匠人学院 JR Academy学AI来匠人
cohort 0512 + 12 weeksapplication requiredRECRUITING286 lessons · compiled
AI ENGINEER BOOTCAMP · 第 05 期招生中

AI Engineer Bootcamp

第 05 期 · COHORT 0512 + 12 周线上 · 申请制286 课时 · 7 个简历项目

把 AI 从 Demo，做成能上线、能评估、能维护的 工程系统

12 周工程训练打通 RAG、Agent、Eval 与部署；再用 12 周 P3 企业项目，把判断和代码变成真实交付。

286
lessons compiled
68
interactive labs
59
live classes
7
resume projects
提交申请后 24–48 小时内完成审核，不需要先付款。
THE BUILD LOOP · 学习方法

不是追着模型跑，而是反复练一条可靠的交付链。

每个 Phase 都围绕同一个动作展开：先看清问题，再把 AI 组织成系统，最后用数据证明它值得上线。

01

看见真正的问题

从用户任务、失败样本和业务约束出发，先判断什么值得做，不从模型功能倒推需求。

02

把 AI 组织成系统

连接数据、工具、Agent 与人工判断，让一次性的回答变成可重复执行的工作流。

03

把结果做到可靠

建立 Eval、Tracing、成本与延迟指标，知道它为什么成功，也知道出错时从哪里修。

286 节课、68 个 Lab、7 个项目反复训练同一件事：选对问题 → 做出系统 → 验证可靠。
// interactive diagnostic

AI Engineer 到底需要会什么？先用 5 分钟测一下

这套自评把 AI Engineer 拆成 Full-stack、Prompt、Cloud、Data Thinking、AI Engineering Core 五块。评估完你会知道自己是缺工程地基、RAG 数据闭环，还是 Agent / Eval / Model Ops 能力。

loading capability-map...
课程不止于听懂

把课上练出的工程能力，继续用在真实项目里。

直播课拆判断，互动 Lab 验收能力，P3 企业项目把完整交付留进作品集。

01 · 直播拆解

59 场直播，把架构判断和真实 bug 拆开讲清。

从 Context Engineering、RAG 到 Agent 与 Eval，课堂围绕正在构建的系统推进。

01Foundation + Context EngineeringP1-P2 · W1-W3
02RAG 全栈 + Capability LayerP3-P4 · W4-W6
03Agent Core + Multi-Agent + Memory + HarnessP5-P8 · W7-W10
04Model Layer + Observability + Fine-Tuning + P3 孵化P9-P10 · W11-W12 + Fine-Tuning + Career
02 · 互动验收

