Python核心

• 1、Python 环境与 IDE 高阶配置；
• 2、基础语法、流程控制；
• 3、字符串 / 列表 / 字典 / 集合等容器；
• 4、函数、递归、匿名函数；文件 IO；
• 5、面向对象全体系（封装 / 继承 / 多态、多继承、设计模式、魔术方法）；
• 6、异常机制；模块打包工程化；
• 7、深浅拷贝、property、装饰器、元类、垃圾回收等高阶语法；
• 8、多线程 / 进程 / 协程并发、Socket 网络编程、Starlette 框架；
• 9、正则表达式；
• 10、愤怒的小鸟、客户信息管理系统综合项目

考试一

Linux基础&Shell

• 1、Linux 环境部署、系统核心命令；
• 2、Shell 脚本编程，变量、流程控制、自定义函数、文本处理、正则表达式实战

MySQL

• MySQL安装和使用、SQL语句、数据库操作、表操作、SQL约束、多表操作、开窗函数、案例、远程连接MySQL

Docker

• Docker 安装，镜像、容器管理与核心命令实操

FastAPI

• FastAPI+Uvicorn 框架基础，SQLAlchemy 数据库 ORM 整合，接口开发、小型项目实战与部署

Numpy

• Anaconda 环境管理、Jupyter 工具使用；Numpy 数组体系，切片索引、矩阵运算、统计、向量化运算

Pandas

• 1、Series、DataFrame 核心结构；
• 2、数据导入导出、数据清洗、缺失值处理、concat/merge 数据合并；
• 3、分组聚合、apply 函数、时间序列；
• 4、Matplotlib、Seaborn 可视化；

考试二

数学基础

• 数学基础：高等数学（导数、偏导、梯度）；线性代数（向量、矩阵运算、逆矩阵）；概率论（常见分布、贝叶斯定理、极大似然估计）

深度学习

• 1、机器学习和深度学习概念、应用场景与优缺点；
• 2、PyTorch 环境、张量各类操作、自动微分模块，线性回归案例实现
• 3、激活函数、多层神经网络构建；
• 4、损失函数、梯度下降学习机制；MSE和交叉熵
• 5、常用的评估指标：精确率、准确率、召回率、F1
• 6、反向传播算法、链式求导；
• 7、网络优化手段（权重初始化、正则化、过拟合、欠拟合、学习率衰减、梯度消失爆炸）；

NLP核心

• 1、NLP 导论；
• 2、中英文分词、词向量；
• 3、RNN、Seq2Seq 模型；
• 4、Attention 注意力机制；
• 5、Transformer 架构、训练推理与翻译案例；

考试三

智能体架构

• 提示词入门、LLM 智能体 Agent 构成、工具配置、智能体规划执行、LLM记忆机制

智能体管控框架-Harness Engineering

• Harness 管控框架、记忆分层管理、技能生命周期，智能体记忆、权限、生命周期的管控设计

智能体任务循环-Loop Engineering

• Think‑Act‑Observe 循环、任务容错回滚，实现任务拆解、异常重试、自我修正的执行链路

多智能体设计模式

• 多 Agent 协作范式、消息总线，角色划分、通信编排与冲突处理

智能体框架-LangChain框架

• 1、LangChain 框架基础；
• 2、模型 IO、提示模板、输出解析、函数调用；Chains、Memory 记忆模块；
• 3、ReAct 范式 Agent 开发；RAG 检索链路；
• 4、电商商家对话助手项目实战

智能体框架-LangGraph框架

• 1、LangGraph 图范式思想；State、Node、Edge 核心组件；
• 2、图构建编译、持久化记忆；可控智能体实现；流式输出；
• 3、内部文档查询助手案例

智能体工程化

• 1、Agent 提示词工程、自定义 Tool、会话状态管理、Trace 可观测性 2、Agent 性能评估：RAGA评测体系详解，RAG项目典型问题调优实战，常见故障案例分析与优化 3、Agent服务器规划，向量模型服务器、重排序模型服务器、大模型推理服务部署，多模型服务拆分上线

考试四

Git/Github/Gitee/Gitlab

• 安装配置、本地库搭建、基本操作、工作流、集中式

Redis

• 安装配置、Redis的五大数据类型、Jedis、持久化、RDB、AOF

Nginx

• Nginx介绍、基于Linux/Docker安装Nginx、配置文件详解、静态资源服务器实践、反向代理实战、SELinux介绍&禁用、负载均衡&常见规则、基于SpringCloud网关进行负载均衡实战

