建立对大语言模型的系统认知。从ChatGPT的函数本质出发,理解参数如何承载知识、训练如何迭代优化、文字接龙如何产生智能,最终看清语言模型从N-gram到Transformer的完整演进脉络。
搞懂语言模型从无到有的训练全流程。先看Embedding怎么把文字变成可以计算的向量,再看预训练如何在海量文本上让模型学会语言规律,最后理解监督微调怎么把"只会接龙"的模型变成"会回答问题"的助手。
探索预训练和微调之后的"高级能力"。RLHF怎么让AI对齐人类价值观,涌现能力为什么令人震撼,Temperature和Top-p怎么控制AI的创造力,幻觉问题为什么至今无法彻底消灭。
从理论走向实战。搞清楚AI、机器学习、大模型之间的关系,完成环境搭建和第一次API调用,通过多轮对话、流式输出、专业翻译器等实战掌握核心参数,系统学习Prompt五要素和结构化输出模板。
大模型的知识有截止日期,也不知道你公司的内部文档。RAG就是解决这个问题——先从知识库里"检索"相关内容,再让模型基于这些内容"生成"回答,让AI拥有实时、私有的领域知识。
大模型只能输出文字,查不了天气、读不了数据库、发不了邮件。Function Calling让模型在输出文字的同时,告诉你"我需要调用某个工具"——AI从"只会说"变成"能做事"。
Function Calling让AI能调用工具了,但怎么让别人也能用上你写的工具?每个AI应用都自己写一套对接代码?MCP就是来解决这个问题的——给工具共享定一个统一标准,就像HTTP给Web定了统一标准一样。
每次开发AI应用都要自己管理对话历史、解析Function Calling、处理错误重试——太累了。LangChain把这些通用需求封装好了,让你专注于业务逻辑而不是胶水代码。
LangChain的Agent能自主决策调工具,但任务一复杂就露馅了——单轮推理的黑盒模式不可控、不可调试、不可干预。LangGraph用图结构编排工作流,让AI的每一步都看得见、管得住。
你总结了一套很好的代码审查方法论,但每次用都要重新写一遍提示词。Skill就是用来解决这个问题的——把专业知识、工作流程、最佳实践封装成一个标准化模块,装上就能用,还能分享给别人。
前面学了很多零散的能力——Function Calling、RAG、LangGraph,这一周把这些串起来,回到一个根本问题:什么才是真正的Agent?它的架构是什么样的?怎么让它有记忆、会推理、能行动?
一个Agent再强大,也有能力边界。不如让多个专业Agent各司其职再协作——这就是多Agent系统的核心思想。最后一周,把所有学过的东西串起来,用CrewAI框架完成全书最终实战。
程序员AI编程绿皮书持续新增规划(7~9月)
微信扫码
人工咨询扫码
享更多优惠额
扫码加顾问老师 立即咨询