AI 大模型班级后续学习规划

适用对象：已完成 Python 进阶、提示词工程、Coze 智能体开发的同学
建议总周期：16～24 周（与黑马后期 AI 培养节奏一致）

---

一、你们现在在哪里

你们已经完成 Python 进阶，并走过了 AI 入门最关键的两步：

已完成模块	你们已经具备的能力
提示词工程	清晰指令、Few-shot、CoT、Self-Consistency、ReAct；结构化输出；大模型安全认知；金融文本打标项目经验
Coze 智能体	工作流编排、知识库 RAG、数据库节点、插件调用、意图识别、多智能体初步认知；智能面试助手等项目 MVP 思维

接下来马上进入 Dify——这是从「低代码搭智能体」走向「工程化 AI 应用开发」的关键过渡。

---

二、课程定位：从「会搭智能体」到「能做 AI 应用工程师」

这一阶段的目标不是背模型名词，也不是只会拖拽工作流，而是完成一次能力升级：

从「我会用 Coze / Dify 搭 Bot」→「我能用 Python、API、RAG、Agent 做出可上线、可面试、可交付的 AI 应用」。

当前 AI 岗位市场有一个清晰趋势：企业更需要能把大模型接入真实业务的人，而不是只会推导公式的人。我们的培养重心是 AI 应用开发为主、纯算法为辅——先能干活、能讲项目、能入职，再按兴趣往算法方向深造。

---

三、需要建立的 4 个认知

1. 低代码平台是起点，不是终点

Coze、Dify 让你们快速验证了 RAG、Agent、工作流的价值。但企业落地时，往往还需要：

低代码原型验证 → Python API 开发 → 向量检索 → 业务数据库 → 部署运维 → 成本与安全控制

平台搭过的能力，后面要用代码再实现一遍——这样面试时才能讲清楚「平台里那个节点，底层是怎么工作的」。

2. 不要只追模型，要追「应用场景」

模型每天都在变，企业关心的是：你能不能做智能客服、知识库问答、资讯打标、合同分析、数据分析助手、自动化办公……

学习重点是一套通用能力：

• 输入怎么处理
• 知识怎么检索
• 模型怎么调用
• 工具怎么接入
• 结果怎么验证
• 系统怎么上线

3. 岗位导向：AI 应用开发 > 纯算法

结合当前招聘市场，你们应优先对齐的方向：

岗位方向	核心能力	匹配度
AI 应用开发工程师	Python + FastAPI + 大模型 API + RAG + Agent	⭐⭐⭐⭐⭐ 主方向
RAG / 知识库开发工程师	Embedding、向量库、文档切分、检索优化	⭐⭐⭐⭐⭐ 主方向
Agent / 智能体开发工程师	工具调用、工作流、多 Agent 协作	⭐⭐⭐⭐⭐ 主方向
Dify / Coze 应用开发	平台编排 + 私有化部署 + 企业集成	⭐⭐⭐⭐ 过渡方向
Prompt 工程师	提示词模板、结构化输出、业务场景设计	⭐⭐⭐⭐ 已具备基础
纯算法 / 模型训练工程师	数学、深度学习、微调、论文级优化	⭐⭐ 辅线，非当前主线

结论：把 80% 精力放在「能做出项目、能讲清楚链路」上；算法原理理解到能面试表达即可，不必急于成为研究员。

4. 项目比知识点更重要

AI 技术变化很快，但项目能力长期有效：需求分析、系统设计、接口开发、数据处理、错误排查、部署上线、项目表达——这些不会过时。

---

四、最终培养目标（6 类能力）

1. AI 使用能力 ✅ 已起步

• 会写高质量 Prompt、分步骤分析、生成并检查代码
• 会让 AI 总结资料、扮演面试官
• 会判断 AI 输出是否可靠

后续要求：从「会用 AI 提效」升级为「用 AI 辅助完成完整项目模块」。

2. 低代码 + 工程化双轨能力 🔄 进行中

低代码侧（Coze ✅ → Dify 进行中）：

• 工作流编排、知识库、Agent、插件、数据库
• 私有化部署（Docker + Ollama）
• 快速 MVP 验证业务价值

工程化侧（后续重点）：

• Python 调用大模型 API（requests / SDK）
• FastAPI 搭建后端服务
• 环境变量、日志、异常处理、成本控制

3. Prompt 工程能力 ✅ 已具备

你们已经掌握 CoT、ReAct、结构化输出、安全攻防。后续要把 Prompt 能力嵌入项目，而不是孤立练习——每个 RAG / Agent 项目都应有可复用的提示词模板库。