RAG原理及优化

• 1、RAG 架构演进与 Ragas 指标评估；RAG 系统完整搭建流程；文档处理、向量存储；检索预处理、重排序、混合检索等优化手段；
• 2、GraphRAG 原理、实体关系抽取与知识图谱构建

项目一：掌柜智库（RAG知识库）

• 项目简介：掌柜智库是一个面向商品资料的RAG知识库系统，基于 LangGraph 搭建可插拔 RAG 工作流，使用 MinerU+OCR 解析图文 PDF，融合 Milvus、稀疏检索与 Neo4j 知识图谱实现多路召回，配合高级切片、HyDE、BGE‑Rerank 做检索优化，借助 RAGAS 完成全链路评测，解决传统搜索无法理解设备故障语义提问的问题，支撑设备安装、故障排查等售后业务，降低售后成本，实现售后智能化升级。
• 涉及技术/知识点： 编程语言：Python LLM 应用框架：LangChain、LangGraph 文档解析：OCR、MinerU 向量数据库：Milvus 知识图谱：Neo4j RAG高阶技术：多路召回、多策略智能切片、HyDE 假设性嵌入、BGE‑Rerank 重排序 RAG评测框架：RAGAS 工程知识点：企业 RAG 工作流编排、垂直知识库全链路开发、RAG 效果调优、多模态文档处理

项目实战一：RAG知识库实战（多行业五选一）

• 实战简介：学生从好医智库（医疗）、伴学智库（教育）、倾听智库（在线音频）、金融智库（金融）、美途智库（文旅出行）五大行业垂直知识库项目中任选一个独自完成，搭建企业级高级RAG垂直知识库问答系统，基于LangGraph实现可溯源RAG工作流，采用多路召回与检索增强技术，配套全链路效果评估。
• 学习目标： 1、掌握垂直行业 RAG 系统架构，可完成知识库问答的方案设计。 2、熟练运用 LangGraph 编排 RAG 工作流，实现多路召回、检索溯源等核心逻辑。 3、掌握知识库处理、检索与生成调优，解决行业问答业务问题。 4、能够开展 RAG 全链路评测，定位问题并迭代优化系统。 5、具备企业级 RAG 项目从设计、开发到评测的完整工程实践能力。

考试五

大模型原理

• 1、大语言发展历史：GPT-1、GPT-2、GPT-3、InstructGPT、ChatGPT
• 2、大模型架构演进：位置编码（RoPE）、自注意力模块(MHA、MQA、GQA)、前馈神经网络（MoE）、归一化和残差连接（RMSNorm）
• 3、模型机制：预训练、SFT监督微调、偏好机制
• 4、模型推理机制：自回归生成过程（prefill、decode、kv-cache）、词选择策略（贪心搜索、束搜索、随机采样（温度、TopK、TopP））

大模型微调

• 1、微调项目流程：模型选择、数据工程、训练方法选择、微调训练、模型评估
• 2、微调方法：全参微调、参数高效微调（LoRA、QLoRA）
• 3、监督微调实战：意图识别和槽位抽取案例（全参微调、LoRA、QLoRA对比）
• 4、分布式训练算法：数据并行、流水线并向、张量并行、专家并行、ZeRO（零冗余优化器）
• 5、分布式训练实战：意图识别和槽位抽取案例（ZeRO调参对比）

大模型部署&量化&GPU调优

• 1、部署基础：硬件资源评估、模型加载、显存占用与推理性能
• 2、推理优化技术：Continuous Batching、PagedAttention、FlashAttention
• 3、模型量化技术：FP8、INT8、INT4、GPTQ、AWQ等
• 4、推理框架与分布式部署：vLLM、SGLang、TensorRT-LLM等推理框架，多卡推理及OpenAI兼容API服务
• 5、大模型部署实战：基于vLLM完成Qwen模型单卡、多卡及量化部署，并进行TTFT、TPOT、Tokens/s、吞吐量等性能测试与调优

强化学习

• 1、强化学习基础理论：马尔可夫决策过程、蒙特卡罗方法、策略梯度法
• 2、大模型对齐主流算法：GRPO和DPO
• 4、实战案例 1：RLHF：DPO 训练智能客服模型
• 5、实战案例 2：DeepSeek‑R1 复刻，Text2SQL，思维链医疗助手训练，Agentic RL（多智能体强化学习），智能体tool call强化学习微调

