资源介绍
视频数量：14个
总时长：9小时1分
课程介绍：
端到端AI工程训练营
想象一下这样一个场景：你打开浏览器，面前是一个聊天窗口，你随口问了一句"我想买一款续航持久的无线耳机，预算三百以内"，几秒钟之后，系统给你推荐了三款产品，附带了详细参数对比和用户评价摘要，整个交互过程自然流畅，像在跟一个懂行的朋友聊天。这背后其实是一整套AI工程系统在运转：从理解你的意图，到检索相关产品数据，到组织语言生成回答，每一步都需要工程师精心设计和实现。
这门课程要教的就是怎么从零开始搭出这样一个完整的AI应用系统。课程的主讲人Aurimas Griciunas在AI工程领域有丰富的实战经验，他用八周的时间，带你走完一个真实AI产品从构思到上线的全流程。
一、问题定义与基础设施搭建
课程的第一周聚焦在"想清楚再动手"这件事上。很多AI项目失败不是因为技术不够强，而是因为一开始就没想清楚要解决什么问题。Aurimas会先讲AI产品的完整生命周期，让你理解一个AI应用从概念验证到生产部署会经历哪些阶段，每个阶段的关键决策点在哪里。
工具选型是这一周的重点。课程会介绍LangGraph这类用于构建智能体工作流的框架、向量数据库的选型逻辑、各家大语言模型API的特点和适用场景。这些不是纸上谈兵的理论，而是结合实际项目需求的技术选型思路。
紧接着是RAG（检索增强生成）的基础知识。Aurimas会解释RAG的核心原理：为什么大语言模型需要外部知识库来补充信息，嵌入模型在RAG系统中扮演什么角色，向量数据库如何存储和检索语义信息。这些概念听起来抽象，但课程会用具体例子帮你建立直觉。
可观测性和评估体系也是第一天就引入的内容。很多初学者只关注模型效果，却忽略了上线之后如何监控系统表现、如何评估输出质量。课程从一开始就把这些"容易被忽略但至关重要"的工程实践纳入教学，让你养成正确的开发习惯。
二、动手搭建你的开发环境
理论讲完就开始动手。环境搭建环节会带你配置完整的开发工具链：Aurimas使用Cursor作为主要开发IDE，配合Docker Compose部署各类服务，用FastAPI搭建后端接口，用uv管理Python依赖。课程会一步步演示这些工具的安装和配置过程，确保你的开发环境能顺畅运行后续所有的实操项目。
三、实操环节：用真实数据集构建电商助手
课程的实操部分围绕一个电商购物助手项目展开。你将使用Amazon电子产品类目的真实评论数据集，从数据预处理开始，逐步构建一套完整的RAG系统。
数据预处理阶段，你会学习如何清洗原始数据、提取有用信息、将文本转换为嵌入向量，并存储到Qdrant向量数据库中。这个过程听起来简单，但实际做起来会遇到各种细节问题：数据格式不统一怎么办、批量写入数据库时出错怎么处理、如何设计向量字段的索引结构。
有了数据基础之后，你会实现基础的检索流程：根据用户问题生成查询向量、在向量数据库中搜索最相关的文档片段、把检索结果和用户问题一起交给大语言模型生成最终回答。这个完整的RAG流水线跑通之后，你就有了第一个能用的AI应用。
后续的实操环节会逐步增加复杂度，比如优化检索效果、改进提示词工程、添加多轮对话能力、引入评估指标来衡量系统表现。每一周你都能看到自己的项目在迭代改进，这种从无到有的成就感是看再多教程也替代不了的。
四、项目复盘与持续改进
课程最后会有一个Sprint Review环节，把前面几周的工作串联起来复盘。你会看到整个项目从最初的问题定义、工具选型，到环境搭建、数据处理、系统实现、效果评估的全貌，理解每个环节的决策依据和经验教训。
学完这门课程，你收获的不只是几段代码或几个API的调用方法，而是一套完整的AI工程思维框架。你会知道怎么把一个模糊的业务需求转化为可执行的技术方案，怎么选择合适的技术栈，怎么搭建可观测可评估的生产级AI系统，怎么在迭代中持续改进产品效果。
这门课适合那些已经具备基本Python编程能力，想要进入AI应用开发领域的人。如果你对大语言模型有基本了解但不知道怎么落地成实际产品，如果你学过一些机器学习课程但缺乏端到端的工程实践经验，这门课会帮你把碎片化的知识串成一条完整的线。课程内容有深度但门槛并不高，只要愿意动手跟着做，就能跟上节奏。