68 个互动 Lab，每一步都要跑通。

不是看完视频就算完成；代码、工具调用和评测结果都需要真实运行。

68 LABS
03 · 企业项目

12 周 P3，把技术训练变成可展示的交付。

4–6 人小组完成真实需求、评审和 Demo Day，留下能讲清设计判断的项目。

12 WEEKS · P3
// flagship · 三大 AGENT SDK 全栈对比

OpenAI · Claude · Google ADK — 三家全实操，毕业不被单厂锁死

$ ls ./agent-sdks/ // 3 frameworks · 同一场景 × 3 实现 · 对比 latency / cost / 工具调用 / 长上下文
OpenAI Agents SDK logo
// 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
OpenAI 于 2024 年 3 月发布的 Assistants API + 2025 年升级为正式 Agents SDK，是业界最早成熟的 Agent 编排框架。三件套 Assistants（角色 + instructions）+ Threads（多轮对话状态）+ Runs（执行循环）已成为生产部署事实标准，被 Stripe / Shopify / Notion AI 等公司采用。SDK 内置 Function Calling、Code Interpreter、File Search、Vision 四类工具，配合 OpenAI Realtime API 可直接做语音 Agent。本课程 Phase 5 教完整生命周期 — 创建 Assistant、Thread 状态管理、Run polling vs streaming、Tool decision loop 的取舍 — Project 3 用 Agents SDK 实现一个完整产品，对比 Anthropic / Google 同场景实现差异。
→ Phase 5 主讲 · Project 3 实操
Claude Agent SDK logo
// 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
Anthropic 2025 年 9 月发布的 Claude Agent SDK + 配套的 Claude Code harness 架构 + SubAgent 协议 + MCP (Model Context Protocol) 工具集成，是 2026 工程化最完整的方案。跟 OpenAI 不同，Claude Agent SDK 把 harness（agent 执行环境）和 protocol（工具协议）解耦 — SubAgent 是「智能体内嵌智能体」的标准 pattern，Custom Hooks 让你拦截 tool call / response 做日志/审核/缓存。MCP 已被 Cursor、Windsurf、Continue 等 IDE 采用为通用工具协议，2026 跨厂商 Agent 互操作的事实标准。本课程 Phase 5 + Phase 8 (Harness Engineering) 双 phase 覆盖，Project 4 让学员从零搭一个「Claude Code 增强版」工具链。
→ Phase 5+8 主讲 · Project 4 实操
Google Agent ADK logo
// google
Google Agent 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
Google 2025 年 Cloud Next 发布的 Agent Development Kit + Gemini 2.5 模型 (2M token 上下文窗口) + A2A 协议 (Agent-to-Agent communication) + Vertex AI 生产部署平台，是多模态原生的方案。跟 OpenAI / Anthropic 不同，ADK 的核心优势是 (1) Gemini 2M token 让 RAG 可以塞超长文档无需 chunk (2) 多模态 (图/视频/音频) 是 first-class citizen，不是后加的 (3) A2A 协议把 Specialist Agents (审计 / 翻译 / 摘要等专家智能体) 标准化互通。Vertex AI 提供 Managed Agent runtime，不用自己搭 infra。本课程 Phase 5+6 覆盖，Project 3 用 ADK 实现多模态 Agent (输入是 PDF + 视频，输出是结构化报告)。
→ Phase 5+6 主讲 · Project 3 实操
// skills-tower · 10-layer stack

毕业后你能掌握的 完整技术栈 · 从下到上 10 layer

$ stack --inspect // L01 Foundation → L10 Observability · 每层独立掌握 · 50+ 具体 tech
L01foundation
Foundation Layer
PythonLLM APITransformerML/DL BasicsModel SelectionTokenization
L02context
Context Engineering
Prompt StrategyContext WindowToken BudgetMulti-Turn StateSystem Design
L03rag
RAG · 检索增强生成
Vector SearchHybrid RetrievalRe-rankingGraphRAGKnowledge GraphChunk Strategy
L04capability
Capability Layer
Function CallingStructured OutputTool UseMCP ProtocolJSON Schema
L05agent
Agent Core — 三大 SDK
OpenAI Agents SDKClaude Agent SDKGoogle ADKAgent LoopTool Decision
L06multi-agent
Multi-Agent · 协作
A2A ProtocolOrchestrationHand-offSpecialist AgentsCoordination
L07memory
Memory System
Short-termLong-termEpisodicSemanticMemory Decay
L08harness
Harness Engineering
Claude CodeSubAgentCustom HooksMCP ToolsCLI Architecture
L09model
Model Layer
Cost OptimizationSelf-hostingQLoRAUnslothHuggingFaceOpen-source LLM
L10observability
Observability & Evals
LangSmithW&BCustom EvalsRegression TestToken Cost MonitorLatency P95
stack.compile() === production-ready AI Engineer · 跑得起 RAG · 编得动 Agent · 调得动 Eval
KILL POINTS · 7 DIFFS

