一人即帝国

主题

尚硅谷 AI 全能开发 — 教学大纲与项目库（完整版） ​

数据来源: https://www.atguigu.com/aicoding/提取时间: 2026-06-21 说明: 本文档仅包含教学大纲具体内容与企业级项目详情，不含营销宣传内容。架构图以 SVG 链接形式保留。

实际培训机构资料本地路径: E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\ 该目录包含 29 个编号课程模块（01~29）+ 面试资料 + 企业研发流程，总计约 100GB+ 的视频、代码、笔记与资料。

面向10年+经验程序员的课程精简指南 ​

学习必要性与路径建议 ​

本文档基于以下原则对课程进行必要性评分（0-100）：

  • 已有经验可覆盖 → 低分（如Python基础、Java后端、Linux运维）
  • AI工具可替代 → 低分（如基础语法、SQL编写、简单框架学习）
  • AI时代的新技能 → 高分（如LangChain/RAG、智能体、Vibe Coding）
  • 有经验程序员的稀缺技能 → 高分（如AI应用架构、私有化部署、Prompt工程）

总分排序（按必要性从高到低） ​

优先级阶段必要性建议投入
1阶段八：Vibe Coding 项目实战90/100核心学习
2阶段四：LangChain & RAG 架构88/100核心学习
3阶段五：智能体项目实战82/100重点学习
4阶段三：大模型应用开发78/100重点学习
5阶段六：大模型微调55/100按需了解
6阶段九：前沿热点技术融合45/100了解概念
7阶段七：Vibe Coding 前置核心技术20/100直接跳过
8阶段二：系统架构与数据服务25/100基本跳过
9阶段一：Python基础10/100直接跳过
10阶段十：就业冲刺5/100完全不需要

网盘独立技术模块评分（按阶段归类） ​

模块所属阶段必要性建议投入
DeepAgents 框架阶段五：智能体项目实战65/100重点学习 — 智能体编排核心框架，承接 LangGraph 后的进阶编排工具
知识库评估优化与部署阶段六：大模型微调60/100重点学习 — 微调配套的工业级部署技能（vLLM/BGE-M3/Reranker）
多模态技术（CLIP/扩散模型）阶段九：前沿热点技术融合25/100了解概念 — 算法方向补充，了解 ViT/CLIP 原理即可
强化学习阶段九：前沿热点技术融合15/100了解概念 — 纯算法研究者选项，应用开发者可完全跳过

推荐学习路径（精简版） ​

  1. 阶段三 → 阶段四 → 阶段五 → 阶段八（核心AI技能链路）
  2. 阶段六和阶段九作为扩展阅读
  3. 阶段一、二、七、十完全跳过

网盘目录的学习演进评价 ​

网盘编号（01→29）大致遵循"基础→进阶"顺序，对初学者合理，但对经验程序员：

  • 编号01-09（Python/数据结构/Linux/MySQL/ML/DL）：完全跳过
  • 编号10-13（智图寻宝/智能商品发布/地址对齐）：按需选学
  • 编号14-15（大模型概述/低代码Agent）：核心必学
  • 编号16-20（LangChain/LangGraph/掌柜智库/掌柜问数）：核心必学
  • 编号21（LLM）：了解即可
  • 编号22（强化学习）：了解概念即可 — 纯算法方向，与电商小二/vibecoding无关联
  • 编号23（电商小二）：核心必学 — Rasa对话系统实战
  • 编号24（vibecoding）：核心必学 — AI生成式全栈开发
  • 编号25（知识库问数客服项目实战）：按需实践 — 三大项目行业落地训练集
  • 编号26（多模态）：了解概念 — CLIP/扩散模型原理
  • 编号27（知识库评估优化与部署）：重点学习 — 工业级模型部署与RAG评估
  • 编号28（舆情分析）：重点学习 — 多源舆情智能分析系统
  • 编号29（deepagents）：重点学习 — 智能体编排进阶框架

建议学习顺序调整为：14→15→16→18→19→20→23→29→27→28→24→(按需25/26/22)

