知乎AI大模型全栈工程师第10期课程资源分享

背景

随着大语言模型（LLM）技术快速演进，从模型训练到落地应用的全链路技能需求激增。知乎推出的「AI大模型全栈工程师」系列课程旨在系统培养能够独立完成模型选型、数据工程、Prompt 工程、检索增强生成、Agent 开发等全流程的工程师。第 10 期课程覆盖了从基础原理到前沿多智能体架构的完整知识体系。近期该课程资源被用户分享至 LINUX DO 论坛，包含主课视频、讲座课件与代码文件，供学习者下载。

核心内容

该课程资源分为两大模块：主课视频和讲座课。

主课视频共 12 课，构建了从 Python 基础到高级 RAG 实践的进阶路径：

• 第 1 课：AI 大模型基本原理，涵盖 Transformer 架构、预训练与微调等核心概念。
• 第 2 课：Python 编程基础，为后续 API 调用与开发做好准备。
• 第 3 课：Prompt 工程设计与优化，包括 Chain-of-Thought、Few-shot 等策略。
• 第 4 课：GPU 与 CPU 计算硬件与大模型，讲解算力需求、显存优化和硬件选型。
• 第 5 课：API 基础与通过 API 调用大模型，涉及 OpenAI 类 API 的使用与鉴权。
• 第 6 课：Cursor 编程从入门到精通，介绍 AI 辅助编程工具 Cursor 的高效用法。
• 第 7 课：Embedding 和向量数据库，包括文本向量化、相似度检索及 Milvus / Chroma 等数据库实践。
• 第 8 课：RAG 技术，讲解检索增强生成的基本流程，并配有评论区 PDF 与代码文件。
• 第 9 课：RAG 高级技术及实践，涵盖 GraphRAG、多轮检索、分块策略优化等。
• 第 10 课：LlamaIndex：知识管理与信息检索应用，演示使用 LlamaIndex 构建索引与问答系统。
• 第 11 课：LangChain：多任务应用开发，展示 Chain、Agent、Tool 等组件的组合使用。
• 第 12 课：Function Calling 与跨模型协作，讲解如何让模型调用外部函数并协同多个模型。

讲座课为两场专题分享，均配有视频与 PPT：

• 解析 Manus：多智能体技术的架构与未来，探讨基于多 Agent 的协作框架与场景。
• DeepSeek 解析：技术演进、模型指南与产业应用，由知乎段小草主讲，分析 DeepSeek 系列模型的发展历程、性能特点及行业落地案例。

所有资源通过夸克网盘统一存储，用户可获取包括 .mp4 视频、.pdf 课件和 .zip 代码在内的完整材料。

关键要点

• 课程覆盖全栈技术栈：模型原理 → 硬件 → Prompt → API → Embedding → RAG → 高级 RAG → Agent → 多智能体。
• RAG 技术占据核心地位，从第 8 课基础到第 9 课高级实践，并涉及 GraphRAG 等前沿变体。
• LangChain 与 LlamaIndex 作为主流开发框架被独立讲授，帮助学员掌握知识管理、多任务编排与外部工具集成。
• Function Calling 与跨模型协作揭示了大模型从对话工具向可编程执行体的演进路径。
• 硬件专题（第 4 课）直面工程实践中的成本与效率痛点，实用性高。
• 讲座课分别关注多 Agent 架构（Manus）和国产模型前沿（DeepSeek），补充了课程的前瞻性视野。
• 所有章节均提供视频、PDF 和代码，便于动手复现与复盘。

意义与影响

该课程资源的公开分享降低了有志于进入大模型领域学习者的门槛。课程内容并非零散技巧，而是围绕「全栈工程师」这一岗位需求设计的系统性训练，涵盖了从基础理论到生产级技术（如 RAG、Function Calling）的完整闭环。对于企业团队而言，这些材料可作为内部培训的参考素材；对个人开发者，则能快速建立对 LLM 应用开发的全局认知。Manus 和 DeepSeek 等内容又及时跟进 2025 年的技术热点，帮助学习者了解产业动态。这种开源式的知识传播有助于加快国内大模型技术人才的成长，推动更多务实应用的落地。