vs 你能找到的所有 AI 培训 — 7 条核心差异化

KILL 01 · 体量
286 节课 · 68 互动 Lab · 59 直播
体量不是同一量级的产品
  • 10 阶段分层 + 7 实战项目 + 12 周 P3
  • 学完手握 7 个 GitHub repo + 1 个甲方项目
  • 课时 / Lab / 直播 / 项目 全面碾压单门 workshop
展开完整说明
远超任何 OpenAI / LangChain 一日 workshop 或 Coursera 30-50 lesson 单门课。结构: Pre-work 10 个 Lab (Python / Git / AWS / Linux / SQL 各 2) 摸底打底 → 10 phase 分层覆盖 (Foundation / Context / RAG / Capability / Agent Core / Multi-Agent / Memory / Harness / Model / Observability) → 7 实战项目贯穿 + 12 周 P3 capstone。学完手里有 7 个 GitHub repo + 1 个甲方背书项目，简历直接能投。对比维度: 课时 (286 vs 50) / Lab (68 vs 0) / 直播 (59 vs 0-12) / 项目 (7 vs 1-2) — 不是同一量级的产品。
KILL 02 · 第 5 期重构
4 → 10 phases · 课时 +79%
课程跟得上市场，不是口号
  • Agent 模块从 1 phase 拆成 5 个独立 phase
  • 新增 62 个互动 Lab + Memory / Harness 两个新 phase
  • 每期 cohort 复盘删过期内容、补新趋势
展开完整说明
第四期 (2025 上半年) 96 节课压在 4 phase 里粗讲: GenAI 基础 / RAG / AI Agents / 模型优化。2025 年 OpenAI Agents SDK + Claude Agent SDK + Google ADK 三家先后落地，老结构已经撑不住。第五期把 Agent 模块从 1 phase 拆到 5 个独立 phase (Capability / Agent Core / Multi-Agent / Memory / Harness)，新增 62 个互动 Lab + Memory System 和 Harness Engineering 两个全新 phase，总课时从 96 → 172 (+79%)。每次 cohort 复盘都把过期内容删掉、新趋势加上，课程跟得上市场不是口号。
KILL 03 · 三家 SDK 全栈
OpenAI · Claude · Google Agent SDK 全实操
不被单一厂商锁死
  • 三家并排实操，同场景各实现一次
  • 对比响应质量 / 工具调用 / token cost / 部署
  • 毕业能做技术选型 —— 面试系统设计核心题
展开完整说明
不只学一家。OpenAI Agents SDK (Assistants + Threads + Runs) / Anthropic Claude Agent SDK (Code harness + SubAgent + MCP) / Google ADK (Gemini 2M token + A2A + Vertex AI) 三家并排实操，配合 A2A 协议跨智能体互通 + MCP 跨厂商工具协议集成。Project 3 同一场景用三家各实现一次，对比响应质量 / 工具调用准确度 / token cost / 部署复杂度。毕业能根据 cost / latency / 多模态需求 / 工具生态做技术选型 — 这是 AI Engineer 面试系统设计题的核心能力，被单一厂商锁死的工程师在市场上贬值很快。
KILL 04 · 7 个简历项目
贯穿全课程的实战项目
毕业即简历 7 个 production 项目
  • RAG / GraphRAG / Multi-Agent / Harness / Eval / Fine-Tuning / P3
  • 每个都是 production 架构，不是 hello world demo
  • 面试直接 share screen 走代码，不讲 PPT
展开完整说明
不是 hello world demo。7 个项目都是 production-ready 架构: (1) 端到端 RAG 知识库 (多源摄取 + embedding + 向量检索 + re-ranking) (2) GraphRAG 多源知识图谱 (Neo4j + LangGraph 混合检索) (3) Multi-Agent 应用 (三 SDK 并排对比同场景) (4) Claude Code Harness 工具链 (SubAgent + MCP + Custom Hooks) (5) AI Eval Pipeline (LangSmith + 自定义 metric + regression test) (6) QLoRA Fine-Tuning case (从 dataset 到部署) (7) 12 周 P3 企业项目 capstone。毕业即简历 7 个 GitHub repo + demo URL，面试时直接 share screen 走代码不是讲 ppt。
KILL 05 · 12 周 P3 孵化
12 周技术 + 12 周企业项目
学完不结束，真甲方项目背书
  • 匠人 P3 合作 30+ 中小企业 / startup
  • 4-6 人小组协作 + 教练每周 1:1
  • Demo Day 甲方评审 + 简历公司背书
展开完整说明
学完不结束。Phase 11 Career Coaching + 12 周 P3 (Project-based Practice Program) 真实企业项目带你跑: 真实甲方需求 (匠人 P3 合作 30+ 中小企业 / startup / Series A-B 公司) → 架构设计 → 4-6 人小组协作 (PR review / sprint planning / daily standup) → 教练 mentor 每周 1:1 → Demo Day 甲方评审。毕业时简历不只有课程项目，还有真实企业项目背书 + 甲方公司 logo (具体甲方因 NDA 申请通过后才发当期 list)。市面上其他 AI 课程的“项目”99% 是模拟需求，P3 是匠人内部已跑 5 年的工程师实战项目协作机制。
KILL 06 · 现役工程师导师
Meta / Microsoft / Amazon 现役工程师
一线在职工程师，不是培训讲师
  • 来自 Meta / MS / Amazon / Stripe / Atlassian 在职团队
  • 讲的是当前 production 在跑的版本
  • Office Hour 直接问真实 bug + 校友内推
展开完整说明
导师全部一线在职 AI 工程师 — 不是培训讲师 / 不是退休 lecturer / 不是 Udemy “expert”。来自 Meta GenAI / Microsoft Copilot / Amazon Bedrock / Stripe AI / Atlassian Rovo / Canva AI / Macquarie Tech 等公司在职团队。优势: (1) 课程刚做完的工程师同款思路，prompt + 架构都是当前 production 在跑的版本，不是 1 年前的 (2) 学员遇到 production bug 直接 Office Hour 问，回答都是去年上周的真实场景 (3) 导师顺便看简历 + 推荐校友内推，不少校友 offer 是从导师朋友圈出来的。完整 Faculty 名单 + LinkedIn + 现任公司 + 主讲 Phase 申请通过后 24h 内发 PDF 验证。
KILL 07 · 4 期校友迭代
已开到第 5 期 · 持续 4 期校友反馈打磨
200+ 人验证过的课，不是新课
  • 4 期校友反馈直接驱动第 5 期 10 phase 重构
  • 所有 Lab 跑过 200+ 学员压测，平均完成 78%
  • 30+ 校友真实 offer 反推内容（见 offer 墙）
展开完整说明
不是新课。第 01 期 (2024 Q1) / 02 期 / 04 期校友的真实反馈直接驱动了第 5 期的 10 phase 重构 — 哪个 phase 节奏太快、哪个 Lab 学员普遍卡 2h+、哪个项目 demo 给面试官最有效果，全部在 outline 里调过 5 轮。课程内容已经过 200+ 人真实学习验证 + 30+ 校友真实 offer 反推 (详见 ALUMNI OFFERS section 里 Senior SWE TFR $212,800 / Macquarie Senior Associate / EY Senior Consultant - AI Engineer 等真实记录)。新课最大风险是「老师讲得爽学员学不动」，第 5 期所有 Lab 都跑过 200+ 学员压力测试，平均完成度 78%。
课程大纲 · SYLLABUS