网盘内容完整性评估 ​

评估维度评分说明
基础技术覆盖95%Python/Linux/MySQL/ML/DL等基础课程齐全
AI框架覆盖85%LangChain/LangGraph/DeepAgents齐全，微调工具链和Agent编排框架覆盖较好
项目实战覆盖55%28+5=33个项目中10个有独立目录，23个缺失（含5个新增项目）
部署运维覆盖70%新增知识库评估优化与部署独立目录，GPU模型部署(vLLM/BGE-M3/Reranker)内容齐备，CI/CD素材有限
前沿技术覆盖55%多模态(ViT/CLIP/扩散模型)和强化学习独立目录覆盖，Hermes Agent/Harness等前沿内容仍缺失
整体完整度70%基础扎实，项目实战部分仍有较大缺口，但部署评估和多模态方向有所补强

主要缺失：23个项目的教学视频/代码未包含在网盘中，需要依赖教学大纲自行查找补充。

📁 本地资料盘目录与课程阶段完整对照 ​

资料根路径: E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\

网盘编号目录名称对应阶段内容概要视频笔记代码
0101_尚硅谷大模型技术之python基础阶段一Python环境、基础语法、面向对象、文件操作✅ day01~07✅ .bmpr/.docx✅
0202_尚硅谷大模型技术之数据结构与算法阶段一排序、查找、树、图算法✅ day01~03✅✅
0303_尚硅谷大模型技术之Linux及Shell阶段二Linux命令、Shell脚本✅✅✅
0404_尚硅谷大模型技术之MySQL阶段二SQL语句、多表操作、索引✅✅❌
0505_尚硅谷大模型技术之Python连接MySQL以及Web开发框架阶段二Python连接MySQL、FastAPI、Web框架✅✅✅
0606_尚硅谷大模型技术之Numpy&Pandas阶段一NumPy、Pandas数据处理✅✅❌
0707_尚硅谷大模型技术之Git阶段二Git安装、基本操作、工作流✅✅✅
0808_尚硅谷AI大模型之机器学习阶段一机器学习基础算法✅✅✅
0909_尚硅谷AI大模型之深度学习阶段一深度学习基础、神经网络✅✅❌
1010_尚硅谷AI大模型项目之智图寻宝额外项目自编码器去噪、CNN分类、以图搜图✅✅❌
1111_尚硅谷AI大模型之NLP阶段三补充NLP理论、RNN/LSTM/Transformer/BERT✅ day01~12✅ .docx✅
1212_尚硅谷大模型项目之智能商品发布额外项目BERT微调、商品自动分类✅✅✅
1313_尚硅谷大模型项目实战之地址对齐额外项目RoBERTa序列标注、地址标准化✅✅✅
1414_尚硅谷大模型技术之大模型概述阶段三大模型原理、提示词、RAG、Agent、MCP✅ 31集✅ .docx❌
1515_尚硅谷大模型技术之低代码平台agent开发与部署阶段三Coze/Dify平台、工作流编排、私有化部署✅ day01~03✅ .md✅
1616_尚硅谷大模型技术之LangChain阶段四LangChain框架、Model I/O、Chains、Memory、Agents✅✅❌
1717_尚硅谷大模型技术之智能点餐系统额外项目LangChain + Milvus + Redis 点餐Agent✅✅✅
1818_尚硅谷大模型技术之LangGraph阶段四LangGraph、State/Node/Edge、Agent编排✅✅✅
1919_尚硅谷大模式项目之掌柜智库阶段四/五企业级RAG项目：PDF解析→切片→向量化→知识图谱→多路检索→RRF融合→Rerank✅ 18天✅ .md✅ 完整源码
2020_尚硅谷大模型项目之掌柜问数阶段五NL2SQL项目、DataAgent架构✅✅✅
2121_尚硅谷大模型技术之LLM阶段三大模型技术原理✅✅✅
2222_尚硅谷大模型技术之强化学习阶段九MDP、Q-Learning、DQN、PPO✅✅❌
2323_尚硅谷大模型项目之电商小二阶段五Rasa对话系统、DIET架构、电商客服✅✅✅
2424_尚硅谷大模型技术之vibecoding阶段七/八Cursor/Codex工具、AI全栈开发✅✅❌
2525_尚硅谷大模型知识库问数客服项目实战阶段五补充旅游/教育行业完整数据集+API，含掌柜小二/智库/问数实战✅✅✅
2626_尚硅谷大模型技术之多模态阶段九ViT、CLIP、ClipCap、扩散模型、DALL·E 2✅ day01~03✅✅
2727_尚硅谷大模型项目之知识库评估与优化与部署阶段六GPU部署(vLLM/BGE-M3/Reranker)、RAGAS评估✅✅✅
2828_尚硅谷大模型项目之舆情分析系统阶段五多源舆情采集、情感分析、热度追踪、预警✅✅✅
2929_尚硅谷大模型技术之deepagents阶段五DeepAgents框架、SubAgent、HITL、深度搜索✅ day01~02❌❌
—面试大保健/阶段十面试真题、高频面试题、串讲视频✅✅❌
—面试阶段资料/阶段十简历指导、笔试面试、人事话术、项目文档❌✅❌
—企业研发流程/阶段七补充企业职级定位、研发流程✅ 5集❌❌

