使用 LLM 构建生产级 AI 系统。掌握 OpenAI API、向量数据库、RAG 管道、函数调用、MCP 和多代理编排。本课程包含 30 门循序渐进的迷你课程，从零基础 (A1) 到高级 (B2)，每节课短小精悍，配有快速测验来巩固每个概念。
你将从基础知识开始，逐步深入中级和高级主题，每门课程都建立在前一门课程的基础上。每节课都很实用，包含真实示例，需要帮助时可以获得 AI 导师的支持。
每门课程分为四节专题课。每天完成几节课，你将在几周内而不是几个月内掌握整个课程。
用 AI 工具和功能为你的学习加速
AI Engineering Academy 学习路径中的所有课程。
从概念层面理解大型语言模型的架构与能力。学习 Transformer、注意力机制和训练数据如何塑造现代人工智能。了解 LLM 能做什么、不能做什么，从第一天起建立切合实际的预期。
配置 Python 环境，向 OpenAI 发出您的第一次真实 API 调用。学习聊天补全端点，理解请求和响应结构，并妥善处理错误。课程结束时，您将拥有一个可以与 LLM 对话的可运行脚本。
理解 LLM 如何通过令牌处理文本，以及上下文窗口如何限制模型一次能够考虑的内容。学习在 API 成本带来意外之前对其进行估算和控制。通过真实的 Python 示例培养对令牌数量的直觉。
让 LLM 返回应用程序能够可靠解析的机器可读 JSON。学习 OpenAI 的 JSON 模式、使用 Pydantic 模式的结构化输出以及验证模式。停止编写脆弱的字符串解析代码，开始获得可预测的数据。
了解文本嵌入如何将单词和句子转换为能够表达语义的数值向量。学习使用 OpenAI API 生成嵌入，并将其用于相似度搜索、聚类和分类。嵌入是每个 RAG 系统的基础。
超越内存中的相似度搜索，将数百万个向量存储在可用于生产环境的数据库中。学习配置 Pinecone 和 pgvector、为文档建立索引，并大规模执行近似最近邻查询。为您的项目选择合适的向量存储。
理解 RAG 存在的原因，以及它如何解决纯 LLM 面临的知识截止和幻觉问题。学习先检索后生成的核心模式，了解各个组件如何连接。课程结束时，您将在构建 RAG 流水线之前理解其中的每个组成部分。
从零开始用 Python 构建一个可运行的端到端 RAG 系统。导入 PDF 文档，对文档分块并生成嵌入，将向量存入数据库，为用户查询检索相关分块，并生成有依据的回答。课程结束时，您将拥有一个可部署的问答系统。
学习如何衡量您的 RAG 流水线是否真正有效。实现精确率和召回率等检索指标、忠实度和相关性等生成指标，并构建自动化评估工具。停止猜测，开始进行量化评估。
掌握 LangChain 的 LCEL（LangChain 表达式语言），使用可复用组件组合 LLM 流水线。学习可运行对象接口，构建顺序链和分支链，并理解 LangChain 的抽象如何简化复杂工作流。
为 LangChain 应用添加持久化记忆，让多轮对话保持连贯。学习不同的记忆策略，将聊天历史存储在数据库中，并管理上下文保留与令牌成本之间的权衡。
构建能够判断下一步调用哪个工具、执行操作、观察结果并不断迭代直到任务完成的智能体。理解 ReAct（推理 + 行动）框架，并实现能够搜索网页、运行代码和查询数据库的智能体。
使用 OpenAI 原生的函数调用功能，从自然语言中可靠地提取结构化数据并触发应用程序逻辑。学习定义函数模式、处理并行函数调用，以及将工具结果整合回对话中。
学习模型上下文协议这一开放标准，它使 LLM 能够安全地连接外部工具、数据库和服务。使用 Python 构建 MCP 服务器，公开资源和工具，并将人工智能助手连接到您自己的数据源。
超越简单的固定大小分块，实现能够保留语义连贯性并提高检索准确性的复杂策略。学习父子分块、语义分块，以及适用于 PDF、代码和 HTML 的文档专用策略。