10 个 Phase · 172 课时 · 从 Foundation 到 Observability 全栈打通

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
// 含每节课名 · L01–L10 完整 172 课时列表
git diff · v4..v5+76 节课 · +79% · 4 → 10 phases · 这门课的迭代速度跟得上 AI 行业的速度
AI 工程领域 12 个月发生的变化比过去 5 年加起来还多。Claude Code / MCP / SubAgent / Agent Memory 这些 2026 核心能力，2025 年课程提都没提过。第 5 期把 4 phase 拆成 10，让课程跟得上行业。
v1 · 第四期
96 lessons · 4 phases
LIVE 52 · INFO 44 · LAB 0 · QUEST 0 · VIDEO 0

P1 · GenAI 基础 + Context Eng: 20P2 · RAG 系统全栈开发: 29P3 · AI Agents 工程化: 25P4 · 模型优化 + Evals + 毕业: 22
- 4 个 phase 把 Agent / Memory / Harness 全揉一起 · 0 个 Lab · 没有 Claude Code 工具链实操
v2 · 第五期 ✦
172 lessons · 10 phases
LIVE 59 · INFO 46 · LAB 62 · QUEST 1 · VIDEO 4

P1 · Foundation Layer: 33P2 · Context Engineering: 18P3 · RAG: 45P4 · Capability Layer: 11P5 · Agent Core: 9P6 · Multi-Agent: 11P7 · Memory System 🆕: 2P8 · Harness Engineering 🆕: 8P9 · Model Layer: 18P10 · Observability & Evals: 17
+ 62 个 Lab 独立成课 · 新增 Memory / Harness 两个 phase · 覆盖 Claude Code 架构 / SubAgent / MCP 2026 核心能力
$ git log --stat v4..v5 → +76 节课 · +79% · 4 → 10 phases · 不是 minor revision，是把 Agent 模块从 1 phase 拆到 5 phase 的大重构。
7 RESUME PROJECTS不是 hello world demo — 毕业即 7 个 GitHub repo 可放简历
01
01
PROJECT 1

