学习路线

面向对象编程

理解类与对象、继承、多态、封装等 OOP 核心概念，掌握 Python 中的面向对象设计。

Python 进阶特性

学习装饰器、生成器、上下文管理器、迭代器等 Python 高级特性，提升代码质量和开发效率。

科学计算库入门

初步了解 NumPy 数值计算、Pandas 数据处理、Matplotlib 数据可视化等 AI 开发必备库。

阶段0：开发环境与Python Web基础

第一天具备开发环境，快速具备 AI 后端服务开发能力。从 Python 环境搭建到 FastAPI 开发，掌握 AI 开发必备的基础设施。

Python 环境搭建

安装 Python 3.10+，使用 venv 创建虚拟环境，pip 管理依赖。

Python 快速入门

只学 AI 开发需要的部分：变量、条件、循环、函数；list、dict、tuple 数据结构；class 与 object 基础；package、import、exception 工程能力。

FastAPI 开发（核心）

直接用 Python 写 AI 后端服务。掌握项目结构、GET/POST 接口、Pydantic 参数校验、JSON 返回、文件上传。

数据库与缓存

学习 SQLite + ORM 的 CRUD 操作，了解 Redis 缓存和 Session 管理。

阶段2：大模型应用基础

知道大模型是什么、如何使用。大幅压缩理论内容，聚焦应用开发者所需的核心概念：LLM、Token、Embedding，为后续开发打好基础。

什么是 LLM

简单理解大语言模型的核心概念，了解 GPT、Claude、Gemini、Qwen、DeepSeek 等主流模型的特点和适用场景。

Transformer 简介

只需要理解文本 → Token → 模型计算 → 预测下一个 Token → 生成文本的基本流程，不深入数学推导和 Attention 公式。

Token 与成本

理解 Token 是什么、为什么按 Token 收费、输入和输出 Token 的区别、如何通过控制上下文长度来优化成本。

Embedding 向量嵌入

理解把文本转换成向量的概念和用途，为后续 RAG 检索增强生成阶段做准备。知道如何用 Embedding 做语义搜索。

阶段3：LLM 应用开发

成为真正的 AI 应用开发者。掌握各大模型 API 调用、对话系统构建、Function Calling 工具调用和 Structured Output 结构化输出。

LLM API 调用

学习 OpenAI API、Claude API、DeepSeek API 的调用方式，掌握 Chat Completion、Streaming 流式输出、Temperature 参数调优。

对话系统构建

学习 Conversation History 对话历史管理、Context 上下文窗口管理，实现多轮对话能力。完成 ChatGPT 简易版项目。

Function Calling 工具调用（重点）

学习让 AI 调用业务能力：定义 Function Schema、解析调用参数、执行函数并将结果返回给 LLM。实战案例：AI 自动查询订单。

Structured Output 结构化输出

让 AI 输出结构化 JSON 数据，应用于信息抽取、自动表单填写、报告生成等场景。学习 JSON Mode 和 Pydantic Schema 约束。

大模型应用开发实战

将大模型能力落地为实际应用。涵盖 API 调用优化、流式输出、上下文管理、多模态应用、模型部署与监控等工程实践。

大模型 API 集成

掌握 OpenAI、Claude、国产大模型等 API 的调用方法，理解参数配置（temperature、top_p、max_tokens）对输出质量的影响。

流式输出与实时交互

实现 SSE（Server-Sent Events）流式响应，优化用户体验，处理 token 级别的实时渲染。

上下文窗口管理

管理长对话的上下文：滑动窗口、摘要压缩、重要信息提取、token 计数与预算控制。

多模态应用开发

整合文本、图像、语音、视频等多模态能力，构建丰富的 AI 交互体验。

阶段4：Prompt Engineering

系统提升 AI 应用的输出效果。掌握 Prompt 基础四要素和 Few Shot、Chain of Thought、ReAct 等高级技巧，完成 AI 代码助手项目。

Prompt 基础四要素

系统学习 Role（角色设定）、Instruction（指令约束）、Context（上下文信息）、Example（示例引导）四大 Prompt 组成要素，掌握高质量 Prompt 的编写方法。

高级提示技巧

了解 Few Shot 少样本提示、Chain of Thought 思维链推理、ReAct 推理-行动模式等高级提示技术，提升复杂任务的处理能力。

项目实战：AI 代码助手

综合运用 Prompt 技术开发一个 AI 代码助手：代码解释、代码审查建议、Bug 修复建议、代码优化。

阶段5：AI 应用开发框架

不要重复造轮子。掌握 LangChain、LangGraph、LlamaIndex 三大主流框架，了解 Dify/Coze 低代码 AI 平台，大幅提升开发效率。

