资源介绍
视频数量：101个
总时长：3小时52分
课程介绍：
Databricks生成式AI工程师助理认证备考课
你刚接到一个任务：公司里有一堆产品手册和操作流程堆在云存储里，老板想搭一个内部知识问答助手，让员工直接问就能得到准确答案。你打开Databricks的文档和课程目录，发现RAG、向量搜索、Unity Catalog、模型服务、MLflow、代理、评估……一堆名词扑面而来。到底该先做文档切片还是先算嵌入？检索到了相关段落但排名不对该怎么办？模型回答得不错但格式总是乱，怎么调？微调后的模型怎么部署上线？这门课，就是帮你建立"面对真实问题知道怎么拆解、怎么选工具、怎么落地"的工程判断力。
一、课程理念：不是背概念，而是练判断
很多备考资料的做法是给你一堆定义和术语表，然后让你去死记硬背。但生成式AI工程师认证要考的不是你能不能背出"什么是RAG"，而是你能不能在具体的业务场景里判断出该用RAG还是该微调，该用向量搜索还是该用特征存储，该选哪个模型、用什么服务方式、怎么管理访问权限和评估质量。这门课的设计者显然深谙此道：课程主体是100个独立场景题，每一道都从一个真实的工程困境出发，要求你读懂问题背后的关键线索，再把问题映射到正确的Databricks概念和工具上。学会这种"读场景、拆问题、选方案"的思维方式，比记住一百个术语都管用。
二、100个真实场景，覆盖完整工程链路
课程的核心就是这100道场景题，每个场景用两分钟左右的短视频呈现，短小精悍，直接切入问题。这些场景不是随机堆砌的，而是按照生成式AI工程的完整链路系统编排，从数据准备到上线运维、从功能设计到安全治理，几乎所有常见工程决策点都被覆盖到了。
数据准备与嵌入层面，你会碰到各种棘手的预处理场景：文档切片太细导致嵌入数量爆炸怎么办；财报和合同这类结构化文档需要按章节切块而不是简单按长度切；扫描的合同图片要先做OCR才能变成干净的文本；新上的产品文章需要自动计算嵌入并写入索引。这些题目会让你学会在不同文档类型、不同业务需求下选择合适的切块粒度和嵌入策略。
向量搜索与RAG是这门考试的重头戏，场景题自然也最密集。你会遇到文档检索到了但正确的那篇排在了后面，这时候重排序器就派上了用场；检索到的段落塞进提示词之后超出上下文窗口，需要做上下文压缩；产品搜索需要先按品类过滤再排序；法律先例检索要保留时间线和文档结构以免破坏语义；多语言RAG变慢变贵，可能需要换更小的嵌入模型。这些题目会让你对RAG的全链路建立起清晰的直觉，而不是只会调一个现成的库。
提示工程与代理设计层面同样有不少典型场景：模型给出了正确答案但格式乱七八糟，多余的解释和推理风格文字混在里面——这时候少样本提示能教会模型模仿你想要的输出风格；AI工作流需要多个LLM步骤串联，编排器该怎么设计；客服助手需要在运行时根据用户问题自动选择正确的工具；规划器只能推荐真实目录里存在的商品，不能凭幻觉编造。每个场景都对应着实际生产中常见的设计取舍。
模型服务、治理与评估层面，场景题会把视角拉到生产环境。微调后的模型怎么挂上托管的推理终端；公开模型怎么防止未授权访问；LLM助手需要预留稳定的服务容量应对流量高峰；面向客户的应用需要做简单的输出安全过滤；微调数据需要符合法律合规要求；开发环境需要受控访问生产模型但不能直接碰线上数据。评估相关的场景则覆盖了翻译质量的参考指标、检索质量的客观比较、生产应用的容量规划这些容易被忽略但又必须掌握的细节。
三、速查手册帮你查漏补缺
课程最后附赠一份精心整理的速查手册HTML文档，把所有核心概念、关键术语和典型选择依据汇总成结构化的清单。考前最后冲刺的时候翻一翻，能帮你快速定位薄弱环节；日常工作中遇到具体决策时，它也是一份不错的参考工具。
四、这门课适合谁
如果你是数据工程师、数据科学家或者机器学习工程师，想要系统上手Databricks上的生成式AI项目；如果你是架构师或技术负责人，需要快速建立对Databricks生成式AI生态的完整认知；又或者你已经在做LLM应用开发，但想在向量搜索、RAG架构、生产治理、评估体系这些方面补齐知识盲区——这门课都能帮上忙。需要说明的是，这门课并不适合完全的零基础初学者，如果你连Databricks工作流和基础数据处理都不太熟悉，建议先补充一些基础知识再来挑战这些场景题。
学完之后，你会发现自己面对考试题目时不再纠结于死记硬背——每一道题都会变成一个具体的工程情境，而你已经具备了拆解问题、选择方案、识别陷阱的能力。这种从场景出发建立起来的判断力，会一直陪伴你后续的实际项目开发。