端到端 RAG 知识库系统

面试出现频率第一的项目
  • 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
完整 RAG pipeline 从 0 到 production: 多源文档摄取 (PDF / Notion / Confluence / GitHub markdown) → chunk 策略 (semantic vs fixed-size 对比) → embedding (OpenAI text-embedding-3-large vs Cohere embed-v3) → 向量检索 (Pinecone / Qdrant / pgvector 三选一实操) → re-ranking (Cohere Rerank / BGE) → context window 优化 → LLM 回答生成。配合 Streamlit / Next.js 前端，可部署到 Vercel + Railway 给面试官 demo URL。这是 AI Engineer 面试出现频率第一的项目，问 “你做过 RAG 吗” 时你能展示生产级架构图 + GitHub repo + 真实 demo。
stack
PythonOpenAIPinecone/QdrantStreamlitCohere Rerank
02
02
PROJECT 2

GraphRAG 多源知识图谱

比普通 RAG 高一层的检索方案
  • 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
比普通 RAG 高一层的检索方案。Neo4j 图数据库存 entity + relation → LLM (Claude / GPT-4o) 从原文档抽取 entity 三元组 (subject, predicate, object) → 混合检索 (向量近似 top-k + 图遍历 N hop) → LLM 综合回答。GraphRAG 在复杂查询场景 (跨文档关联 / 因果链 / 时间序列) 远超普通 RAG，是 Microsoft Research 2024 论文 GraphRAG 的工程化复现。本课用 LangGraph 编排检索流程，是 2026 production 级 RAG 的 moat — 普通 RAG 已经成为 commodity，能做 GraphRAG 才有差异化。
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
同一业务场景 (比如「智能客服 escalation 系统」: 分类 Agent + 知识库查询 Agent + 升级判断 Agent + 回复生成 Agent) 用 OpenAI Agents SDK / Anthropic Claude Agent SDK / Google ADK 三家分别实现一次。对比维度: (1) 响应质量 (用 LangSmith eval 跑 50 个真实 case) (2) 工具调用准确度 (correct tool call rate) (3) 端到端 latency (P50 / P95) (4) token cost (per request avg) (5) 部署复杂度。配合 A2A 协议跨 Agent 互通。简历上直接 demo SDK 选型能力 — 面试官最爱问 “你们为什么选 X 不选 Y” 时你有数据答。
stack
OpenAI Agents SDKClaude Agent SDKGoogle ADKA2ALangSmith
04
04
PROJECT 4

Claude Code Harness 工具链

中文世界第一门系统讲这个的课
  • SubAgent + MCP server + Custom Hooks
  • 短期 / 长期 / episodic 三层 Memory 架构
  • 对口 Anthropic / Cursor / Windsurf 核心岗
展开完整说明
从 0 搭建一个 production 级的 Claude Code 增强版 harness。SubAgent (智能体内嵌智能体的标准 pattern) + MCP 工具协议集成 (TypeScript MCP server 暴露自定义工具) + Custom Hooks (拦截 tool call 做日志 / 审核 / 缓存 / cost 控制) + Memory System (短期 + 长期 + episodic 三层架构)。这是 Anthropic 在 2025 年定义的 Agent harness 工程化标准，会做这个的工程师在 Anthropic / Cursor / Windsurf / Continue / Cline 这类 IDE 团队是核心岗位 (起薪 USD 200k+)。澳洲市场刚开始招这类工程师，本课程是中文世界第一门系统讲这个的。
stack
Claude CodeMCP ProtocolSubAgentTypeScriptCustom Hooks
05
05
PROJECT 5

