第一阶段（第1-2周）：别急着学模型，先把"地基"打到让自己不慌
我犯过的第一个错：上来就想调大模型API
刚开课的时候，我跟很多人一样，最兴奋的就是"能不能让AI帮我写代码"。结果老师第一节课就泼了一盆冷水：
"你连Python的装饰器都不理解，连HTTP请求的生命周期都说不清楚，你调API调出来的东西，出了Bug你都不知道是模型的问题还是你的问题。"
这话扎心，但无比正确。
零基础学员最该先啃的，不是大模型，是三样东西：
第一，Python基础，但只学"够用"的部分。 不需要你能手写爬虫、能手写GUI。你只需要搞懂：函数怎么定义、类怎么写、字典和列表怎么操作、文件怎么读写、异常怎么捕获。这些东西，两周足够。博学谷的课程安排很聪明，它不是让你从头学Python，而是直接在AI场景里教Python——比如用Python调一个API、读一个JSON文件、写一个简单的数据处理脚本。边用边学，比干巴巴看语法书快十倍。
第二，Linux基础操作。 说实话，这是我之前完全忽略的。但入职后才发现，部署模型、看日志、管进程，全在Linux上。你不需要成为运维专家，但你得会：怎么SSH连服务器、怎么用vim改配置文件、怎么看进程、怎么杀进程、怎么查端口占用。这些命令加起来不超过20条，花三天背熟，受益终身。
第三，API调用的基本功。 这是连接你和大模型的那根线。你得理解：什么是RESTful接口、什么是请求头、什么是JSON格式、什么是状态码。不需要背，但你得"见过"。最好的学习方式就是——去OpenAI官网，用Python的requests库，自己写一个脚本调一次ChatGPT的API，打印出返回结果。就这一个动作，你对"AI应用开发"的理解就从0跳到了1。
这一阶段的核心心法：不求深，只求不慌。 你不需要成为Python专家，你只需要做到"看到一段AI相关的代码，能大概知道它在干什么"。这个门槛，两周够了。
第二阶段（第3-5周）：RAG是命根子，先把它啃透
如果整门课只能学一个技术，我选RAG。
为什么？因为RAG是当前企业落地大模型最核心、最刚需、最高频的技术，没有之一。
你去看任何一个AI岗位的JD，十个里面有八个写着"熟悉RAG"。你去看任何一个大模型落地项目，十个里面有九个用了RAG。它不是选修课，它是主课。
RAG到底在干什么？用大白话说：给大模型装一个"外挂知识库"。
大模型本身的知识是训练时学的，有截止日期，有幻觉，不知道你公司的内部文档。RAG的做法是：用户提问的时候，先去你的知识库里搜相关的文档片段，然后把这些片段和问题一起塞给大模型，让大模型"看着资料回答"。这样一来，答案就基于真实数据，幻觉大幅减少，而且你随时可以更新知识库，不用重新训练模型。
学RAG，你真正要掌握的是四个环节：
文档处理。 PDF、Word、Excel、网页，各种格式的文档怎么读出来？怎么切成小块？切多大合适？这不是 trivial 的事。切太大，噪音多；切太小，上下文断了。博学谷的课程里有一个专门的模块讲文档解析策略，包括Markdown标题分割、语义分块、递归字符分割——这些名字听着吓人，但老师会用实际案例带你跑一遍，你会发现逻辑其实很简单。
向量化。 把文本变成向量，这是RAG的核心魔法。你不需要手写向量算法，但你必须理解：什么是Embedding、什么是向量数据库、为什么余弦相似度能衡量语义接近度。课程里用的是Chroma和FAISS，都是轻量级的，本地就能跑。你亲手建一个向量库，塞进去100篇公司文档，然后用一句话搜出最相关的那篇——这个"啊哈时刻"会让你瞬间理解RAG的本质。
检索优化。 naive的RAG就是"搜到什么给什么"，但实际场景里你需要：混合检索（关键词+向量）、重排序（用一个小模型给检索结果打分）、查询改写（用户说的话不标准，你得帮他翻译成搜索引擎能懂的话）。这三个优化点，是面试官最爱问的，也是实际项目里效果提升最明显的。
生成控制。 检索到了资料，怎么喂给大模型？Prompt怎么写？温度参数怎么调？最大Token怎么设？这些看似细节，但直接决定了输出质量。课程里有一个专门的Prompt Engineering模块，教你写"系统提示词+上下文+指令"的三段式Prompt，这套模板我现在写周报还在用。