多模态核心原理

• 1、多模态技术概论；Vision Transformer（ViT）原理与从零实现图像分类
• 2、VLM：视觉大语言模型

项目二：电商小二（Harness+单智能体）

• 项目简介：电商小二是面向电商场景的任务型智能客服系统，基于 Rasa 框架深度二次开发，融合 Sparse+Dense 特征融合、DIET 多任务模型、Rule+TED 混合对话策略，配套特征工程与自定义外部 API 调用能力，构建具备长上下文记忆、多轮交互能力的对话机器人，解决传统客服人机交互僵化问题，支撑订单查询、退换货等电商售后业务，降低企业客服成本。
• 涉及技术/知识点： 开发语言 & 工程工具：Python、PyTorch、Docker 对话框架：Langgraph自己实现 自然语言理解：Jieba 分词、CountVectors 词袋、BERT/ChineseBERT、Regex 正则、Sparse+Dense 双路特征融合、DIET（意图分类 + 实体抽取多任务学习） 对话管理：Stories 故事建模、RulePolicy、TED Policy 混合对话策略、长上下文注意力记忆机制 业务执行：Action Selection、自定义 Action、外部 API 调用，支持订单、物流信息读写

项目实战二：智能客服项目实战（多行业五选一）

• 实战简介：从尚医助手（医疗）、知学助手（在线教育）、倾听助手（在线音频）、金融助手（金融）、美途助手（文旅出行）五大智能客服中任选一个由学生独立完成，融合 Sparse+Dense 特征融合、DIET 多任务模型、Rule+TED 混合对话策略，配套特征工程与自定义外部 API 调用能力，构建具备长上下文记忆、多轮交互能力的对话机器人。
• 学习目标： 1、掌握任务型对话系统的架构与多轮对话开发流程 2、可基于 大模型，完成意图识别、实体抽取功能 3、能够配置混合对话策略，开发自定义动作并对接外部 API 4、学会对话模型特征调优，提升机器人交互效果 5、具备独立搭建垂直行业智能客服机器人的实战能力

项目实战三：微调实战-掌柜智库or电商小二

• 实战简介：学生独立完成一个掌柜智库or电商小二项目中模型微调。
• 学习目标： 1、理解电商垂直领域大模型微调底层原理，掌握电商业务场景微调数据集制作规范。 2、熟练使用主流微调工具链，可完成 LoRA/Q‑LoRA 高效微调任务。 3、能够针对掌柜智库 / 电商小二业务，完成电商专属模型微调训练。 4、掌握微调后电商模型部署优化与效果评估方法。 5、具备电商业务场景中大模型微调落地的完整实战能力。

项目三：智数归因平台（Harness+多智能体）

• 项目简介：掌柜问数是企业级自然语言查数与电商全链路归因一体化系统，基于 DataAgent、AttributionAgent 架构开发，借助混合检索、思维链推理、异步高并发框架，实现 NL2SQL 自助取数和多模型智能归因分析，帮助业务人员无需编写 SQL 即可查询数据、评估营销投放效果。
• 涉及技术/知识点： 开发与服务框架：Python、FastAPI、AsyncIO Agent & 大模型：DataAgent、AttributionAgent、LiteLLM、LangChain、LangGraph、Qwen、CoT 思维链、MCP 存储检索：Qdrant、Elasticsearch、MySQL、Redis、SQLAlchemy 语义处理：Jieba 分词、HyDE 查询扩展 前端可视化：React、TypeScript、Vite、SSE、WebSocket、pandas、ECharts 核心能力：NL2SQL 生成校验、多策略归因、动态 Schema / 因子剪枝、语义对齐、高并发异步调度

项目实战四：强化学习实战-智数归因平台

• 实战简介：学生独立完成一个智数归因平台项目中模型微调。
• 学习目标： 1、理解大模型微调底层原理，掌握微调数据集制作规范。 2、熟练使用主流微调工具链，可完成 LoRA/QLoRA 高效微调任务。 3、能够针对智数归因平台业务，完成专属模型微调训练。 4、掌握微调后模型部署优化与效果评估方法。 5、具备业务场景中大模型微调落地的完整实战能力。

