Vibe Coding 零代码 AI 应用开发 基础班阶段一
课时：9 天 技术点 91 项 测验 3 次 学习方式线下面授
学习目标
1. 掌握智能应用开发的整体架构（前端→后端→Agent→大模型）
2. 掌握人工智能、模型、大语言模型、推理模型、多模态模型及 token 计费等基础概念
3. 能够运用提示词工程五大原则写出高质量提示词
4. 能够利用 vibecoding 编写简单的前后端项目
5. 掌握 Coze 平台中工作流、插件、知识库、数据库等核心资源的使用
6. 能够搭建并发布完整智能体，包含提示词编写、工作流添加与调试、多渠道发布
7. 能够在工作流中实现知识库检索与数据库增删改查，处理私有数据
8. 能够使用图像、音频、视频等多模态节点或插件处理多模态数据
9. 能够使用循环节点批量处理任务并优化模型效果
主讲内容
1. 初识智能应用开发
本章介绍了智能应用开发的定义、生活中的智能软件分类、开发架构（前端 + 后端 + Agent + 大模型）及智能体的核心能力，强调利用 AI 大模型赋能传统业务，并通过 Agent 解决大模型弊端，为后续实战学习奠定基础。
1. 什么是智能应用开发 | 2. 大模型本身的弊端 | 3. 企业中智能模块的解决方案 | 4. 什么是智能体 | 5. 智能体的四个关键能力 | 6. 智能应用的整体软件架构 | 7. 开发智能模块时需要学习的内容 | 8. 利用 AI 参与开发我们要面对的问题
2. 人工智能通识
本文讲解了人工智能与模型的基本概念，重点介绍了大语言模型、推理大模型、多模态模型的特点，以及 token 计费、APIKey、Vibecoding 编程方式和项目开发流程。
1. 人工智能的定义 | 2. 人工智能的四个期望 | 3. 模型和目前市面上模型的分类 | 4.Token（词元）和大模型分割的方式 | 5.Vibecoding（氛围编程）的介绍 | 6.Vibecoding 环境搭建
3. 提示词工程
本文系统讲解了提示词的定义与提示词工程的五大原则（清晰指令、文本参考、拆分任务、给思考时间、借助外部工具），并提供了具体技巧与课堂练习，帮助用户高效引导大模型生成准确结果。
1. 提示词 | 2. 提示词工程 | 3. 大模型幻觉 | 4. 提示词工程的五大原则 | 5. 清晰指令的五大技巧 | 6. 提示词的否定指令陷阱 | 7. 大模型的 Skill 技能
4. 基于平台的智能体（Coze）
本文介绍了 Coze 平台（字节跳动推出的 AI 智能体开发平台）的基本概念、核心功能（工作流、插件、知识库等）、常见节点的使用以及完整智能体的创建与发布流程。
1.Agent 智能体的定义 | 2. 实现智能体的技术栈 | 3.Coze 平台介绍和注册 | 4.Coze 的常用的模块 | 5. 工作流具体的实现步骤 | 6. 工作流试运行 | 7. 工作流执行行日志 | 8.coze 中的节点 | 9. 搭建 coze 智能体 | 10. 工作流发布 | 11. 智能体预览与调试 | 12 知识库与数据库的使用 | 13. 文档的解析和分段 | 14 知识库存储选项和检索素节点 | 15. 大模型润色与兜底 | 16. 扣子数据库的具体使用 | 17. 多模态数据处理概述
AI 应用全栈开发基础?就业班阶段一
课时：12 天 技术点 82 项 测验：1 次 学习方式：线下面授
学习目标
1. 掌握 Python 基础语法，包括开发环境搭建、变量、数据类型、运算符、流程控制与异常处理
2. 熟练使用 Python 数据容器，掌握字符串、列表、元组、字典、集合的核心操作与应用场景
3. 掌握 Python 函数与面向对象编程，理解函数定义、参数传递、封装、继承、多态及魔术方法
4. 掌握 Python 模块与包管理，理解模块导入机制、虚拟环境配置与依赖管理
5. 掌握 FastAPI 框架开发，包括路由自定义、请求处理、Pydantic 数据验证与接口测试
6. 掌握 MySQL 数据库操作，理解 SQL 语句、Python 连接数据库与 CRUD 功能实现
7. 熟悉 AI 项目开发流程，掌握文件操作、日志处理、会话管理，能独立完成基础 AI 应用项目实战
主讲内容
1.Python?基础语法
该阶段系统学习 Python 编程语言的基础语法，涵盖语言特点、环境搭建、变量、数据类型、输入输出、运算符及流程控制、函数等内容，掌握 Python 语言的语法核心。