路径说明: 每个目录统一结构为 {编号}_{名称}/ → 1.笔记/, 2.资料/, 3.代码/, 4.视频/（部分目录编号可能略有差异）

完整目录文件: E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\尚硅谷—ai全能开发_文件目录.txt（7747行，可搜索定位具体文件）

第一部分：课程大纲（10 阶段） ​

阶段一：Python基础 ​

定位：AI时代的通用编程语言

=================================================================

🔴 学习必要性评估：必要性 10/100 — 可直接跳过 ​

面向10年+经验程序员的分析 对于10年+经验开发者，Python基础语法、PyCharm使用、数据结构、OOP等属于已有技能储备。AI(如Cursor/Codex)可直接生成Python代码，无需专门学习。

建议跳过（已有经验或AI可替代）：

  • Python环境搭建与PyCharm配置
  • 基础语法、循环、分支
  • 字符串、列表、字典等数据结构
  • 函数、面向对象(OOP)
  • 文件I/O、异常处理
  • 网络编程、socket、多线程
  • 正则表达式
  • 综合案例(愤怒的小鸟、客户信息管理)

建议保留（有学习价值）：

  • 生成器/迭代器/装饰器(了解即可，AI可生成)

=================================================================

可掌握的核心技能 ​

  1. 掌握 Python 环境搭建与开发工具配置，为 AI 开发奠定坚实基础。
  2. 精通 PyCharm IDE 的高效使用，包括调试技巧和工作流优化。
  3. 熟练运用 Python 基础语法和控制结构，构建扎实编程基础。
  4. 深入掌握 Python 核心数据结构及其应用场景，高效处理数据。
  5. 精通函数定义与调用，编写可复用代码，理解作用域与递归。
  6. 掌握文件 I/O 操作，实现数据持久化与文本处理。
  7. 理解面向对象编程基本概念，设计并实现简单类和对象。
  8. 熟悉异常处理机制，确保程序稳定性。

课程设计特色 ​

专为零基础设计，通过实际案例逐步引导学员从环境搭建到第一个项目，让编程变得轻松易懂。强调实战导向，每个知识点都配备具体项目练习，如愤怒的小鸟、客户信息管理系统等，使理论知识快速转化为实践能力。涵盖现代 Python 开发所需的核心技能，从基础语法到高阶特性，全面培养企业级编码习惯，为后续学习打下坚实基础。

课程关键技术 ​

Python核心 ​

  1. Python入门：Python发展史、Python应用场景、Python开发环境搭建
  2. PyCharm：PyCharm的安装、设置字体、设置快捷键、PyCharm常用设置、调试
  3. Python基础知识：注释、变量以及数据类型、标识符和关键字、输入函数、输出函数、运算符、程序类型转换
  4. 分支和循环：if判断语句、运算符、if-else语句、while循环、for循环、break、continue
  5. 字符串和列表：字符串输入、字符串输出、下标和切片、字符串常见函数、列表(list)、列表的循环遍历、列表的增删改查、列表的嵌套、列表的切片
  6. 字典和元组：字典的增删改查、字典遍历、访问元组、修改元组、集合（set）
  7. 函数：函数定义、函数的类型、函数参数、函数返回值、函数嵌套、局部变量、全局变量、递归函数、匿名函数
  8. 文件操作：文件的打开与关闭、文件的读写、文件读写应用
  9. 面向对象（类和对象）：定义类、类的构成、类的init()方法、创建对象、理解self
  10. 面向对象（封装、继承、多态）：封装、私有方法、私有属性、del()方法、继承、多继承、多态、类属性、实例属性、静态方法和类方法
  11. 面向对象（设计模式）：单例模式、工厂模式、new方法
  12. 综合案例：愤怒的小鸟
  13. 异常：捕获异常、异常的传递
  14. 模块：模块中的all、模块制作、打包模块、模块安装与使用
  15. 深拷贝、浅拷贝、私有化：深拷贝案例、浅拷贝案例、进制、位运算、作用域、私有化、属性property
  16. 生成器、迭代器、闭包、装饰器、元类、垃圾回收、内建函数
  17. 网络编程：进程池、进程间通信、多线程、进程和线程区别、协程、网络通信、端口、IP地址、socket、UDP、TCP、http
  18. 网络编程综合案例：企业级web框架starlette介绍及使用
  19. 正则表达：表示字符、表示数量、原始字符串、表示边界、匹配分组
  20. 综合案例：客户信息管理系统综合案例