考试六

项目四：舆情分析（多智能体+Harness）（二选一）

• 项目简介：舆情分析是面向品牌监控、热点研判的多 Agent 全链路舆情监测分析系统，采用分布式多源数据采集，依托 BERT、sentiment_agent 完成情感研判，搭配多模块并行分析、模拟专家讨论机制，支持热度追踪、多级风险预警、结构化专题报告生成与可视化大盘展示，助力企业实现舆情主动管控与危机复盘。
• 涉及技术/知识点： 开发框架：Python、Flask+SocketIO、FastAPI、Streamlit Agent 与大模型生态：LangGraph、多 Agent 协同、GraphRAG；Kimi、Gemini、DeepSeek、Qwen 存储组件：PostgreSQL、MySQL 前端可视化：Vue3、ECharts 工具库：Pydantic Settings、Loguru；Tavily、Bocha、Anspire 搜索服务 核心能力：分布式爬虫多源采集、情感倾向识别、热度计算、风险多级预警、多模块并行研判、消息实时推送、PDF / 文本报告导出

项目四：市场罗盘（二选一）

• 项目简介：市场罗盘是多智能体深度研判系统，支持 SOP 动态任务编排，双模态推理引擎适配不同分析场景，基于多智能体协同工作流，集成联网搜索、NL2SQL、代码解释器等工具，依托 SSE 实现思考过程可视化，完成全流程专业调研与报告生成。
• 涉及技术/知识点： 开发框架：Python、FastAPI、AsyncIO Agent 大模型：LiteLLM、Agentic-Workflow、ReAct 检索引擎：Qdrant、Elasticsearch 文本处理：Jieba 分词 实时通信：SSE

项目五：工程调研助手（Loop Engineering）（二选一）

• 项目简介：面向研发团队的只读式工程调研工作台，采用前后端分离 + 后台任务队列架构，基于 LangGraph StateGraph 编排分析流程；自动采集代码仓库、文档资料，完成代码结构梳理、证据链分析、风险识别，结合大模型增强分析并做结构化校验，支持任务断点恢复、事件流式推送，输出可审计、可复盘的标准化工程调研报告。
• 涉及技术/知识点： 开发框架：FastAPI、SQLAlchemy、Next.js Agent 编排：LangGraph StateGraph、Checkpoint 断点持久化 任务治理：后台 Worker 任务队列、租约与超时恢复机制 通信：事件流式订阅 能力模块：Git 仓库读取、代码结构分析、结构化输出校验

项目五：电商运营助手（多智能体+Harness）（二选一）

• 项目简介：电商运营助手是面向线上店铺单品运营的多模态智能工作台，整合商品、竞品、库存、经营数据，依托多模态大模型与异步任务调度能力，实现商品诊断、图文视频素材生成、投放方案推荐与数据复盘，搭建从商品建档、创意生产到投放复盘的完整运营闭环，辅助运营人员完成单品全周期运营工作。
• 涉及技术/知识点： 开发框架：Python、FastAPI 任务调度：异步任务队列、任务优先级调度、失败重试机制 数据库：数据库建模、索引优化、Alembic 版本迁移、数据备份 AI 能力：多模态大模型接入、自定义模型参数配置

考试七

Coze

• 知识库搭建、RAG 全链路落地、智能体创建调优、多端应用发布、工作流可视化编排、代码调用工作流、工程化集成
• Coze案例：商品营销海报生成，商品营销卖点提炼，小红书文案生成，一键生成商品宣传视频

Dify

• 工作流编排、智能体搭建、对话流应用设计、第三方工具接入、代码扩展工作流
• Dify案例：客户投诉分类助手-钉钉，一键生成产品调研报告，客服对话记录分析，商品评论分析

Vibe Coding

• 自然语言驱动开发，掌握Claude Code、Cursor、Codex等常见开发工具，从模糊需求到具体落地
• Skill：Skill定义、Skill生命周期、Skill注册、Skill检索、Skill编排、Skill复用、Skill构建、Skill 与 AI 工具集成、Skill 迭代与版本管理、MCP

项目实战五：商城风控（六选二）

• 项目简介：商城风控是基于 RiskAgent 定制开发的电商智能风控系统，采用 Deep-Risk 三阶段思维链 Agent 架构，融合 Qdrant 向量检索与 ES 混合多路召回，搭配风险因子剪枝、HyDE 语义对齐，依托 AsyncIO 高并发异步架构识别交易欺诈、恶意退款等风险，实现事前预判与风险管控。
• 涉及技术/知识点： 开发框架：FastAPI、AsyncIO、SQLAlchemy Agent 大模型：LangChain、LangGraph、deepagents 检索引擎：Qdrant、Elasticsearch 文本处理：Jieba 分词、HyDE 数据处理：Pandas、NumPy 工具库：Pydantic、uvicorn、PyMySQL