1.Python 介绍与特点 | 2.Python 应用场景 | 3.Python 解释器 | 4. 开发环境搭建（Python、PyCharm、虚拟环境）
5.Python 入门程序 | 6. 注释 | 7. 变量定义与命名规则 | 8. 常见数据类型 | 9. 字符串类型 | 10. 输入与输出 | 11. 运算符（算术、赋值、比较、逻辑运算符） | 12. 条件判断（if、if?else、if?elif?else、match?case） | 13.while 循环 | 14.for 循环 | 15. 循环控制（break、continue） | 16. 函数基础?定义与调用 | 17. 函数基础?参数 | 18. 函数基础?返回值 | 19. 函数基础?说明文档 | 20. 函数基础?变量作用域
2.Python?数据容器
该阶段将学习 Python 数据容器知识，包括字符串、列表、元组、字典、集合的定义与操作，以满足日常开发需求。
1. 字符串操作 | 2. 字符串格式化（%、f?string） | 3. 字符串索引与切片 | 4. 字符串常用方法 | 5. 列表定义与特点 | 6. 列表的常见操作 | 7. 列表推导式 | 8. 字典定义与特点 | 9. 字典常见操作 | 10. 集合定义与特点 | 11. 集合常见操作 | 12. 元组定义与特点 | 13. 元组常见操作 | 14. 组包与解包 | 15. 数据容器案例
3.Python?面向对象
该阶段系统学习 Python 面向对象编程思想，涉及类与对象的创建、属性与方法定义、封装继承多态特性，以及异常处理和模块使用等内容，为开发结构清晰、可维护性强的复杂 AI 应用程序奠定基础。
1. 函数进阶?实参 | 2. 函数进阶?形参 (默认参数、不定长参数) | 3. 函数进阶?递归函数 | 4. 函数进阶?匿名函数（lambda） | 5. 类型注解（Type Hints） | 6.Python 模块概述 | 7.Python 模块导入与常见内置模块 | 8.Python 自定义模块 | 9. 面向对象?概述 | 10. 类与对象 | 11. 实例方法 | 12. 魔法方法 | 13. 实例属性与类属性 | 14. 封装（私有、公共） | 15. 继承 | 16. 方法重写 | 17. 多继承 | 18. 方法解析顺序（MRO） | 19. 多态 | 20. 鸭子类型 | 21. 抽象方法（ABC 模块） | 22. 图书管理系统案例 | 23. 异常介绍 | 24. 异常处理机制
4.Python?AI 应用实战
阶段系统学习 Python 在 AI 领域的实际应用开发，涵盖文件操作、AI 项目开发流程、会话记忆方案、会话管理与多轮对话项目开发，以及数据库集成与综合项目实战等内容，助力将前期所学知识转化为 AI 应用开发实战能力，并为后续企业级 AI 应用开发打下坚实的基础。
1.AI 应用概述 | 2.AI 大模型部署方案 | 3.DeepSeek 官方开放 API | 4. 网络基础知识（协议、IP、端口） | 5.HTTP 协议介绍
6.HTTP 协议数据格式（请求、响应） | 7. 调用 DeepSeek 官方 API（Apifox） | 8.Web 初识 | 9.FastAPI 基础 | 10. 异步编程 (async/await)
11. 开发规范?Restful | 12.AI 智能伴侣?新建会话 | 13.AI 智能伴侣?与 AI 对话 | 14.AI 智能伴侣?保存会话
15. 文件操作 | 16.AI 智能伴侣?会话历史查询 | 17.AI 智能伴侣?加载指定会话 | 18.AI 智能伴侣?删除会话 | 19. 日志记录
20.Python 装饰器 | 21.MySQL 数据库 | 22.SQLAlchemy | 23.AI 智能伴侣?程序优化
RAG 智能体开发?就业班阶段二
课时：10 天 技术点：48 项 学习方式：线下面授
学习目标
1. 掌握 LangChain 框架的核心组件用法
2. 能够利用 LangChain 开发智能体
3. 掌握 LangGraph 中的核心概念和组件用法
4. 能够利用 LangGraph 实现复杂 Agent 工作流编排
5. 掌握向量知识库的 Milvus 的用法
6. 掌握 RAG 系统的基本原理和实现方法
7. 从零搭建一个 Multi?Agent 智能客服
8. 掌握 Linux 常见命令，并学会利用 Docker 部署 AI 应用
