执行多步骤任务的 Deep Agents。这是一个 AI Engineer 能否完成“真实工程落地”的分水岭。
- MCP Server 基础与工具注册
- 动态上下文注入与工具协作
- 解析 MCP 原始规范与源码
- 构建动态、可推理、多步骤的 Deep Agent
学完之后你将能：
- 理解 MCP 的核心设计理念，并能解释它为何成为 AI 工程的关键协议
- 能手写一个完整运行的 MCP Server（企业级必备技能）
- 能阅读 MCP 相关源码，理解其数据流、工具注册与上下文传递机制
- 能将 MCP 与 RAG、Agents、外部工具链组合，构建真正可落地的 AI 系统
- 能开发两个 MCP 项目，具备实际作品可展示
- 能从零构建一个可规划、可工具调用、可执行任务链的 Deep Agent
- 为后续构建 Multi-Agent 协作系统奠定完整能力基础
⑦ Synthetic Data Generation（SDG）与模型微调（Embedding Fine-Tuning & LLM Fine-Tuning）
当企业希望 AI 回答得更准确、更专业，或适应特定行业（医疗、法律、金融、供应链等）的语言风格时，仅靠 Prompt 或 RAG 往往不够。这时就需要两件关键武器：合成数据（Synthetic Data） 和 模型微调（Fine-Tuning）。
这一模块会带你理解如何自动生成高质量的训练数据、如何微调 Embedding 模型让检索更精准、以及如何使用 PEFT/LoRA 轻量微调大型开源模型，让模型变得“更像企业自己的 AI”。
企业真正招聘的 AI Engineer，就是能把模型“训成企业需要的样子”的工程人才。
知识点包括（严格对应你图片中的大纲内容）：
🔹 Synthetic Data Generation（SDG）
- SDG for Fine-Tuning & Prompt-Based Data Generation for Fine-Tuning & Alignment
- Test Data Generation for RAG: In-Depth Evolution
- Custom Synthetic Test Data Generation for RAG Evaluation（Project）
- SDG Toolkit（Information）
🔹 Embedding Fine-Tuning（Fine-Tuning Embedding Models）
- Fine-Tuning & Massive Text Embedding Benchmark (MTEB)
- Downloading Open-Source Model Weights
- Loading LMs on GPU
- Hugging Face Sentence Transformers
- Fine-Tuning Embedding Models for RAG using LlamaIndex & HF Sentence Transformers（Project）
- Embedding Fine-Tuning Toolkit（Information）
🔹 LLM Fine-Tuning（Fine-Tuning Open-Source LLMs）
- The Primary Roles of Fine-Tuning
- Parameter Efficient Fine-Tuning（PEFT）
- Quantization
- Low-Rank Adaptation (LoRA / QLoRA)
- Fine-Tuning Llama 3.1 with PEFT-QLoRA（Project）
- LLM Fine-Tuning Toolkit（Information）
为什么要学？（现实场景 + 让零基础也能懂）
在企业真实应用里，AI 很容易出现两个问题：
① “不会你的专业语言”
例如金融术语、医学诊断名词、法律条款安排等。
默认模型根本不清楚你的内部知识。
② “回答得不够精准或不够稳定”
即便是 RAG，有些领域也需要更专业的理解。例如：
- 医疗报告结构固定
- 法律条文需要严格引用
- 财务类回答不能“估计”
- 企业内部术语必须理解一致
为了解决这些问题，企业需要：
用少量高质量的数据，让模型理解你的行业 → 这就是 Fine-Tuning 的价值。
而 SDG（合成数据）就是让 AI 帮你“自动生成训练数据”：
- 生成一批风格一致、结构合理的 Q&A
- 为 RAG 自动生成测试集
- 生成用于 Fine-Tuning 的 Instruction / Output 样本
- 补齐不足的数据分布（长尾场景）
而 Embedding Fine-Tuning 的作用是：
让你的 RAG 检索“更懂你的企业数据”。
例如：
- 医疗医院名字 vs 医疗缩写 → 默认 Embedding 难以得分一致