4. RAG 知识库问答能力 🔄 平台已接触，代码待深入

Coze / Dify 里你们已经搭过知识库。后面要掌握代码级实现：

• 文档读取与切分（chunk size / overlap）
• Embedding 向量化
• 向量数据库（FAISS、Chroma 等）
• TopK 召回、上下文拼接、引用溯源
• 幻觉控制、检索质量优化

典型实战方向：企业知识库问答、资讯内容检索、简历 / JD 匹配。

5. Agent 智能体开发能力 📍 即将系统展开

类型	能力	你们的状态
Chatbot	回答问题	✅ 已会
RAG Bot	查资料后回答	✅ Coze 已做
Agent	调用工具、执行任务	🔄 Dify 即将深入
Multi-Agent	多智能体协作、A2A	📍 后续实战

要掌握：Function Calling、工具注册、任务拆解、多步骤执行、记忆机制、人工确认、错误重试、多 Agent 协作。

6. AI 项目交付能力 📍 贯穿全程

需求分析 → 技术选型 → 接口设计 → AI 模块接入 → 前后端 → 部署上线 → 简历包装 → 面试答辩。

学习原则：学一个技术点，做一个小功能；学一个阶段，完成一个项目；最后形成可展示的作品集。

---

五、推荐路线（7 个阶段）

与黑马后期 AI 大模型培养计划对齐，按「平台验证 → 代码实现 → 项目交付 → 就业冲刺」推进。

阶段零：已完成 ✅

提示词工程 + Coze 智能体

• 提示词原则、CoT / ReAct / Self-Consistency、大模型安全
• Coze 工作流、知识库、数据库、插件、多智能体概述
• 金融文本打标、智能面试助手等项目 MVP 经验

本阶段收获：建立了 AI 全局认知，能在平台上快速搭出可用的智能体原型。

---

阶段一：Dify 智能体平台（当前 → 近期）

目标：从 Coze 平滑过渡到 Dify，掌握可私有化部署的企业级 AI 应用平台。

核心内容：

• Dify 平台架构与工作空间
• Docker 部署 Dify + Ollama 私有化模型
• 基于 Dify 搭建可视化聊天机器人
• 基于 Dify 构建 RAG 知识库
• 基于 Dify 构建 Agent 智能体
• Dify API 调用与外部系统集成

与 Coze 的对比理解：

维度	Coze	Dify
定位	快速原型、国内生态	开源可私有化、企业部署
部署	云端为主	Docker 自建、数据可控
后续	平台能力	过渡到 LangChain 代码开发

阶段项目：基于 Dify 的企业 AI 助手

• 私有化部署 DeepSeek / Qwen 本地模型
• 搭建技术答疑 RAG 知识库
• 构建带工具调用的 Agent
• 可选：结合 RagFlow 做文档检索增强

简历写法参考：基于 Docker + Ollama + Dify 实现大模型私有化部署，完成 RAG 知识库与 Agent 智能体搭建，支持企业文档问答与工具调用。

---

阶段二：大模型 API 与 Python 工程开发

目标：用 Python 把大模型接入程序，脱离平台也能开发。

核心内容：

• API Key 与环境变量、官方 SDK 调用
• messages 结构、流式输出、多轮对话
• 结构化输出（JSON / Pydantic 校验）
• Function Calling 代码实现
• FastAPI 搭建 /chat 等接口
• 异常处理、日志、限流、成本估算

工程习惯（必须做到）：

• API Key 不写死、不上传 GitHub
• 请求有日志、返回有校验
• 能估算 Token 成本

阶段项目：AI 聊天助手后端

• FastAPI + 大模型 API + SQLite/MySQL
• 支持多轮对话、流式输出、system prompt 配置
• 与 Dify 版功能对照，理解平台节点对应的代码逻辑

---

阶段三：Embedding 与 RAG 知识库（代码级）

目标：把 Coze / Dify 里搭过的 RAG，用 Python 完整实现一遍。

核心内容：

• Embedding 原理与文本向量化
• 文档切分策略（PDF / Word / Markdown）
• 向量数据库（FAISS、Chroma 基础）
• TopK 召回、Rerank、上下文拼接
• 引用来源、幻觉控制
• 检索质量评估（准确率 / 召回率概念）

理解要点：

• 大模型不知道企业内部资料
• RAG = 先检索再回答，减少幻觉（但不能完全消除）
• 效果取决于文档质量、切分策略、检索质量、Prompt 设计

阶段项目：企业知识库问答系统

• 文档上传 → 切分 → 向量化 → 入库
• 用户提问 → 检索 → 大模型回答 → 显示引用来源
• 支持历史对话、知识库重建

简历写法参考：基于 FastAPI + 向量数据库 + 大模型 API 实现 RAG 企业知识库，支持文档上传、语义检索、引用溯源与多轮对话。

---

阶段四：Agent 智能体与工具调用

目标：从「回答问题」到「执行任务」。

核心内容：

• Agent 设计原则与核心机制
• Function Calling / Tool Calling 代码实现
• ReAct 循环（Thought → Action → Observation）
• LangChain / LangGraph 基础
• 任务拆解、记忆、人工确认、安全边界
• 多 Agent 协作与 A2A（Agent-to-Agent）初步