主讲内容
1. LangChain
本章课程系统介绍了 LangChain 框架的核心概念、组件及其在大语言模型（LLM）应用开发中的实践应用。重点包括 LangChain 的基本架构、Models（模型）、Messages（消息）、Tools（工具）、Memory（记忆）、Middleware（中间件）、Runtime（运行时上下文）等核心组件的用法，以及如何利用这些组件构建 Agent（智能体）。
1. 认识 LangChain | 2.Models | 3.Messages | 4.Prompts | 5.Tools | 6.Memory | 7.Runtime | 8.Middleware
9.MCP | 10.MultiAgent
2. RAG
本章课程主要学习 RAG（检索增强生成）技术。包括 LangChain 中提供的各种 RAG 组件，例如：Document Loader（文档加载）、Text Splitter（文档切分）、Embedding Model（向量模型）、Milvus（向量数据库）、Retrievers（数据召回）等。实现基于外部知识库的智能问答系统。通过文档加载、文本分割、向量化、存储与检索等全流程。
1.RAG 原理 | 2.Document Loader | 3.Text splitter | 4.Embedding Model | 5.Vector Store | 6.Milvus | 7.Retrievers
8.RAG 的多种模式 | 9.RAG 系统评估
3. LangGraph
本章主要学习 LangGraph 框架的核心概念以及复杂 Agent 的流程编排技术。其中包含 LangGraph 的核心概念，例如 Nodes、Edges、Start、End、StateGraph 等，以及 LangGraph 中常见的 WorkFlow、常见的 Agent 编排方式。
1.LangGraph 概述 | 2.LangGraph 核心概念 | 3.LangGraph 流程编排 | 4.MultiInput 工作流 | 5.Sequence 工作流
6.ConditionalGraph 工作流 | 7.LoopingGraph 工作流 | 8.ReAct Agent 模式 | 9.Evaluator?optimizer | 10.Parallelization 模式
11.Routing 模式 | 12. 项目案例
4. AI 项目部署
本章学习如何将开发好的 AI 应用，部署到服务器。主要学习的内容包括 linux 系统的基本操作，Docker，以及如何将打包好的前端、Agent 后端部署到 linux 服务器及 Docker 容器中。
1.Linux?概述与安装 | 2.Linux?常用命令 | 3.Linux?软件安装 | 4.Linux?项目部署 | 5.Docker 课程介绍 | 6.Docker 的安装
7.Docker 快速入门?部署 MySQL | 8.Docker 快速入门?命令解读 | 9.Docker?常见命令 | 10.Docker?操作案例 | 11.Docker?数据卷挂载
12.Docker?本地目录挂载 | 13.Docker?Dockerfile 语法 | 14.Docker?自定义镜像 | 15.Docker?容器网络互连
16.Docker?项目部署 | 17.DockerCompose
AI 工程化?基础 & 项目实战 就业班阶段三
课时：22 天 学习方式：线下面授
项目标签：轻客管家、AI 星海智伴、AI 星辰 WMS
项目简介
技术点 27 项 测验 0 次
轻客管家是一款便捷的企业办公服务综合管理系统，专为企业高效办公、精准营销打造，能解决企业客户开发、线索转化、成交跟进的核心痛点。系统涵盖用户管理、线索管理、商机管理、客户管理、数据统计分析等核心模块，覆盖企业线索收集、商机转化、客户成交全流程跟踪，形成营销管理闭环，助力提升营销效率。课程从 Java 基础语法入手，层…
学习目标
1. 掌握 Java 基础语法、容器、常见 API 在企业项目中的使用
2. 掌握使用 maven 管理企业级项目的能力
3. 掌握使用 SpringBoot+MybatisPlus 开发企业项目业务的能力
4. 熟悉常见的企业开发模式、前后端交互规范、项目结构以及代码规约
5. 能够独立进行 MySQL 数据表关系设计、创建以及基础代码生成
6. 熟悉项目中常见的加密、参数配置化、统一参数处理方案