项目实战五：万应助手（六选二）

• 项目简介：万应助手是面向 3C 售后的多智能体客服系统，采用 Orchestrator 中控调度架构做意图识别与路由分发，集成 Text-to-SQL、领域 RAG 知识库，基于 MCP 对接地图 LBS 服务，搭配持久化会话记忆，实现硬件故障诊断、数据查询、路线导航一体化智能售后交互。
• 涉及技术/知识点： 后端：Python、AsyncIO、PyMySQL 前端：Vue3、Element Plus Agent 架构：Orchestrator-Pattern、MCP 能力模块：Text-to-SQL、RAG 服务对接：OpenAI-SDK、百度地图 API

项目实战五：自动化漏洞挖掘与验证系统（六选二）

• 项目简介：自动化漏洞挖掘与验证系统，面向代码安全评估场景，分层架构包含前端、API、调度、多 Agent 执行、工具、沙箱、数据多层；基于状态图编排调度多安全 Agent 完成侦察、代码漏洞分析、PoC 验证、安全报告生成；依托 Docker 沙箱实现命令隔离执行，支持 WebSocket 实时推送、JWT 鉴权、异步任务持久化，输出可追溯漏洞证据、攻击链与安全评估报告，自动化替代人工审计重复工作。
• 涉及技术/知识点： 容器技术：Docker 沙箱隔离 通信协议：WebSocket、JWT 身份认证 架构：状态图编排、多 Agent 协作、异步任务调度 能力模块：代码静态分析、PoC 漏洞验证、Markdown/JSON 报告导出

项目实战五：智能体中台（六选二）

• 项目简介：企业级本地部署知识库管理平台，基于 RAG 实现文档向量处理与智能问答，具备 RBAC、ACL 多级权限管控、FAQ 管理、会话审计等能力，支持对接兼容 OpenAI 协议的模型与 Qdrant 向量库，服务企业内部知识安全管理。
• 涉及技术/知识点： 后端：Python 3.10+、FastAPI、SQLAlchemy、Alembic、Pydantic、JWT、pytest 前端：Vue 3、Vite、TypeScript、Vue Router 数据库：SQLite、PostgreSQL、MySQL 队列：RQ、Redis 向量库：Qdrant AI 能力：RAG、Embedding、OpenAI 兼容接口 部署：Docker

项目实战五：ETL-Agent(Harness)（六选二）

• 项目简介：生产级 ETL Agent 控制系统，依托 Agent+Harness+Workflow 混合架构，可将业务自然语言需求转化为可审计、可审批、可回放的 ETL 数据流水线，基于 SeaTunnel Zeta 完成异构数据搬运，具备权限管控、事务隔离、运行监督、证据留存等生产安全能力，实现企业数据集成任务全链路管控。
• 涉及技术/知识点： 后端：Python、LangGraph、PostgreSQL 数据引擎：Apache SeaTunnel Zeta Agent 体系：Agent Harness、ReAct、Tool Broker、PDP、Outbox 模式 工程能力：Checkpoint 断点恢复、幂等设计、事务治理、Benchmark 仿真评估 AI 能力：LLM 工具调用、结构化输出、Human-in-the-loop 人工审批

项目实战五：企业合同审批Agent（Hermes）（六选二）

• 项目简介：面向企业审批流程的智能合同审查助手，对接审批平台，实现合同附件下载、文档解析（PDF/Word/OCR 图片识别）、可配置化规则风险审查、审查意见生成与审批评论自动回写；支持幂等防重处理、全链路审计日志，提供运维看板，在不干预审批最终权限的前提下，自动识别合同条款缺失、高风险表述，提升合同审查效率。
• 涉及技术/知识点： 文档处理：OCR 识别、PDF/Word 文档解析 规则引擎：YAML 配置规则、正则匹配 工程能力：幂等控制、异步任务编排、审计埋点 大模型应用：LLM 文本摘要、语句润色

全程就业护航

• 对标招聘需求，进行全方位复习及准备；
• 手把手指导：简历撰写、投递，面试机会源源不断；
• 1V1模拟面试，通过后再正式开始就业；
• 就业老师为你复盘每日面试情况，传授面试及谈薪技巧；
• N多企业内推，工作机会又多又顺；
• 入职后技术老师持续答疑，为你的职场之路保驾护航。