AI Eval Pipeline

工程师 vs prompt engineer 的分水岭
  • 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
production AI 应用最容易被忽略也最致命的环节 — 没 eval 你不知道 prompt 改了之后回答变好还是变坏。Pipeline 完整链路: 数据集准备 (生产日志采样 + 人工标注 + adversarial case) → eval metric 定义 (BLEU / ROUGE / LLM-as-judge / 自定义 rubric) → regression test 框架 (每次 prompt 变更跑 baseline 对比) → LangSmith / W&B 平台集成 + CI/CD 接入。面试 senior AI Engineer 必问 “你们怎么测试 LLM 质量 / 怎么防止 regression”，没做过 eval pipeline 的工程师答不出来直接挂。本 project 是工程师 vs prompt engineer 的分水岭。
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
开源 LLM 定制化能力，比 prompt engineering 高一层。完整流程: dataset 准备 (从原始数据清洗到 instruction-tuning format) → 选基座模型 (Llama 3.1 / Mistral / Qwen 对比) → QLoRA 4-bit 量化微调 (节省 70% GPU 内存) → Unsloth 加速训练 (2x throughput vs 原生 HuggingFace) → 评估 (eval set perplexity + 下游任务准确度) → 部署 (vLLM 推理 / Ollama 本地 / Replicate 云端)。适合做 (a) 垂直领域 LLM (法律 / 医疗 / 金融) (b) 风格定制 (品牌口吻 / 客服规范) (c) 提速降本 (Llama 3.1-8B fine-tuned 替代 GPT-4 在特定场景能省 90% cost)。
stack
QLoRAUnslothHuggingFaceLlama 3.1vLLM
07
07
PROJECT 7

P3 企业项目 (12 周 capstone)

团队 + 真甲方背书的差异化资产
  • 匹配 30+ 中小企业 / startup 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
前 6 个项目是个人能力证明，P3 是团队 + 真实甲方背书的差异化资产。流程: 申请进 P3 (技术面试 + 协作面试) → 匹配甲方需求 (匠人 P3 合作 30+ 中小企业 / startup / Series A-B / 传统行业数字化转型) → 4-6 人小组 + 1 教练 mentor → 12 周完整 sprint: 需求 → 架构设计 → MVP → 迭代 → Demo Day 给甲方 → 真实交付。区别于其他 bootcamp 的「假项目」: 甲方有真实 PRD 和 deadline，做不好甲方有反馈 / 做得好甲方写 LinkedIn endorsement + 内推。毕业时简历上是「为 [甲方公司名] 设计并实现了 [系统]」，是面试官最爱看的 social proof。
stack
真实甲方教练 mentor12 周 sprintDemo DayP3 program
7 个项目都是贯穿课程的实战练习, 不是课后附加题。每个项目有 PR review + Lab 自动测试 + Demo Day 评审 — 完成度 = 简历可信度
FACULTY · ACTIVE ENGINEERS导师来自 Meta / Microsoft / Amazon 等一线 AI 团队 (不是培训讲师)
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
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
Technical Lead
T
Technical Lead
Tony Wang
现役 AI 工程师，主讲实战章节与项目 review
完整 Faculty 名单 + LinkedIn + 现任公司 + 主讲 Phase 在申请审核通过后 24h 内发完整 PDF · 开课第一天每位导师课前自我介绍 (录像可回看)
CAREER OUTCOME目标岗位 + 12 周 P3 企业项目 + Career Coaching = 从 compile 到 deploy 的闭环
这门课的终点不是发结课证书。12 周技术 + 12 周 P3 孵化 + Career Coaching 设计成一条完整的就业路径 — 毕业时你手里有项目 + 真实甲方背书 + 简历 review + 内推渠道。
target_role
AI Engineer
production AI 应用工程师 · LLM + Agent + RAG 全栈
target_role
AI Agent Developer
专注 Multi-Agent 系统设计 · A2A / MCP / 工具链
target_role
AI Eval Engineer
AI 质量 / regression / observability 专家
target_role