7. 能够独立完成用户登录、管理、部门管理、线索管理、线索跟进等业务模块的开发
8. 熟悉项目中操作日志、错误日志的收集处理方案
9. 掌握企业级项目中全局异常处理的方案
10. 掌握使用 VibeCoding 编程方式开发企业级项目的能力
主讲解决方案
1.SpringBoot 搭建企业级项目
2. 根据业务进行数据库多表设计
3. 操作日志、错误日志收集方案
4. 阿里云 OSS 文件上传存储方案
5. 项目全局异常统一处理方案
6.VibeCoding 编程方案
主讲知识点
1. 开发环境搭建以及 IDE 工具安装
2.Java 基础语法、容器、常见 API 学习
3. 使用 Maven 管理项目
4. 使用 SpringBoot 完成项目基础架构搭建
5. 使用 MybatisPlus 完成基础代码生成与数据操作
6.MySQL 表关系设计、多表查询、分页查询
7. 企业中常见开发模式、前后端交互规范、编程规约介绍
8. 借助部门管理学习接收前端请求的各种方案
9. 借助用户管理学习 MD5、参数配置化、逻辑删除、统一参数处理技术
10. 借助用户登录学习 JWT、拦截器实现登录校验技术
11. 借助线索管理、线索跟进、转商机学习 VibeCoding 编程方式
12.AOP 首先操作日志记录、Logback 实现错误日志记录
13. 全局统一异常处理
AI 工程化?微服务智能体实战 就业班阶段四
课时：20 天 学习方式：线下面授
项目标签：AI 智链云途、AI 云岚到家、AI 四方保险、AI 天机学堂
项目简介
技术点：106 项 测验：0 次
智链云途是一个基于 Spring Cloud Alibaba 微服务架构体系的【生产级】物流项目系统，在完整保留原有微服务工程实践的基础上，将 AI 技术与物流核心业务进行深度融合。这是目前市场上 AI 融合度最高、场景最真实、就业匹配度最强的项目课程之一。
学习目标
1. 具备将复杂业务进行分解、逐步实现需求的能力
2. 具备微服务边界划分与架构设计能力
3. 具备绘制系统流程图、时序图的业务分析能力
4. 具备对现有功能进行升级改造的能力
5. 具备使用 AI 技术（LangChain / LangGraph / XGBoost / BERT）落地业务的能力
6. 具备多级缓存（分布式缓存）设计与使用能力
7. 具备封装通用组件 / 中台服务的能力
8. 具备分布式事务解决能力
9. 具备高并发安全与幂等等问题处理能力
10. 具备全链路追踪的解决能力
11. 具备解决较高难度 Bug 的能力
主讲解决方案
1.AI 身份认证风控方案（登录风控 + Token 刷新）
2. 运费计算智能体方案
3.BERT 物品识别方案
4. 组织机构识别方案
5. 路线成本因子分析方案
6.LangGraph 智能推荐网点方案
7.XGBoost 快递员调度方案
8.XGBoost 运单智能合并方案
9. 智能调度验证方案
10. 模型持续训练方案（RabbitMQ + MongoDB）
11. 微服务工程治理方案（Nacos + OpenFeign + Gateway + Seata + XXL?JOB + 幂等性）微服务
12. 高可用与流量保护方案（Sentinel 熔断降级 + Redis 多级缓存 + 分布式锁）微服务
13. 消息驱动与数据同步方案（RabbitMQ 可靠投递 / 延迟消息 + Canal）微服务
14. 分布式搜索方案（ElasticSearch 全文检索 / 聚合分析 / 智能补全）搜索
主讲知识点
1. 在新公司如何快速熟悉新项目
2.Spring Cloud Gateway 统一认证鉴权
3.JWT 双 Token 三验证的设计与实现
4. 支付微服务的设计与实现
5. 运费微服务的设计实现
6. 基于 Redisson 实现分布式锁
7. 基于图数据库 Neo4j 的路线规划
8. 物流智能调度系统（运输 / 取件 / 派件）
9. 基于 MongoDB 实现作业范围
10. 基于 Caffeine + Redis 的多级缓存
11.Redis 缓存穿透、击穿、雪崩问题解决
12.AI 登录 / Token 风控开发
13.LangChain 运费计算智能体开发
14.BERT 模型训练与物品分类识别部署
15.LangGraph 多节点智能推荐网点流程
16.XGBoost 快递员调度预测与工程化落地
17.XGBoost 运单合并预测 + Redis ZSet 优先队列