我的建议：这三周，80%的时间砸在RAG上。 不要急着往后学Agent、学微调。RAG是地基，地基不牢，后面全塌。我见过太多学员，Agent学了一堆，结果连RAG的检索召回率都调不明白，面试一问就露馅。
第三阶段（第6-8周）：Agent和多智能体，这是拉开差距的分水岭
RAG解决了"让AI知道更多"的问题，Agent解决的是"让AI干更多"的问题。
Agent的本质是什么？给大模型装上"手和脚"。
RAG是"你问我答"，Agent是"你说目标，我自己规划步骤、调用工具、执行任务、检查结果、出错了自己修正"。它不是简单的"IF-THEN"规则，它是一个有记忆、能反思、会纠错的智能工作流。
学Agent，你真正要搞懂的不是框架，而是"任务分解"的思维。
举个例子。你让Agent帮你写一份竞品分析报告。它不是上来就写，而是自己拆解：第一步，去网上搜竞品信息；第二步，把搜到的内容整理成表格；第三步，对比各项指标；第四步，生成分析结论；第五步，如果数据不够，再去补搜。每一步它都能判断"做完了没有""要不要继续""出了错怎么办"。
这种"把大目标拆成小步骤、每一步都有反馈"的思维方式，才是Agent的精髓。框架只是实现这个思维的工具，LangChain也好、CrewAI也好、OpenClaw也好，换一个框架逻辑不变。
多智能体协作是Agent的进阶。 一个Agent能干的事有限，但三个Agent分工合作就不一样了：一个负责搜集信息，一个负责分析数据，一个负责写报告，中间还有一个"经理Agent"负责协调和质量检查。这就像一个小公司，有前台、有分析师、有文案、有主管——各司其职，效率翻倍。
课程里的"金融行业动态风险评估系统"项目，就是一个典型的多智能体实战。你会亲手搭建一个系统，里面有数据采集Agent、风险分析Agent、报告生成Agent、预警推送Agent，它们之间通过消息队列通信，协同完成一个完整的业务流程。
这一阶段的学习心法：不要背框架API，要画流程图。 每次学一个新的Agent模式，先用纸笔画出"思考—行动—观察"的循环图，再去对照代码。你会发现，代码只是流程图的翻译。能画出图的人，换什么框架都能上手。
第四阶段（第9-11周）：模型微调与部署，从"会用"到"能造"
前面学的都是"调用别人的模型"，这一周你要学"改造模型"。
LoRA微调是你必须掌握的技术。 全参数微调需要几十张GPU，成本几百万，中小企业玩不起。LoRA的思路是：不动大模型的主体参数，只在关键层旁边加两个小矩阵训练，参数量不到原模型的1%。效果能达到全参数微调的90%以上，成本却只有百分之一。
你不需要理解LoRA背后的矩阵分解数学，但你必须会做三件事：准备训练数据（怎么清洗、怎么标注、怎么切分）、配置训练参数（学习率、轮数、LoRA rank怎么选）、评估微调效果（用测试集跑一遍，看准确率有没有提升）。
部署是最后一公里，也是最容易被忽略的一公里。 模型在你笔记本上跑得好好的，一上生产环境就崩——这是90%的学员都会遇到的坑。课程里专门讲了模型压缩（INT8量化、FP16推理）、服务化部署（用FastAPI把模型包成HTTP接口）、容器化（Docker一键打包）、监控告警（怎么知道模型在线上有没有出问题）。
我面试的时候，面试官问了一个问题："你的模型推理延迟是多少？怎么优化的？"我答："原始延迟2.3秒，做了INT8量化之后降到0.8秒，再加一层Redis缓存热点查询，P99压到了0.4秒。"面试官当场点头。
这个问题，只有学到第四阶段的人才答得出来。这就是差距。
第五阶段（第12周）：项目实战，把所有东西串起来
最后一周，不学新东西，只做一件事：把前面11周学的所有技术，串进一个完整的项目里。
博学谷的项目设计很狠。它不是给你一个玩具demo，它给你的是企业级场景。比如那个"新零售评价决策系统"——你要做的事情包括：用RAG搭建商品知识库、用Agent实现自动评价分析、用微调把通用模型变成行业专家、用Docker部署成生产服务、写完整的技术文档和API说明。
这个项目做完，你简历上写的就不是"学过RAG"，而是"独立搭建过日活10万的智能评价系统，将人工审核效率提升60%"。