** 网盘对应课程目录**（E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\01_尚硅谷大模型技术之python基础\）

  • 01_尚硅谷大模型技术之python基础 — Python基础语法、PyCharm、函数、面向对象
  • 02_尚硅谷大模型技术之数据结构与算法 — 数据结构、排序、查找、树
  • 06_尚硅谷大模型技术之Numpy&Pandas — NumPy、Pandas数据处理
  • 08_尚硅谷AI大模型之机器学习 — 机器学习基础
  • 09_尚硅谷AI大模型之深度学习 — 深度学习基础

阶段二：系统架构与数据服务 ​

定位：AI应用的坚实基座

=================================================================

🟠 学习必要性评估：必要性 25/100 — 基本可跳过，按需查阅 ​

面向10年+经验程序员的分析 Linux命令、MySQL、Git、Docker对有经验开发者属于基本功。FastAPI作为Python Web框架可能不熟悉，但AI可辅助快速上手。

建议跳过（已有经验或AI可替代）：

  • Linux安装与常用命令
  • Shell脚本编程
  • MySQL安装、SQL语句、多表操作
  • Docker安装与基本命令
  • Git安装与基本操作

建议保留（有学习价值）：

  • FastAPI+SQLAlchemy(若未接触过Python Web，可概览)

=================================================================

可掌握的核心技能 ​

  1. 掌握Linux系统安装配置及常用命令，构建稳定开发环境。
  2. 熟练编写Shell脚本，实现自动化运维任务。
  3. 掌握Docker容器技术，快速部署隔离应用。
  4. 精通MySQL数据库操作，实现数据CRUD及查询优化。
  5. 理解前后端分离架构，掌握API设计规范。
  6. 使用FastAPI和SQLAlchemy构建高性能Web服务。

课程设计特色 ​

此阶段专注于打造坚实的系统架构与数据服务能力，从Linux命令行到Docker容器化，再到数据库管理与高性能API服务开发，提供全面的技术栈培训。 通过实际操作与案例分析，帮助学员深入理解智能应用背后的基础设施建设，强调工程思维与系统认知的培养，为未来的大模型应用开发铺平道路。

课程关键技术 ​

Linux基础&Shell ​

  1. Linux环境准备：WSL 安装、Linux 安装、VI 编辑器、软件包安装
  2. Linux 常用命令：vim、cd、mkdir、chmod、chown、grep、echo、tail、more、touch、sudo、history、yum、systemctl、ln、ifconfig、hostname、ping、netstat、ps等
  3. Shell：变量、运算符、条件判断、流程控制、系统函数&自定义函数、常用工具命令、常用正则表达式

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、启动容器、常用命令

FastAPI ​

FastAPI+Uvicorn 核心基础、SQLAlchemy 数据库操作基础、FastAPI+SQLAlchemy 整合开发、小型实战与部署

考试一 ​

** 网盘对应课程目录**（E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\03_尚硅谷大模型技术之Linux及Shell\）

  • 03_尚硅谷大模型技术之Linux及Shell — Linux命令、Shell脚本
  • 04_尚硅谷大模型技术之MySQL — MySQL安装、SQL语句、多表操作
  • 05_尚硅谷大模型技术之Python连接MySQL以及Web开发框架 — Python连接MySQL、FastAPI、Web框架
  • 07_尚硅谷大模型技术之Git — Git安装、基本操作、工作流