18. 调度验证回退与重调度机制
19. 模型持续训练闭环（RabbitMQ + MongoDB）
企业级项目智能化升级 就业班阶段五
课时：12 天 学习方式：线下面授
项目标签：智聘云图、AgentCenter
项目简介
技术点：96 项 测验：0 次
智聘云图是一个基于 LLM 的招聘知识图谱智能检索系统，在完整覆盖职位发布、数据清洗、要素抽取、图谱构建、搜索意图识别、分域召回、相关性排序、结果解释等招聘搜索全链路业务的基础上，将大语言模型、知识图谱与搜索引擎技术进行深度融合。采用 Java 后端 + Python AI 服务的双端架构，涵盖 ElasticSearch、Redis、Kafka、Flink、…
学习目标
1. 具备招聘搜索业务场景的拆解与分析能力
2. 具备职位数据清洗、去重、隐私处理与标注数据构建的能力
3. 具备基于 LLM 进行职位要素抽取与搜索意图识别的能力
4. 具备招聘领域知识图谱的构建与查询能力
5. 具备使用 LangGraph 构建多节点智能体工作流的能力
6. 具备 ElasticSearch 分域检索、相关性控制与搜索 badcase 优化的能力
7. 具备 Kafka + Flink 近实时数据同步链路的设计与开发能力
8. 具备 Redis 缓存方案设计与应用能力
9. 具备使用 LoRA SFT 与 DPO 进行垂直领域大模型微调的能力
10. 具备使用 vLLM、KV Cache、半精度推理进行大模型服务化部署与性能优化的能力
11. 具备评估搜索效果、分析 badcase 并持续优化的能力
主讲解决方案
1. 职位数据清洗与标准化方案（隐私去除 / 重复识别 / 脏数据过滤 / 字段标准化）
2.LLM 职位要素抽取方案（岗位 / 技能 / 薪资 / 经验 / 学历 / 城市 / 福利结构化抽取）
3. 招聘知识图谱构建方案（实体关系建模 + LangGraph 图谱智能体）
4. 搜索意图识别方案（多意图分类 + 否定表达识别 + 非招聘意图过滤）
5. 图谱增强检索方案（技能关联扩展召回 + 意图图谱召回类别）
6. 分域检索与相关性排序方案（岗位域 / 技能域 / 城市域 / 薪资域 / 经验域 / 行业域权重排序）
7. 搜索 badcase 优化方案（库存不足判断 + 必选 / 可放宽条件 + 属性重度排序 + 召回兜底策略）
8. 搜索结果可解释性方案（匹配原因输出与展示）
9. 近实时数据同步方案（Kafka 可靠消息 + Flink 流处理 + ES/Redis 同步更新）
10. 隐私数据处理方案（职位发布中的敏感信息脱敏）
11. 大模型微调方案（LoRA SFT 指令微调 + DPO 偏好优化）
12. 大模型服务化部署方案（vLLM + KV Cache + FP16 半精度推理 + 异常兜底降级）
13. 缓存加速方案（Redis 意图结果缓存 + 搜索结果缓存）
主讲知识点
1. 项目介绍、业务流程分析与环境搭建
2. 职位发布与职位数据建模
3. 职位数据清洗与标准化（隐私处理 / 去重 / 字段标准化）
4. 大模型职位要素抽取与 Prompt 工程
5. 招聘知识图谱构建（实体关系设计 + 图谱数据导入）
6.LangGraph 图谱智能体开发（节点编排 + 状态流转）
7. 搜索意图识别（多意图分类 + 否定表达 + 非招聘意图拦截）
8.ElasticSearch 职位检索（索引设计 + 分域检索 + 相关性排序）
9.LLM 与图谱增强检索（badcase 分析 + 图谱召回 + 放宽策略）
10. 近实时检索链路（Kafka 消息设计 + Flink 流处理 + ES/Redis 更新）
11. 大模型微调与评估（LoRA SFT + DPO + 抽取 / 意图 / 相关性效果评估）
12. 大模型服务化部署（vLLM + KV Cache + FP16 + 性能压测 + 降级策略）
13. 智能搜索前端与项目整合联调
14. 搜索效果优化与面试讲解（badcase 归因 + 排序调权 + 项目亮点提炼）
AI 应用评估与模型微调?就业班阶段六
课时：5 天 技术点：36 项 学习方式：线下面授
学习目标
1. 能够独立完成模型微调本地与云端环境搭建配置
2. 能够理解并贯通 AI 模型完整微调业务流程
3. 能够熟练使用 transformers、datasets、Trainer 核心工具库