- 供应链状态码 → 默认 Embedding 不认识
- 法律条款结构化文本 → 默认 Embedding 检索很弱
这就是为什么 Embedding 微调与 LLM 微调，是顶级 AI Engineer 的核心技能之一。
学完之后你将能：
你将具备让 AI“真正适应你的业务需求”的核心能力——包括自动生成高质量训练数据、微调 Embedding 模型提升检索精准度，以及使用 LoRA / QLoRA 等方法轻量微调开源大模型。你能够从零构建并优化数据集、准备训练样本、执行模型微调流程，并将微调后的模型整合到 RAG 或企业级应用中。无论是构建专业领域的问答系统，优化企业内部知识检索，还是打造定制化 AI 助手，你都能够独立完成从数据准备、模型训练到部署验证的全流程工程工作，使 AI 输出更加准确、稳定、符合企业标准。
学习方式
AI Engineer 视频课程最大的特点，就是灵活 + 自主 + 可反复复习。我们深知许多同学正在一边工作、一边学习，或正在准备跳槽、转型，因此本课程的学习方式专门为“时间不固定的学习者”设计。
这一章将向你展示：你将如何学习、如何使用课程素材、如何安排节奏，以及如何有效吸收这些工程内容。
自主节奏学习
你可以完全按照自己的时间安排学习所有课程内容。课程允许你完全根据自己的生活与工作安排进行学习。无论你是白天上班、晚上学习，或是利用周末集中学习，都不会受到限制。每个模块都可以在你准备好的时候开始，你可以以适合自己的速度推进课程：可以快速完成多个单元，也可以慢慢理解概念和代码，按照自己的方式建立扎实的工程基础。
随时回看高难点
RAG、Agent、MCP、Fine-Tuning 等模块，本来就需要反复推敲、边敲代码边理解。视频课支持无限次回放，你可以随时暂停、反复观看演示代码、重新理解架构图，直到真正掌握。相比直播课“听一次就错过”的方式，视频课让你能更轻松地补齐知识盲区，把复杂概念完全吃透。
组队自主学习
如果你不想独自学习，也可以选择与其他同学组队，通过讨论、分工与分享一起完成项目练习。你们可以共同拆解一个 RAG 应用、一起设计 Agent 的行为逻辑，或相互协助调试 MCP Server。组队并非必须，但对于希望提升动力、获得更多想法启发、或想体验“接近 Bootcamp 的协作氛围”的同学来说，是一个非常好的学习方式。
视频课的学习方式 = 自由度最高 + 可复习无限次 + 完全为自驱型学习者设计，你可以在自己的节奏下完成每个模块，反复复盘高难内容，并将所有项目逐步打磨成可展示的作品集。学习方式不再拘泥于时间和进度，而是以最灵活的方式让你稳步掌握 AI 工程的完整技术栈。
适合人群
AI Engineer 视频课程适合已经在软件行业工作、正在转行、准备提升技术竞争力，或希望提前布局未来职业方向的所有同学，本课程都为你提供了一条完整而实用的自学路径。课程不依赖固定的直播时间，而是允许你按照自己的生活节奏稳步推进，在反复练习与项目实践中逐渐建立工程能力。
- 工作忙、时间零散，但想系统学习 AI 工程的人
- 想先自学一遍，再决定是否进入 Bootcamp 的人
- 自驱型学习者（喜欢自己推敲、边学边敲代码）
- 想转型 AI Engineer 但预算有限的学习者
- 想把课程当“长期技术手册”的人
适合背景：
- 全栈工程师
- 后端工程师
- QA / SDET
- DevOps / Cloud / Infra
- 数据分析 / 数据工程
- AI 初学者但有 Python 基础
- 想转 AI 的前端工程师
课程亮点
AI Engineer 视频课程延续了 Bootcamp 的专业大纲与工程实践，但在学习方式上更加自由、灵活和可反复复盘。无论你是希望为转型做准备、提高工作技能，还是想系统夯实 AI 工程基础，本课程的内容体系与教学设计都会让你在自学过程中也能获得专业、完整、循序渐进的学习体验。这一章为你展示本课程最具价值的亮点，让你清晰了解为什么许多同学选择先从视频课开始 AI 工程之旅。
完整对标 AI Engineer Bootcamp 的课程体系
本课程内容与 AI Engineer Bootcamp 保持一致，涵盖 RAG、Agents、MCP、Deep Agents、Embedding Fine-Tuning、LLM Fine-Tuning、Advanced RAG、LangChain、Multi-Agent 体系、LLM Ops 等完整模块。你将学习与 Bootcamp 同款的技术栈，不会错过任何企业真正需要的工程知识。对于希望在未来参加 Bootcamp 的同学来说，视频课是更友好、压力更低的系统预习方式。
灵活学习、无限回看、不怕错过任何细节