阶段项目：AI 数据分析助手 / 智能工单 Agent

• 上传 CSV / Excel，AI 理解问题并调用 Python 分析函数
• 或：多步骤工单处理（查询 → 分析 → 通知）
• 生成结果、图表、自然语言解释

---

阶段五：行业实战项目

目标：整合所学，完成 1～2 个可写进简历的综合项目。

黑马后期典型项目方向（选 1～2 个深入）：

项目	核心技术	业务场景
资讯 AI 打标系统	Prompt + 结构化输出 + 批量 API	内容分类、标签抽取、情感分析
企业知识库 / EduRAG	RAG + 多文档 + 引用溯源	教育 / 企业文档问答
智能面试助手（升级版）	RAG + Agent + ASR + 数据库	简历评估、录音分析、考题生成
SmartVoyage 旅行助手（A2A）	多 Agent 协作	意图路由、多角色协同
OpenClaw 类自动化 Agent	工具调用 + 浏览器 / 系统操作	自动化办公、信息采集

项目要求：

• 有完整业务流程，不是 Demo 级对话
• 能讲清楚：为什么用 RAG？文档怎么切？Agent 怎么调工具？
• 有 GitHub 仓库 + README + 可演示

---

阶段六：大模型原理与进阶（面试够用即可）

目标：理解大模型「为什么能工作」，支撑面试表达，不追求算法专家深度。

核心内容：

• Transformer 架构（Attention、Encoder-Decoder 概念）
• Token、上下文窗口、Temperature 等参数
• 模型幻觉成因与缓解策略
• RAG vs 微调 vs Agent 的选型思路
• 大模型运行机制（推理、量化概念）

面试表达目标：能画一张「用户提问 → RAG 检索 → 大模型生成 → 后处理」的流程图，并解释每个环节的作用。

---

阶段七：部署、作品集与就业冲刺

目标：整合所学，形成就业竞争力。

核心内容：

• Docker 部署、云服务器、Nginx 基础
• Git 协作、README 与项目文档
• 简历包装：项目描述、技术栈、个人贡献
• 面试模拟：项目讲解、原理问答、场景题
• 作品集整理：至少 3 个可演示项目

---

六、推荐毕业项目（按岗位方向）

项目一：资讯 AI 打标 / 内容理解系统

适合岗位：AI 应用开发、NLP 应用、内容运营技术

核心亮点：批量文本分类、标签抽取、结构化 JSON 输出、Prompt 模板库、效果对比 dashboard

简历写法：基于大模型 API 构建资讯内容智能打标系统，支持分类、标签抽取与情感分析，通过 Prompt 工程与结构化输出实现稳定可解析结果。

---

项目二：AI 智能客服 / 企业知识库系统

适合岗位：RAG 开发工程师、AI 应用开发、后端开发

核心亮点：RAG 知识库、多轮问答、引用溯源、FAQ、后台管理、文档上传

简历写法：基于 RAG 的智能客服知识库系统，使用 FastAPI、向量数据库和大模型 API，支持文档切分、Embedding、语义检索、多轮对话与答案引用溯源。

---

项目三：Agent 数据分析 / 智能工单系统

适合岗位：Agent 开发工程师、AI 应用开发

核心亮点：Function Calling、Pandas 分析、图表生成、多步骤任务、工具链可视化

简历写法：基于 ReAct Agent 构建 AI 数据分析助手，支持自然语言提问、自动调用 Python 分析函数、生成统计结果与可视化报告。

---

项目四：多 Agent 协作应用（A2A）

适合岗位：Agent 开发工程师、智能体全栈开发

核心亮点：意图识别路由、多 Agent 分工、Agent 间通信、复杂业务流程编排

简历写法：基于多 Agent 架构实现 XX 业务助手，采用 A2A 协作模式，完成意图识别、任务分发与结果聚合。

---

七、AI 岗位地图与能力对照

你们应对标的主战场

Python 工程能力
    ↓
大模型 API 调用（必会）
    ↓
Prompt 工程（✅ 已会）
    ↓
低代码平台（Coze ✅ → Dify 进行中）
    ↓
RAG 知识库（平台 ✅ → 代码待深入）
    ↓
Agent 智能体（即将系统学习）
    ↓
项目交付 + 部署 + 面试（贯穿全程）