4. 能够掌握 BERT 模型文本分类与 NER 实体识别实战开发
5. 能够深入理解 LoRA 高效微调原理并完成参数配置
6. 能够独立实现 LoRA 适配 BERT 及大模型微调训练
7. 能够掌握模型训练调优、效果评估与问题排查技巧
8. 能够将微调后模型封装接口并完成生产级部署上线
主讲内容
1. 应用评估与模型微调
从 BERT 基础到 LoRA 大模型微调，再到模型评估与部署，覆盖企业级微调全流程，手把手带你落地文本分类、NER 实体识别、指令微调等核心业务场景。
1. 本地 / 云环境搭建 | 2. 依赖库安装与验证 | 3. 微调全流程概念 | 4. 模型与 GPU 选型 | 5.datasets 数据加载工具
6.transformers 核心库入门 | 7.Trainer 训练器使用 | 8.BERT 模型基础原理 | 9.JSONL 数据格式处理 | 10.Tokenizer 分词与参数配置
11. 文本分类任务实战 | 12. 训练参数调优（学习率 /epoch） | 13. 分类任务评估指标 | 14.NER 命名实体识别概念
15.NER 数据标注与格式处理 | 16.BERT 序列标注微调 | 17.LoRA 微调核心原理 | 18.LoraConfig 配置与模型包装
19.LoRA+BERT 实战训练 | 20.LoRA 权重保存与加载 | 21. 大模型指令微调数据格式 | 22.LoRA 大模型微调与训练技巧
23. 模型效果对比与评估 | 24.FastAPI+LangChain 接口封装 | 25.vLLM 生产级模型部署
面试指导与就业加强?就业班阶段七
课时：5 天 技术点：36 项 学习方式：线下面授
学习目标
1. 系统梳理 Java 企业开发、微服务分布式、大模型微调、AI 智能应用全栈面试核心知识点
2. 吃透 LoRA 微调、BERT 模型、RAG 知识库、LangChain/Agent 开发高频面试重难点
3. 熟练掌握高并发、分布式事务、缓存限流、消息队列等企业级架构核心考点
4. 精通 AI 模型部署、接口封装、多模态开发、SpringAI 集成的实战与理论要点
5. 具备复杂业务拆解、系统架构设计、线上 Bug 排查与性能优化实战能力
6. 熟练运用 AI 工具高效开发、解决真实业务场景的数据安全与对接问题
7. 精准提炼项目亮点，规范简历撰写，掌握标准化面试应答与技术阐述话术
8. 复盘全流程项目实战经验，形成完整的项目思维与职场问题解决体系
9. 具备独立胜任企业 AI 开发、后端开发、智能应用落地岗位的上岗能力
主讲内容
1. 面试指导与就业加强
集中复盘微服务、分布式架构、大模型微调、RAG 与 Agent 开发、AI 部署等核心技术，梳理面试高频考点。同时打磨项目亮点、优化简历与面试应答，补齐技术短板，全方位提升后端与 AI 开发岗位的求职竞争力。
1.Java 企业级项目开发核心知识点梳理
2.Maven 企业项目管理与依赖管控
3.SpringBoot+MybatisPlus 业务开发实战
4. 企业项目代码规约与前后端交互规范
5.MySQL 数据表设计与业务 CRUD 开发
6.RBAC 权限模型原理与落地实战
7.SpringSecurity 安全认证框架应用
8. 企业项目全局异常处理方案
9. 项目日志收集与线上错误排查
10. 微服务架构拆分与边界设计
11. 服务注册发现与远程调用机制
12. 网关路由配置与统一鉴权实现
13. 微服务熔断限流治理方案
14. 分布式事务问题分析与解决
15. 高并发场景幂等性设计
16. 分布式锁原理与实战应用
17.RabbitMQ 消息队列异步解耦
18. 多级缓存架构设计与问题解决
19.Redis 高可用搭建与性能调优
20.ElasticSearch 全文检索与聚合分析
21. 分布式任务调度设计与实现
22.BERT 模型核心原理与面试考点
23.LoRA 轻量化微调核心原理
24. 大模型微调流程与参数调优
25.RAG 检索增强生成核心原理
26.Milvus 向量知识库实战应用
27.LangChain 框架核心组件开发
28.LangGraph 复杂 Agent 工作流编排
29.Multi?Agent 多智能体项目实战
30.SpringAI 传统项目 AI 能力升级
31. 大模型接口封装与生产级部署
32. 企业级业务系统 AI 模块落地
33. 线上系统性能优化与 Bug 排查
34. 项目亮点提炼与面试技术复盘