LangChain 框架

掌握 Prompt Template 模板管理、Chain 链式调用、Retriever 检索器、Agent 智能体等核心组件，理解 LCEL 表达式语言。

LangGraph 工作流

掌握 State 状态管理和 Workflow 工作流设计，构建包含条件分支、循环、并行执行等复杂逻辑的 AI 应用。

LlamaIndex 数据框架

掌握 LlamaIndex 的数据连接能力：多源数据加载、索引构建、查询引擎，实现高效的数据检索和问答。

Dify / Coze 低代码平台

了解低代码 AI 应用平台的使用方式，学会用可视化方式快速搭建 AI 应用原型，适用于快速验证和不需复杂定制的场景。

阶段6：RAG 企业知识库开发（核心）

招聘重点！开发企业最常见的 AI 应用——知识库问答系统。掌握文档解析、向量数据库、检索优化全链路技术。

RAG 核心流程

理解用户问题 → Embedding 向量化 → 向量搜索 → 相关文档 → LLM 回答的完整 RAG 流程，建立端到端认知。

文档解析与处理

学习 PDF 解析（PyPDF2、pdfplumber）、Word 解析（python-docx）、Markdown 解析，掌握文档加载、文本清洗、分块策略。

向量数据库

掌握至少一个主流向量数据库（Milvus/Elasticsearch），了解 FAISS、Chroma 等轻量级方案，理解向量索引和相似度搜索原理。

RAG 优化技巧（重点）

掌握 Chunk 分块策略优化、Rerank 重排序、Query Rewrite 查询重写、Hybrid Search 混合检索等进阶优化技术，大幅提升检索准确率。

阶段7：Agent 智能体开发

开发能自动执行任务的 AI。掌握 Agent 四大组件、Tool Calling 工具集成、Workflow Agent 工作流设计、Multi Agent 多智能体协作。

Agent 架构设计

理解 Agent = LLM + Memory + Tools + Planning 四大核心组件，掌握 Agent 的思考-行动-观察循环模式。

Tool Calling 工具调用

掌握自定义 Tool 的开发与注册，实现 Agent 与外部系统（API、数据库、文件系统等）的交互能力。

Workflow Agent 工作流设计

学习基于 LangGraph 构建有状态的工作流 Agent，包含条件路由、循环执行、并行任务、人工审核节点等。

Multi Agent 多智能体协作

学习多 Agent 系统的设计模式：角色分工、消息传递、任务委派、协作决策。了解 AutoGen 等多 Agent 框架。

阶段8：AI 应用工程化

企业级区别点。掌握 AI 应用架构设计、性能优化、成本控制、安全防护等工程化能力，将 Demo 变为生产级系统。

AI 应用架构设计

设计前端 → 后端 → AI 服务 → RAG → 向量数据库 → LLM 的分层架构，理解各层职责和通信方式。

性能优化

学习 Streaming 流式响应、多级 Cache 缓存策略（结果缓存、Embedding 缓存）、Async 异步处理，提升系统响应速度和吞吐量。

成本控制

学习 Token 用量监控与优化、模型选择策略（大小模型分级调用）、Prompt 压缩，将 API 调用成本控制在合理范围内。

安全防护

学习 Prompt Injection 注入攻击防御、权限控制（用户级/知识库级数据隔离）、内容安全过滤、敏感信息脱敏。

阶段9：企业级 AI 项目实战

必须做完整项目。通过 4 个企业级实战项目将所学技术融会贯通，积累可展示的项目经验，提升求职竞争力。

项目一：企业知识库平台

开发完整的企业知识库问答平台。技术栈：FastAPI + LangChain + Milvus + React。功能包含文档上传解析、知识库管理、权限控制、RAG 智能问答、引用溯源。

项目二：AI 客服系统

开发智能客服系统。技术栈：FastAPI + LangGraph + Agent + PostgreSQL。功能包含多轮对话、意图识别、Agent 工具调用、人工转接、对话分析。

项目三：AI 代码助手

开发 AI 代码助手工具。技术栈：FastAPI + LangChain + GitPython。功能包含 Git 仓库代码分析、代码审查（Code Review）、Bug 检测、代码优化建议。

项目四：AI 数据分析助手

开发自然语言数据分析助手。技术栈：FastAPI + LangChain + SQLAlchemy。功能包含自然语言转 SQL、自动数据查询、可视化图表生成、分析报告输出。

阶段10：AI 应用工程师面试

重点不是背算法，而是展示企业应用设计能力。梳理 LLM、RAG、Agent、系统设计四大面试方向的核心考点。

LLM 基础面试题

掌握核心概念面试题：Token 是什么？如何控制 API 调用成本？Temperature 参数的作用？模型选型策略？

RAG 面试题

掌握 RAG 核心面试题：为什么需要 RAG？RAG 和微调的区别？如何提高 RAG 准确率？Chunk 策略如何选择？Rerank 的作用？

Agent 面试题

掌握 Agent 核心面试题：Agent 如何调用外部工具？Agent 和普通 Chat 的区别？多 Agent 如何协作？如何处理 Agent 的错误决策？

系统设计面试

掌握典型 AI 系统设计题：设计企业智能客服系统——包含架构设计、技术选型、容量规划、高可用方案、成本估算。