阶段一：Python全栈与AI辅助编程 (4周)
教学双轨模式：Web开发主线 + AI工具赋能
模块一：Python核心语法与编程思维重塑
环境与规范
Miniconda虚拟环境管理
PyCharm
PEP8代码规范
Python语言类
数据类型：数字、字符串、元组、列表、集合、字典
变量、运算符、表达式
分支语句：if/elif/else
循环语句：for/while
函数和函数式编程
函数定义、参数、返回值
Lambda匿名函数
高阶函数：sorted/max等配合使用
面向对象编程OOP
深入理解self
类属性/方法、静态方法
封装、继承、多态鸭子类型
进阶特性
装饰器原理闭包应用
生成器yield与迭代器机制
标准库与AI对接
OS/Pathlib路径管理
DateTime时间处理
Re正则表达式
Requests库调用云端大模型API
模块二：Git版本控制与AI-DD(AI驱动开发)
Git工作流
分支管理：checkout / branch / merge
冲突解决
.gitignore配置
AI-DD效能革命
Trae/Cursor/Lingma安装配置
Chat模式与Composer模式切换
基于角色设定的提示词编写
利用AI进行自动化Code Review
模块三：Web后端开发与数据库设计
HTTP与RESTful规范
URL构成、请求方法GET/POST/PUT/DELETE
状态码：2xx、4xx、5xx
Header与Body
FastApi高效开发
路径/查询参数校验Pydantic
Request Body解析
Form表单/File上传
定制化ResponseJSON、状态码
数据库全栈操作
MySQL数据类型与约束PK/FK
多表查询：inner join / left join
SQLAlchemy ORM：引擎创建、Session管理、relationship关系映射
缓存与优化
Redis常用命令：String / Hash / List / Set / ZSet
Python连接池配置
模块四：云服务器部署与容器化
Linux常用指令
文件操作：ls / cd / rm / cp / mv
权限管理：chmod / chown
进程与端口监控：ps / netstat
Docker容器化
Dockerfile编写
镜像构建与容器运行
docker-compose多容器编排
阶段实战项目：《AI智能数据处理平台》
阶段产出
能独立开发完整的Web服务，并打包部署到服务器
对应岗位
Python后端开发
测试开发工程师
AI数据训练师
阶段二：Python AI大模型智能应用开发 (4周)
核心需求：RAG检索增强生成与 Agent智能体
模块一：提示词工程与RAG架构
Prompt Engineering
Zero‑shot 到 Few‑shot
CoT思维链、ToT思维树
ReAct推理+行动
RAG全链路剖析
数据加载：PyPDF、Unstructured处理多格式文档
文本分割：RecursiveCharacterTextSplitter (Chunk Size与Overlap调优)
向量化与检索
OpenAI / HuggingFace Embeddings
向量数据库：Chroma / Faiss / Milvus
MultiQueryRetriever多路召回
RAG进阶优化
Cross‑Encoder (BGE‑reranker)重排序
BM25 + 向量混合检索 (Hybrid Search)
模块二：LangChain应用编排与低代码平台
LangChain核心组件：Models、Messages、Output Parsers结构化输出
Agents与Tools
自定义工具开发 (Calculator / Search / SQL Tool)
AgentType配置
Memory缓冲区/摘要记忆
低代码平台实战：Dify/Coze工作流搭建、知识库导入
模块三：LangGraph工作流与多Agent系统
图结构编排
StateGraph定义
TypedDict状态管理
Conditional Edges条件分支与循环控制
多Agent协作机制
Sequential顺序
Hierarchical层级/主管-下属
Collaborative协作/辩论
前沿技术拓展
AutoGPT / BabyAGI原理解析
MCP (Agent间通信协议) 服务开发与调用
阶段实战项目：《EventMaster - 多智能体活动策划系统》
阶段产出
具备长短期记忆、能调用工具的智能客服或分析系统