LLM Engineer
模型选型 / Fine-Tuning / 部署 / cost 优化
P3 · 12 weeks
12 周 P3 企业项目孵化
学完 12 周技术课程后，进入 P3 阶段。真实甲方需求 + 教练 mentor + 团队协作 + Demo Day。毕业时简历不只有课程项目（7 个），还有真实企业项目背书。
  • 真实甲方需求 (不是模拟项目)
  • 团队 4-6 人协作 (PR review / sprint / daily standup)
  • 教练 mentor 每周 1:1
  • Demo Day 评审 + 简历 endorsement
career_coaching
Career Coaching 模块
简历 review (聚焦 AI 项目呈现) + 面试准备 (system design / coding / 行为面试) + 内推渠道 (校友 + 合作公司)
  • AI Engineer 专属简历模板 + review
  • AI System Design 面试题库 + mock interview
  • 内推渠道 (校友 200+ in Meta/MS/Amazon/Stripe etc)
  • Offer negotiation 1:1 (level / package / signing bonus)
ALUMNI OFFERS · COHORT 04第 4 期校友真实就业 offer — 隐私已打码 + 匠人水印齐全
// 第 4 期校友真实就业记录 · 隐私已打码 + 匠人学院水印 · 仅为事实陈述不构成任何就业 / 薪资 / 入职承诺 · 个体结果取决于自身基础与努力
第 4 期校友 · 2025-12 issue · Senior Software Engineer
第 4 期校友 · 2025-12 issue
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 · loc: Sydney
第 4 期校友 · 2026-03 issue · AI Engineer (Software)
第 4 期校友 · 2026-03 issue
Full-time offer letter
AI Engineer (Software)
// 匿名雇主 · Full-time AI Engineer (Software) position
第 4 期校友 · Senior Associate · Corporate Operations
第 4 期校友
Macquarie Group · Sydney
Senior Associate · Corporate Operations
// Macquarie Group Services Australia Pty Ltd 真实 offer letter
第 4 期校友 · 2026-05 · 同一同学 · 同期 2 offer 真实对话
第 4 期校友 · 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
#project-meta-town-ai · 我下周入职，感谢龙哥与大家的悉心教导
COHORT VIBE · POST-GRAD
#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
// 校友 cohort Slack 真实截图 · 入职前后社区延续 · 不仅是培训交付完即散
PRICING · 3 TIERSAI Engineer训练营 07期统一价 · 三档差异化定价 BD 即将上架
$ db.programs.find(phase=7)
AI Engineer训练营 07期
// 数据库实时取价 · enrollment 走这个价格
$3,850
// tuition · 原价
// 不报名也要花的钱 — 同等深度的替代方案真实市场价
  • 同等深度的英文 bootcamp (Coursera / Udacity AI Nanodegree): $2-5k USD · 全英文无 1:1
  • 美国 AI Engineer 培训 (Reforge / Maven 类): $3-8k USD · 1-2 月短训
  • 请 senior AI 工程师做 1:1 mentor 6 个月: $300-500/h × 24 = $7-12k AUD
  • 自学 + 撞墙 + 项目无人 review: 6-12 个月时间 + 转岗机会成本 $30-50k
  • 澳洲华人 AI 培训竞品 (基础课): $1.5-3k AUD · 内容多为 ChatGPT API 入门
合计 $10-30k AUD + 6-12 个月时间 + 没人 review · 打包到一门课 = 286 lessons + 68 labs + 7 projects + P3 + Career Coaching
RISK REVERSAL · 4 COMMITS报名前你担心的, 这里写清楚 — 4 条 trust commitment
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
免费回流下一期 (满足条件)
完成 80% 课程但因工作 / 个人原因没跟上当期节奏，下一期同档位免费回流补完 (Office Hour 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
FAQ · 12 QUESTIONS