阶段三：大模型应用开发 ​

定位：智能体时代的业务赋能

=================================================================

🟡 学习必要性评估：必要性 78/100 — 推荐学习，AI应用开发的基础 ​

面向10年+经验程序员的分析 这是经验程序员最可能欠缺的领域。大模型概述、提示词工程、Coze/Dify低代码平台、Ollama私有化部署，是进入AI领域的必修课。项目一(商户运营管家)是电商+AI的实战案例，价值较高。

建议保留（有学习价值）：

  • 大模型核心概念(微调/RAG/提示词/Agent架构)
  • Coze/Dify平台搭建与工作流编排
  • Python调用Coze/Dify接口
  • Ollama/Xinference私有化部署
  • 商户运营管家项目(电商AI应用全栈)

** 网盘额外项目（大纲未列）**

  • 11_尚硅谷AI大模型之NLP — NLP理论课程，经验程序员了解概念即可 =================================================================

可掌握的核心技能 ​

  1. 了解微调、RAG、提示词与 LLM 智能体基础架构、记忆机制。
  2. 熟练使用 Coze、Dify，掌握知识库搭建与本地私有化部署。
  3. 掌握电商、自媒体场景 AI 应用开发，落地各类业务辅助工具。
  4. 熟练用 Python 调用 Coze/Dify 工作流，完成业务代码集成。
  5. 了解 Ollama、Xinference、vLLM，可落地大模型私有化部署。
  6. 具备智能体从搭建到部署的全流程商用项目交付能力。

课程设计特色 ​

低门槛高价值——从零构建 AI 商业应用的实战指南。课程设计打破"AI 高深莫测"的迷思，采用"平台工具 + API 调用 + 核心原理"三层递进教学法，让学员快速上手并深入理解。聚焦真实商业场景，特别是电商与自媒体两大热门领域，所有案例均来自一线企业实践，学完即可创造商业价值。技术前瞻性强，不仅教授当前流行工具，更深入解析智能体架构、记忆机制等核心概念，培养学员技术演进预判能力。学习曲线科学设计，从无代码平台到 Python 集成再到私有部署，逐步提升技术深度，确保学员成为企业争抢的"AI+业务"复合型人才！

课程关键技术 ​

模块内容
大模型应用开发概述微调入门、RAG入门、提示词入门、智能体是什么、LLM代理的构成要素、第一个LLM智能体、为Agent配备工具、智能体基本规划与执行、LLM智能体记忆
**项目一：商户运营管家 **【网盘已有】** **1、智能体开发概述与搭建流程，Coze、Dify的介绍和基本使用；2、企业私有知识库搭建；3、电商场景AI应用搭建（商品营销卖点提炼、商品评论分析、客服对话记录分析、一键生成行业调研报告、客户投诉分类助手、产品营销海报）；4、自媒体领域AI应用搭建（一键生成行业调研PPT、复刻爆款视频）；5、Python调用Coze、Dify平台工作流；6、Coze、Dify的windows平台部署；7、企业级大模型及Ollama、Xinference部署

** 网盘对应课程目录**（E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\14_尚硅谷大模型技术之大模型概述\）

  • 14_尚硅谷大模型技术之大模型概述 — 大模型概述、提示词、Function Call、RAG、Agent
  • 15_尚硅谷大模型技术之低代码平台agent开发与部署 — Coze/Dify平台、知识库、工作流、私有化部署
  • 21_尚硅谷大模型技术之LLM — 大模型技术、LLM原理

阶段四：LangChain & RAG 架构 ​

可掌握的核心技能 ​

  1. 掌握LangChain框架核心架构，构建可扩展的AI应用。
  2. 精通Model I/O技术，优化LLM交互质量。
  3. 熟练使用Chains设计模式，实现复杂业务流程。
  4. 设计高效Memory模块，提升多轮对话体验。
  5. 构建基于ReAct范式的自主决策智能体。
  6. 实现RAG全链路技术，从数据加载到检索优化。
  7. 应用LangGraph框架，构建状态驱动的复杂应用。
  8. 集成多模态文档处理技术，扩展知识库覆盖范围。
  9. 运用RAG深度优化技术，提升问答质量。
  10. 通过掌柜智库、好医智库等项目实战垂直领域应用。

