掌握端到端全栈AI工程: 从原型到生产级应用, 玩转LLMs, RAG和智能代理 | End-to-End AI Engineering Bootcamp

🚀 构建真实的AI产品，而不仅仅是原型

端到端AI工程训练营是一个为期8周、以小组形式进行的学习体验，旨在将技术专业人员转变为能够自信设计、构建和部署生产级AI系统的全栈AI工程师。

🛠️ 你将构建什么

你将开发自己的顶点项目——一个现实世界的AI应用，通过每周迭代逐步完成，每一周的概念都将应用于解决与业务相关的实际案例。最终，在演示日上，你将现场展示你的成果，包括可运行的代码仓库和已部署的应用程序，这些都可以向招聘经理、CTO或投资者展示。

🧑‍💻 技术栈包括：

✔️ LLM APIs（Gemini, Claude, GPT等）。

✔️ 向量数据库与RAG（检索增强生成）。

✔️ AI代理库（LangChain, LangGraph, ADK）。

✔️ Docker, FastAPI, Kubernetes, 云端部署。

✔️ 可观察性、评估和性能测试。

✔️ 现代通信协议（A2A, MCP）。

你将学到什么

掌握端到端AI工程——在短短8周内，使用大型语言模型（LLMs）、检索增强生成（RAG）及智能代理技术，将原型转化为生产就绪的应用程序。

设计和优化RAG架构

• 学习如何系统地评估和改进基于RAG的系统。
• 应用混合检索（BM25 + 密集嵌入）和重排等技术来优化你的RAG系统的检索过程。
• 利用合成数据生成来提升系统性能，而无需依赖真实用户数据。

工程和编排智能代理系统

• 创建能够规划步骤、使用工具并独立完成任务的智能代理。
• 将你的RAG系统进化为支持复杂用户查询的智能代理RAG系统，结合来自不同数据源的上下文信息。
• 通过MCP（现代通信协议）连接你的智能代理系统与各种工具。

设计和部署多代理系统以处理复杂工作流

• 学习设计多代理系统的模式，并添加保障措施确保其行为可预测。
• 实现A2A（代理对代理）协议，使你的代理能与其他远程代理通信。
• 针对多代理系统实施评估策略。

实施结构化的提示和上下文管理

• 学习使用结构化输出，使模型响应可以无缝集成到下游系统中。
• 应用最佳实践进行提示版本控制和演进。

应用LLMOps实现可观测性和持续评估

• 学习如何评估不同复杂度和架构的生成式AI应用程序。
• 在CI/CD管道中实施Eval质量门控。
• 从第一周开始为系统添加可观测性。

构建和部署生产级生成式AI应用程序

• 设置API和服务，使其能在生产环境中可靠运行。
• 将你的应用程序部署到云端，并向潜在用户开放。