对应岗位
AI应用开发工程师
RAG开发工程师
智能体开发工程师
阶段三：人工智能数学基础与深度学习 (4周)
模块一：AI必备数学基础
高等数学：导数与极值、偏导数、梯度链式法则、梯度下降原理
线性代数：向量与矩阵运算、特征值与特征向量、张量Tensor基础
概率统计：概率计算、贝叶斯定理、最大似然估计
信息论：信息熵、交叉熵、相对熵、互信息
模块二：数据分析与经典机器学习
数据科学库
Numpy矩阵运算
Pandas数据清洗
Matplotlib/Seaborn可视化
机器学习算法
线性回归 / 逻辑回归
决策树 / 随机森林
SVM支持向量机
K‑Means聚类、KNN(K近邻)
模型评估与优化
混淆矩阵
精确率 / 召回率 / F1值
Grid Search超参调优
模块三：PyTorch深度学习框架
核心机制
Tensor操作
自动微分Autograd
Dataset与DataLoader定制
神经网络构建
nn.Module搭建MLP多层感知机
激活函数：ReLU / Sigmoid
GPU加速CUDA
模型保存与加载 (torch.save / load)
模块四：神经网络架构演进 (CV与NLP)
CNN计算机视觉
卷积层 / 池化层原理
经典网络：LeNet、AlexNet、ResNet
OpenCV基础
YOLO目标检测
迁移学习
RNN / LSTM序列模型
RNN结构与梯度消失
LSTM与GRU
Seq2Seq模型
注意力机制基础
模块五：NLP基础
文本预处理：分词、词性标注、命名实体识别NER
中文NLP特化：jieba中文分词实战
词向量技术：Word2Vec、GloVe原理与实战
核心任务：文本分类、序列标注
模块六：Transformer与预训练模型
Transformer架构
自注意力机制Self-Attention数学推导
多头注意力Multi-Head
位置编码Positional Encoding
Encoder-Decoder结构
大模型解析
BERT双向编码
GPT自回归生成架构剖析
阶段实战项目：《Tiny-LLM：儿童故事生成模型》
阶段产出
具备数据建模能力，能从数学层面理解模型运行机制
对应岗位
数据分析师
机器学习工程师
算法测试工程师
阶段四：大模型开发、压缩与工程化部署 (4周)
模块一：预训练模型生态与中文大模型
主流架构解析：BERT、GPT系列 (1/2/3/3.5/4)、T5、BART
Hugging Face生态：Transformers库模型加载与推理
中文大模型特点
ChatGLM / Qwen / Baichuan解析
中文Tokenizer切词特点
中文数据集资源
模块二：大模型压缩
模型剪枝Pruning
非结构化 / 结构化剪枝
权重 / 注意力头剪枝
敏感度分析
知识蒸馏Distillation
软标签与温度参数
DistilBERT / TinyBERT方法
数据增强蒸馏
前沿量化技术
INT8原理 (动态 / 静态量化)
GPTQ、AWQ量化方法实战
模块三：大模型微调
高效微调PEFT
LoRA原理 (低秩分解)
QLoRA (量化+LoRA)
AdaLoRA (自适应低秩适配)
工具：LLaMA Factory、Unsloth
指令微调与对齐
Instruction Tuning
多任务微调
RLHF基础 (强化学习人类反馈)
模块四：大模型评测与vLLM高并发部署
评测体系
MMLU / C‑Eval / OpenCompass基准数据集
LLM‑as‑Judge方法
幻觉检测
vLLM高性能部署
PagedAttention机制
Continuous Batching
模型并行策略
API服务部署与性能监控
工程化并发方案
请求队列管理
动态批处理Dynamic Batching
流式输出Streaming
限流与熔断
阶段项目：《NexusAI - 企业级AI智能中台》
模型管理中心 (多版本)
RAG知识库 (文档/混合检索)
Agent工作流 (多Agent编排/工具集成)
监控运维 (日志分析/成本统计/告警系统)
阶段产出
能独立完成百亿级参数模型的私有化部署与性能调优
对应岗位
大模型算法工程师
大模型开发工程师
大模型运维工程师
AI Infra工程师
NLP算法工程师
就业冲刺与职业规划
简历指导：提炼项目亮点，使用STAR法则贴合大模型应用开发 / 大模型全栈 / AI相关岗位
技术面试突围：大模型高频题型精讲、ML/DL核心推导题、大模型场景设计题
HR与薪资谈判：模拟面试、offer选择与薪酬谈判