AI 工程包含许多需要反复理解与实践的关键概念，例如 RAG 的检索逻辑、Agent 的推理链路、MCP Server 的请求过程、Chunking 技巧以及模型微调流程。视频课允许你随时暂停、回放关键片段、重新复习示例代码或演示动作，让高难内容变得更易吸收。相比直播课“一次讲完”、错过就难以补课的形式，视频课让你有足够空间把复杂技术学透。
适合作为长期“AI 工程知识库”反复使用
因为课程支持无限制回看，你可以把它当作未来学习和工作中的 AI 工程参考库。在你做项目、写代码、调 RAG 检索、优化 Agent 行为或准备面试时，都可以随时回到课程中查看讲解或示例代码。很多同学会在未来几个月甚至一年内反复回看课程将技术彻底吃透，这种“长期可复盘”的特性是直播课难以替代的。
成本更友好，是入门 AI 工程最实用的开始方式
相比 Bootcamp 含有大量导师时间、组队辅导与就业支持，视频课更加经济，同时保留了完整的技术课程体系。对于预算有限、但又想学习企业真正需要的 AI 工程能力的同学来说，视频课程是一条非常高性价比的学习路径。在建立坚实基础之后，你也可以选择在未来追加进入 Bootcamp 做深度冲刺。
这门课程最核心的亮点，是它把 AI Engineer Bootcamp 的完整知识体系以更灵活、更自由、更适合复盘的形式呈现出来，让每位同学都可以用自己的节奏，从零到一掌握 AI 工程的核心能力。课程兼顾深度、广度与可操作性，是转型 AI 赛道、提升工程能力或系统构建技能的理想起点。
常见问题 FAQ
Q1：AI Engineer 到底是做什么的？
AI Engineer 的核心工作，是让人工智能真正“能在企业里落地”，而不是停留在研究或简单调用 API 的阶段。一个 AI Engineer 需要能够搭建企业级 RAG 系统、构建智能 Agent、让模型能够调用内部工具或数据库、并把 AI 服务部署到产品系统里。他们需要确保 AI 的结果准确、可控、可靠，并能够通过监控与评估不断优化系统。简单来说，AI Engineer 是让 AI 从“会聊天”变成“能办事、能执行任务、能解决业务问题”的人，是人工智能在企业里能产生真正价值的关键角色。
Q2：我想换工作或换赛道，学习 AI 工程还来得及吗？
不仅来得及，现在正处在最佳时机。AI Engineer 在澳大利亚的招聘增长率高达 430%，企业急需能够把 LLM 技术落地到业务的工程师，而市场上真正具备工程能力的人才非常稀缺。薪资水平也远高于传统开发岗位。随着越来越多的企业把流程、数据分析、业务自动化迁移到 AI 驱动的系统，这条赛道的机会会越来越多。越早掌握技能，就越能在竞争中获得优势。
Q3：学完视频课程真的能找到 AI 相关的工作吗？
视频课程提供了完整的 AI 工程能力体系，让你掌握 RAG、Agent、MCP、Embedding Fine-Tuning、RAG Evaluation、LLM Ops 等企业实际用到的核心技能。如果你想提升技术能力、建立作品、理解企业真正需要的 AI 工程能力，这门课可以完全满足你的需求。如果你还希望获得求职策略、简历修改、模拟面试、导师项目反馈等服务，那么 Bootcamp 会更适合求职方向的同学。视频课与 Bootcamp 的定位不同：视频课帮助你掌握技术能力，Bootcamp 帮助你冲刺就业，两者可以组合使用。
Q4：视频课每周需要投入多少时间？
你可以完全按照自己的节奏学习。如果你的目标是“提升能力但不着急求职”，每周 5–10 小时就可以稳定推进。如果你的目标是“尽快完成并准备转岗”，建议每周安排 10–15 小时，按照模块顺序完成练习与项目。视频课最大的优势是没有固定节奏，没有缺课压力，你可以在忙的时候慢一点，在有空的时候一次学多几节。
Q5：视频课和网上免费教程有什么区别？
最大的区别是系统性与落地性。网上的 AI 教程大多数内容零散，需要你自己去拼接知识点，而且往往不会覆盖完整的工程链路。本课程使用与 Bootcamp 同款的大纲，对齐企业招聘需求，涵盖 RAG、Agent、MCP、深度检索优化、Fine-Tuning、LLM Ops 等所有必要技能。视频课提供了一条完整的、逻辑清晰的学习路线，帮助你一步一步建立真正的 AI 工程能力，而不是靠自己在互联网上东找西找信息，浪费大量时间。
Q6：课程包含多少实操内容？
整个课程都是工程化实操。你会亲手构建 RAG、设计 Prompt Pipeline、开发 Agent、搭建 MCP Server、执行 Embedding Fine-Tuning 和 Llama 微调，并完成多个端到端项目。我们不会让你只听理论，也不会只做简单示例，而是会让你亲自写代码、调试错误、构建应用。
Q7：我担心自己坚持不下去，视频课适合我吗？
如果你希望用自己的节奏、没有固定时间压力地学习，视频课是非常适合你的选择。你可以一边工作、一边照顾家庭、一边慢慢学，每个模块都可以随时开始、随时暂停、随时回看。你不需要跟着直播 pace，也不会因为一两周忙就错过内容。你可以按照自己的节奏把项目做到最满意的程度，这也是许多工程师更喜欢视频课的原因。