面试重点能力清单

基础概念（能讲清楚）

• 什么是大模型、Token、上下文窗口、Prompt、Embedding、RAG、向量数据库、Agent、Function Calling
• 模型幻觉是什么？如何降低？如何控制 API 成本？
• Coze 和 Dify 的区别？为什么企业需要私有化部署？
• Transformer 的 Attention 机制是什么（概念级）？

项目问题（能答）

• 你的项目解决了什么问题？为什么用 RAG 而不是直接问大模型？
• 文档怎么切分？Embedding 怎么生成？向量库存了什么？
• 用户提问后系统完整流程是什么？
• TopK 怎么设？检索不到怎么办？如何减少胡编？
• Agent 怎么调工具？多 Agent 怎么协作？
• 项目有什么不足？用户量变大怎么优化？

代码能力（会写）

• FastAPI 接口、调用大模型 API、环境变量管理
• 文本切分、Embedding 生成、向量检索
• Function Calling / Tool Calling
• MySQL 增删改查、Pandas 数据分析
• 异常处理、日志记录、Docker 基础部署

---

八、作品集要求

每个同学毕业前至少要有：

1. ✅ 一个 Coze 智能体项目（已有基础）
2. 一个 Dify 私有化部署 + RAG / Agent 项目
3. 一个 Python 代码级 RAG 知识库项目
4. 一个 Agent 工具调用项目
5. 一个行业综合项目（资讯打标 / 智能客服 / 数据分析等）
6. 一份技术博客或项目说明文档
7. 一份针对 AI 应用开发岗位优化过的简历
8. 一套面试自我介绍和项目讲解稿

作品集比证书更重要。 面试时最好能打开 GitHub 或本地演示，直接展示完整链路——这比只说「我学过 AI」有说服力得多。

---

九、课程大纲总表

阶段	核心主题	重点能力	项目产出	状态
阶段零	提示词 + Coze	Prompt、工作流、平台 RAG	金融打标、面试助手 MVP	✅ 已完成
阶段一	Dify 智能体平台	私有化部署、平台 RAG/Agent	Dify 企业 AI 助手	🔄 进行中
阶段二	大模型 API 开发	Python 接入大模型	AI 聊天助手后端	待开始
阶段三	Embedding 与 RAG	代码级知识库问答	企业知识库系统	待开始
阶段四	Agent 与工具调用	ReAct、LangChain 基础	数据分析 / 工单 Agent	待开始
阶段五	行业实战项目	综合业务落地	资讯打标 / EduRAG 等	待开始
阶段六	大模型原理	Transformer、运行机制	面试原理表达	待开始
阶段七	部署与就业冲刺	交付、讲项目、面试	毕业综合项目	待开始

---

十、学习要点（请记住）

Python 仍然是根基

AI 再强，也要靠代码落地。前面 Python 进阶（面向对象、闭包装饰器、多进程多线程、网络编程、生成器协程、正则）不是白学——后面所有 AI 项目的接口、并发、数据处理都会用到。

平台经验要转化为代码理解

Coze 里做过的「知识库检索节点」「意图识别节点」「数据库查询节点」，后面用 Python 实现时，你要能一一对应：平台上的一个方块 = 代码里的一个函数或模块。

AI 不是替你学习，而是放大学习能力

不能只复制 AI 代码，必须：看得懂、跑得通、改得动、讲得清、能排错、能优化。

先就业，再深造

对当前阶段来说，更现实的目标是：先能做 AI 应用 → 再理解模型原理 → 最后根据兴趣深入算法。不必一步成为算法专家。

---

结语

同学们，你们已经走过了 AI 入门最陡峭的一段——提示词工程和 Coze 智能体。接下来 Dify 会帮你们完成「平台 → 工程化」的过渡，后面的 RAG 代码实现、Agent 开发、行业项目，才是真正拉开就业差距的阶段。

未来企业需要的不是只会拖拽工作流的人，也不是只会问 ChatGPT 的人，而是能把 AI 接入真实业务、做出真实项目、解决真实问题的 AI 应用开发工程师。

后面要重点掌握 5 件事：

1. ✅ 会用 AI 提高学习和开发效率（已起步）
2. 🔄 会用 Dify / Python 调用大模型、搭建 RAG 与 Agent（进行中）
3. 📍 会用代码实现 RAG 知识库与 Agent 工具调用（即将深入）
4. 📍 能完成资讯打标、知识库问答等行业实战项目
5. 📍 能讲清楚项目链路、部署上线、应对 AI 应用开发岗位面试

最后一定要形成项目作品——面试时，项目就是你最有力的证明。

你不需要成为算法科学家，但你必须成为一个能用 AI 解决业务问题的工程师。这就是后面学习的核心目标。