报名前最常被问的 12 个问题 — 含薪资 / 求职 / 转行 SEO 长尾

Seek 上澳洲 AI Engineer / AI Agent Developer / LLM Engineer 三类岗位常年活跃约 600-900 个，集中在 Sydney / Melbourne 金融科技 + 大企业 + 咨询四大。Junior AI Engineer 起薪 $90-130k AUD，3-5 年 senior $160-220k AUD，资深技术专家可达 $250k+。第 4 期校友真实 offer 含 Senior SWE TFR $212,800 (Sydney 上市公司)、Macquarie Group Senior Associate、EY Senior Consultant - AI Engineer 等真实记录（详见上方 ALUMNI OFFERS 墙）。注意: 个体结果取决于自身基础与努力，不代表所有同学都能拿同等 offer。
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。
第五期是大重构 — 把第四期 4 phase 96 lessons 拆成 10 phase 172 lessons + 新增 62 个互动 Lab + Memory System / Harness Engineering 两个全新 phase 覆盖 Claude Code 工具链。课程内容相比第四期 +79%，把 Agent 模块从 1 phase 拆到 5 phase (Capability / Agent Core / Multi-Agent / Memory / Harness)。这是为了跟上 2026 OpenAI Agents SDK 1.0 / Claude Agent SDK / Google ADK 三大厂同时落地的速度，老课程已经不够用。
不是「学哪个」是「全学」。三家在不同场景各有优势: OpenAI Assistants API 生产部署事实标准 / Claude Agent SDK + Code harness 工程化最完整 / Google ADK + Gemini 2M token + Vertex AI 多模态原生。本课程 Phase 5 三家并排实操对比，Project 3 同一场景用三家各实现一次。毕业后能根据 cost / latency / 多模态 / 工具调用需求做技术选型 — 这是面试系统设计题的核心能力。详见上方 AGENT SPOTLIGHT 三家对比卡。
三个层面: (1) 体量 — 286 lessons / 68 Lab / 12 + 12 周 vs 单门课 4-6 周 30-50 lessons。(2) 深度 — 不止 prompt engineering，覆盖 RAG / GraphRAG / Multi-Agent / Memory / Harness / Fine-Tuning / Eval 全栈 10 layer (详见上方 STACK TOWER)。(3) 交付 — 7 个简历项目 + 12 周 P3 真实企业项目 + Career Coaching 1:1 + 校友内推渠道，不是看完视频就完。Coursera 适合补单点知识，本课程是工程师就业班。
是。匠人 P3 程序合作 30+ 中小企业 / startup (含已上市 AU/CN 公司、Series A-B 创业公司、传统行业数字化转型项目)，每期 cohort 分配 4-8 个真实项目。教练 mentor 跟你一起做架构设计 / PR review / sprint planning / Demo Day。简历上写的是真实项目背书 + 甲方公司 logo，不是“模拟项目”。具体甲方名单因 NDA 不公开，申请审核通过后 24h 内邮件发当期合作甲方 List。
是。Faculty 全部现役一线工程师 (不是培训讲师 / 不是退休 lecturer)，来自 Meta / Microsoft / Amazon / Stripe / Atlassian / Canva / Macquarie Tech 等公司在职工程师。完整 Faculty 名单 + LinkedIn 链接 + 现任公司 + 工作年限 + 主讲 Phase 在申请审核通过后 24h 内发 PDF 验证。开课第一天每位导师课前自我介绍 (录像可回看)。导师课程刚做完的工程师同款思路，遇到 production bug 直接问。
不保证。能保证的是: (1) 简历有 7 个可放的实战项目 (RAG / GraphRAG / Multi-Agent / Claude Code Harness / Eval Pipeline / Fine-Tuning / P3 企业项目) + GitHub repo (2) Career Coaching 1:1 改简历 + AI System Design mock interview + 行为面试 (3) 内推渠道（200+ 校友在 Meta / MS / Amazon / Stripe / Atlassian / Macquarie + 合作公司）。剩下要看你自己的 leetcode / system design / 准备程度 — 我们提供资源不替你面试。第 4 期校友真实 offer 记录详见上方 ALUMNI OFFERS。
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 偏模型训练 + 部署 ML pipeline + MLOps，需要深入 PyTorch / TensorFlow / 统计学。Data Scientist 偏数据分析 + 业务建模 + A/B test，需要 SQL + Python + 统计。**AI Engineer 是 2024 后新出现的工种**，定位 production AI 应用工程师 — 用 LLM API / Agent SDK / RAG 把 AI 能力工程化集成到产品里，技能栈偏全栈工程 + LLM 集成 + Agent 编排，不需要深入训练大模型 (Fine-Tuning 用 QLoRA + Unsloth 即可)。这是本课程的核心定位。
当前第 5 期统一价 $3,000 AUD（详见上方 PRICING banner，从 training 数据库实时取价）。第 6 期会上架自学档 / 教学档 / 陪跑档三档差异化定价，admin 录入后自动显示。审核制录取 24-48h 反馈，通过后 7-14 天开课 (cohort 制)。分期方案 6 期 / 12 期需联系课程顾问。一周内不满意 100% 退款 (含已交学费 + 报名手续费，邮件回执即可，无需说明理由)。

准备好把 12+12 周 · 286 lessons · 68 labs · 7 projects 收入囊中

$ cohort_05.apply() // 申请审核制 · 24-48h 审核 · 招生中
AI Engineer Bootcamp · cohort 05
286 lessons · 12+12w·application required