使用 Python 的全栈 AI：LLM、RAG、Agents 和 LangGraph

现代人工智能实践指南：标记化、代理、RAG、向量数据库以及部署可扩展的人工智能应用。完整的人工智能课程

讲师：Hitesh Choudhary

---

您将学到什么

• 从头开始编写 Python 程序，使用 Git 进行版本控制，使用 Docker 进行部署。
• 使用 Pydantic 处理 Python 应用程序中的结构化数据和验证。
• 了解大型语言模型 (LLM) 的工作原理：标记化、嵌入、注意力和转换器。
• 使用 Python 调用并集成来自 OpenAI 和 Gemini 的 API。
• 设计有效的提示：零次提示、一次提示、几次提示、思路链提示、基于角色的提示和结构化提示。
• 使用 Ollama、Hugging Face 和 Docker 在本地运行和部署模型。
• 使用 LangChain 和矢量数据库实现检索增强生成 (RAG) 管道。
• 使用 LangGraph 设计具有节点、边和检查点的状态 AI 系统。
• 了解模型上下文协议（MCP）并使用 Python 构建 MCP 服务器。

要求

• 无需任何先前的人工智能知识——我们从基础开始。
• 一台可以访问互联网的计算机（Windows、macOS 或 Linux）。
• 基本的编程知识很有帮助，但不是强制性的（课程从头开始涵盖 Python）。

描述

欢迎来到完整的 AI 和 LLM 工程训练营——从头开始学习Python、Git、Docker、Pydantic、LLM、Agents、RAG、LangChain、LangGraph 和多模态 AI 的一站式课程。

这不仅仅是一门理论课程。课程结束后，你将能够编写、部署和扩展使用与ChatGPT、Gemini 和 Claude相同的技术的真实 AI 应用程序。

您将学到什么

基金会

• 从头开始的 Python 编程——语法、数据类型、OOP 和高级功能。
• Git 和 GitHub 基础知识——分支、合并、协作和专业工作流程。
• Docker — 像专业人士一样进行容器化、镜像、卷和应用程序部署。
• Pydantic — 适用于现代 Python 应用程序的类型安全、结构化数据处理。

人工智能基础知识

• 什么是 LLM 以及 GPT 的工作原理。
• 简单解释了标记化、嵌入、注意力和变换器。
• 了解多头注意力、位置编码和“注意力就是你所需要的”论文。

快速工程

• 掌握提示策略：零次提示、一次提示、几次提示、思路链提示、基于角色的提示。
• 使用 Alpaca、ChatML 和 LLaMA-2 格式。
• 使用 Pydantic 设计结构化输出的提示。

运行和使用 LLM

• 使用 Python 设置 OpenAI 和 Gemini API。
• 使用Ollama + Docker在本地运行模型。
• 使用Hugging Face 模型和 INSTRUCT 调整模型。
• 将 LLM 连接到 FastAPI 端点。

代理和 RAG 系统

• 从头开始构建您的第一个 AI 代理。
• 使用 Claude 的基于 CLI 的编码代理。
• 完整的RAG 管道——索引、检索和回答。
• LangChain：文档加载器、拆分器、检索器和向量存储器。
• 带有Redis/Valkey 队列的高级 RAG用于异步处理。
• 使用工作者和 FastAPI 扩展 RAG。

LangGraph 与内存

• LangGraph 简介——状态、节点、边和基于图的 AI。
• 使用 MongoDB 添加检查点。
• 记忆系统：短期记忆、长期记忆、情景记忆、语义记忆。
• 使用 Mem0 和 Vector DB 实现内存层。
• 使用 Neo4j 和 Cypher 查询的图形内存。

对话式和多模式人工智能

• 构建基于语音的对话代理。
• 集成语音转文本 (STT) 和文本转语音 (TTS)。
• 编写您自己的AI 语音助手进行编码（Cursor IDE 克隆）。
• 多模式 LLM：同时处理图像和文本。

模型上下文协议（MCP）

• 什么是 MCP 以及它为何对 AI 应用如此重要。
• MCP 传输：STDIO 和 SSE。
• 使用 Python 编写 MCP 服务器代码。

您将构建的真实项目

• 从头开始的标记器。
• 本地 Ollama + FastAPI AI 应用程序。
• 基于 Python CLI 的编码助手。
• 使用 LangChain 和 Vector DB 记录 RAG 管道。
• 基于队列的可扩展 RAG 系统，带有 Redis 和 FastAPI。
• AI 对话语音代理（STT + GPT + TTS）。
• 带有 Neo4j 的图形内存代理。
• MCP 驱动的 AI 服务器。

本课程适合哪些人？

• 想要完整的 Python + AI 从头到尾课程的初学者。
• 想要使用 LLM、RAG 和 LangChain 构建真实世界 AI 应用程序的开发人员。
• 希望将 AI 集成到现有堆栈中的数据工程师/后端开发人员。
• 旨在提升现代人工智能工程技能的学生和专业人士。

为什么要参加这门课程？

本课程将理论、编程和部署融为一体。你将从 Python 和 Git 的基础知识开始学习，最终将使用 LangChain、LangGraph、Ollama、Hugging Face 等技术编写尖端的 AI 应用程序。

与其他课程不同，本课程并不止于“调用 API”。您将深入了解系统设计、队列、扩展、内存和图形驱动的 AI 代理——成为一名脱颖而出的 AI 工程师所需的一切。

完成本课程后，您不仅会了解 AI，而且还能够构建它。

本课程适合哪些人：

• 想要逐步了解 AI、Python 和现代开发工具的初学者。
• 想要学习如何将 LLM、RAG 和代理集成到实际应用程序中的开发人员。
• 数据工程师和后端开发人员希望利用人工智能系统提升自己的技能。
• 希望凭借尖端人工智能工程知识在就业市场中脱颖而出的学生和专业人士。