结合稠密向量搜索与稀疏关键词搜索，同时捕捉语义含义和精确的术语匹配。学习 BM25、倒数排名融合，以及如何在 Elasticsearch、pgvector 和 Pinecone 中实现混合搜索，从而大幅改善检索效果。
通过添加重排序阶段，使用交叉编码器模型重新排列初始检索结果，从而提高 RAG 的准确性。学习多阶段检索流水线、上下文压缩，以及如何结合粗粒度检索和精细重排序来获得高精度结果。
构建响应迅速的人工智能应用，让令牌从 API 流式传输时立即显示，而不必等待完整响应。学习流式 API、服务器发送事件、Python 异步编程模式，以及如何在 FastAPI 后端中处理流式传输。
通过在 LLM 流水线的多个层级实施缓存，大幅降低 API 成本和延迟。学习精确缓存与语义缓存、提示前缀缓存以及批处理策略，这些方法可将人工智能基础设施费用降低 70% 甚至更多。
设计由多个专门化人工智能代理协作完成复杂任务的系统，解决单个代理无法独立处理的问题。学习编排模式、代理通信协议、共享内存，以及如何使用 LangGraph 构建可靠的多代理流水线。
构建能够编写 Python 代码、在沙箱环境中执行代码、读取输出、修复错误并不断迭代直到任务完成的智能体。学习安全代码执行、使用 Docker 进行沙箱隔离，以及如何构建数据分析和自动化智能体。
通过结构化追踪、日志记录和监控，深入了解 LLM 应用的每一步。学习 LangSmith、Langfuse 和面向 LLM 的 OpenTelemetry，跟踪每一步的延迟和令牌使用量，并在回归问题进入生产环境前发现它们。
理解并防御影响 LLM 应用的独特安全威胁。学习提示词注入攻击、越狱、通过智能体窃取数据，并实施纵深防御策略，包括输入验证、输出扫描和沙箱隔离。
使用 LoRA（低秩适配）将预训练语言模型调整到您的特定领域，而无需数百个 GPU。学习何时微调优于提示词，准备训练数据，使用 Hugging Face PEFT 库运行 LoRA 微调，并评估结果。
构建生产级流水线，可靠地从数千份文档、电子邮件、合同和网页中提取结构化信息。学习 instructor、Outlines 和批量提取模式，以大规模处理模式演进、部分提取和验证。
部署能够在真实生产负载下保持快速可靠的 LLM 应用。学习在多个 API 密钥之间进行负载均衡、使用备用服务提供商、熔断器和超时预算，以及调用非确定性人工智能服务时满足 SLA 要求的策略。
使用强大的 LLM 作为自动评审者，大规模评估其他 LLM 输出的质量。学习 LLM 作为评审者模式，实现成对评估和逐项评估，根据人工评分校准评审模型，并构建可扩展的质量保证流水线。
设计能够检测自身故障、诊断根本原因并在无需人工干预的情况下尝试恢复的智能体。学习错误分类、重试策略、自我修正提示词，以及如何构建能够在长时间运行的任务中妥善处理意外情况的智能体。
应用本学习路径中的全部知识，构建并交付一个生产级人工智能工程项目。设计一个结合 RAG、函数调用、流式传输、缓存、可观测性和安全性的系统。使用真实后端进行部署，编写评估测试，并记录设计决策。
免费。你可以免费开始 AI Engineering Academy 课程并完成它的所有互动课程。可选的 PRO 订阅解锁高级 AI 工具和可分享的证书。
不需要。课程从基础开始，逐步进阶到更高难度的主题，所以即使你没有任何 PYTHON 基础也可以开始。
学以致用。简洁的互动课程将清晰的讲解与实时动手编程练习结合，24/7 AI 导师在你遇到困难时提供个性化帮助。
可以。PRO 学员可以参加考试，获得 AI Engineering Academy 课程的可分享的完成证书，其中包含可验证的代码。
可以。CoddyKit 支持网页版和原生 iOS、Android 应用，你可以在任何设备上学习 PYTHON，进度会自动同步。
