FDE，即前沿部署工程师，关注的不只是模型本身，而是如何让模型能力精准进入业务现场：理解场景、完成接入、组织流程、验证效果，并交付可持续运行的解决方案。
课程围绕企业 AI 项目的一体化工作链路展开。你会从 API 与本地模型出发，构建知识库、智能体和多步骤工作流，完成 Web/API 应用，进一步进入私有部署、微调、评估和生产接入。
Course Overview
成为连接前沿技术与真实业务的 FDE
01
让模型能力接入业务
从提示与接口调用走向可用的知识问答、助手和自动化流程。
02
让应用能够稳定运行
把工作流、API、认证、日志、部署和验证放进同一工程视角。
03
让交付可以持续演进
通过微调、量化、评估、文档与演示，形成可复用的企业交付能力。
Delivery Capabilities
六项能力，覆盖企业 AI 应用的完整落地面
不是孤立学习工具，而是把模型、知识、流程、应用和运行环境连接为可交付方案。
模型接入与多模态调用
掌握聊天、流式、结构化输出与图文能力，按场景接入主流模型服务。
知识增强与检索优化
完成文档处理、向量化、混合检索、重排序和质量评估，让回答有据可查。
智能体与工作流编排
使用 LangChain 与 LangGraph 组织工具调用、多智能体协作和人工干预节点。
工具协议与业务扩展
通过 MCP 连接地图、搜索和自定义服务，把智能体能力延伸到业务工具。
Web、移动端与 API 工程化
以 Streamlit、LangServe 与 FastAPI 构建交互界面、业务接口、认证与服务发布。
私有部署与轻量微调
结合 Ollama、vLLM、OpenWebUI 和 LLaMA-Factory，让模型可控运行、持续优化。
Eight-Day Path
每天推进一个关键节点，最终串成完整交付方案
从模型基础到生产部署，每一天的能力都会在后续项目中继续被使用和验证。
本地大模型与 LangChain 入门
理解模型类型、提示策略、OpenAI 接口、结构化输出与基础智能体。
智能体进阶、工具与中间件
掌握多模态、工具调用、短长期记忆、中间件与人类干预控制。
RAG 与知识库智能体
构建向量库、完成文档入库与召回，使用混合检索和重排序优化效果。
LangGraph 与多智能体协作
通过状态、节点、边和子图组织业务流程，支持动态路由和回溯。
MCP 与应用工程化
接入 MCP 服务，使用 Streamlit、LangServe、FastAPI 交付 Web 与 API 应用。
Ollama、vLLM 与本地部署
管理模型、准备推理环境、提供兼容 API，并配置 OpenWebUI 知识库与智能体。
LLaMA-Factory 微调基础
理解 Transformer、LoRA、数据格式和 SFT，启动训练并对比微调前后效果。
微调进阶、量化与生产接入
完成评估、导出、DPO、量化与服务接入，演示端到端的生产闭环。
Curriculum
四个实践阶段，走过企业 AI 项目的全链路
每个阶段均以真实可运行成果为导向，逐步把前面的能力接入后面的工程场景。
PHASE 01 · DAY 01-02
模型接入与智能体基础
模型、接口与结构化输出
理解推理模型与指令模型，完成单轮、多轮、流式、JSON 和多模态调用，接入多种模型服务。
工具、记忆与安全控制
实现工具调用、ReAct、短长期记忆、摘要与上下文编辑，并用中间件设置调用上限和人工介入。
PHASE 02 · DAY 03-04
知识增强与流程编排
企业知识库与 RAG 优化
完成 PDF/网页加载、清洗、切分、元数据、向量化、召回测试，以及 BM25、重排序和重问优化。
LangGraph 业务工作流
使用 StateGraph、动态边、子图和持久化对话组织复杂流程，构建多智能体协作和人工干预节点。
PHASE 03 · DAY 05-06
应用工程化与私有部署
MCP、Web 与 API 服务
注册和自建 MCP Server，以 Streamlit 开发 PC/移动端智能体应用，用 FastAPI 与 Token 构建服务接口。
本地模型与推理环境
管理 Ollama 模型，使用 vLLM 进行高性能推理和 API 部署，并在 OpenWebUI 配置知识库与工具。
PHASE 04 · DAY 07-08
轻量微调与生产交付
LoRA 微调与数据准备
了解 SFT、LoRA、数据集格式、训练参数和模型评估，在 LLaMA-Factory 中完成训练和基础测试。
评估、量化与端到端接入
完成模型导出、INT4/INT8 量化、RLHF/DPO、WebUI 管理，并接入推理服务与智能体工作流。
Who It Is For
适合正在参与企业 AI 建设，想把技术变成方案的人
后端、全栈与算法工程师
希望系统掌握大模型应用开发、智能体工程化和企业项目实施方法。
数据工程与 AI 平台人员
希望把数据、模型、向量检索与部署环境连接为可管理的 AI 服务能力。
企业创新应用与技术团队
计划在内部建设知识库问答、Agent 助手、业务流程自动化或本地模型服务。
建议具备的基础
熟悉 Python，了解基础 Web 与 HTTP API 概念；具备 Linux 或应用环境使用经验更佳。
What You Can Do
课程结束后，你能独立推进一个企业 AI 应用的关键工作
接入模型与设计交互
使用 API、多轮对话、流式和结构化输出搭建可靠的模型调用体验。
构建可评估的 RAG
完成知识库、检索策略和效果优化，让回答更贴合企业资料与业务语境。
编排智能体工作流
通过工具、记忆、状态和人工介入组织复杂任务与多角色协作。
交付 Web 与 API 应用
让智能体和知识库能力以界面、接口、认证和服务形式进入业务系统。
完成私有化模型部署
能使用 Ollama、vLLM 和 OpenWebUI 管理模型、推理和企业内部应用。
把微调成果接入生产链路
完成 LoRA、量化、评估、导出和服务接入，形成可演示、可验证的交付闭环。
FDE Delivery Loop
从模型能力到业务成果，FDE 关注每一步是否真正可交付
模型、知识、智能体和部署环境必须在同一条链路中被验证，质量、安全与最终发布始终由交付团队掌控。
模型选择
评估模型类型、接口方式、成本、性能与业务适配度。
接入构建
实现对话、结构化输出、多模态与基础业务调用。
知识增强
建设向量库、检索策略与质量评估，让结果有业务依据。
智能体编排
组织工具调用、工作流、状态管理和人类干预。
应用与 API
通过界面、接口、认证与日志，让能力进入真实使用场景。
私有化部署
准备本地模型、推理服务、运行环境和知识库配置。
微调与优化
以数据、LoRA、量化和评估持续提升模型在目标场景中的表现。
验证与交付
完成演示、测试、文档与交接，让方案能够被团队持续使用。
Technology Stack
围绕企业 AI 应用，建立可组合、可演进的工具能力
LangChain
模型接入、提示、消息、工具、记忆与检索增强应用的开发基础。
LangGraph 与 MCP
多步骤工作流、智能体协作与外部工具服务的标准化连接。
Streamlit 与 FastAPI
将智能体能力封装为 Web、移动端体验与受控的业务 API。
Ollama、vLLM、OpenWebUI
模型管理、高性能推理、内部使用入口和知识库配置。
LLaMA-Factory
LoRA、DPO、量化、评估与模型导出，连接微调成果与生产服务。