课程设计特色 ​

架构驱动，工业级标准——培养企业级知识智能系统开发能力。 课程以LangChain和LangGraph为骨架，深入解析框架设计哲学与状态管理机制，培养真正架构思维。 创新引入"可插拔RAG工作流"设计，使系统具备模块化、可扩展特性。集成多模态处理能力，突破传统RAG系统局限，解决真实企业图文混排文档处理难题。 项目直击行业痛点：掌柜智库解决电商知识碎片化；好医智库应对医疗文本专业性挑战；伴学智库攻克教育内容个性化需求。通过RAGAS评估框架建立数据驱动优化机制，让学员掌握从基础到高级的完整技术演进路径。

课程关键技术 ​

LangChain框架 ​

  1. LangChain框架概述、LangChain的安装与调用
  2. Model I/O：Message、Prompt Template、Output Parsers、FunctionCaling
  3. Chains：Chains的设计理念、SequentialChain、RouterChain
  4. Memory：Memory模块的设计理念、如何自定义Memory模块、内置的Memory模块
  5. Agents：基于LangChain的Agent抽象、自定义基于ReAct范式的Agents、使用LangChain定义的ReAct策略
  6. Retrieval：Source 与 data loaders、Text Splitters、Text embedding models、vector store
  7. 电商平台商家对话助手案例：集成店铺运营数据库检索、平台政策实时查询和客户服务管理功能；开发多工具调用能力，比如：创建优惠券、平台物流/订单、库存检查、工单分类等；掌握通过记忆机制管理多会话上下文；掌握本地知识库的搭建与调用

LangGraph框架 ​

  1. LangGraph入门：从链式到图状的思维转变
  2. 图的核心要素：State, Node, Edge - State (状态)
  3. Graphs：图的构建与编译
  4. Memory：图中的持久化状态与记忆
  5. Agents：使用LangGraph构建更鲁棒、更可控的智能体
  6. 高级应用与技巧 - 流式输出 (Streaming)
  7. 案例：内部文档查询助手（小型知识库）

RAG原理及优化 ​

  1. RAG 架构演进、RAG 效果评估、质量分数评估、基本能力评估、评估工具 Ragas
  2. 搭建 RAG 系统：系统架构、索引过程、检索过程、生成过程、索引模块、RAG 链条、流式响应 API
  3. 索引过程：文档加载、文本分块、向量嵌入与存储
  4. RAG 优化：检索前处理-多查询、检索前处理-HyDE、检索后处理-重排序、混合检索、分层缓存
  5. Graph RAG：传统 RAG 的局限、基于语料库的 Graph RAG、基于已有知识图谱的 Graph RAG
  6. 基于语料库的 Graph RAG：切分文本块、抽取实体与关系、构建知识图谱、构建图社区、生成社区摘要、全局查询、局部查询

git/github/gitee/gitlab ​

安装配置、本地库搭建、基本操作、工作流、集中式

项目二：掌柜智库 【网盘已有】

  1. 前沿架构：基于 LangGraph 构建企业级可插拔 RAG 工作流。
  2. 多模态处理：集成 MinerU 与 OCR，精准解析图文混排 PDF。
  3. 多路召回：向量检索 + 稀疏检索 + Neo4j 知识图谱多路混合召回。
  4. 智能切片：支持滑动窗口、Small-to-Big 及语义切分策略。
  5. 深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术。
  6. 全链路评估：集成 RAGAS 框架，自动化评估检索与生成质量。

项目实战一：好医智库 【缺失】（五选一）

  1. 前沿架构：基于 LangGraph 构建可审计、可溯源的企业级可插拔 RAG 工作流。
  2. 多模态处理：集成 MinerU 与OCR，精准解析医学影像报告、电子病历（EMR）及图文混排医学文献。
  3. 多路召回：向量检索 + 稀疏检索 + 临床知识图谱多路融合召回，确保医疗问答的准确性与覆盖率。
  4. 智能切片：支持基于病例结构的切片、滑动窗口、Small-to-Big及医学语义切分策略，适配长文档 EMR 与指南。
  5. 深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术，优化对症状、诊断、治疗路径等查询的匹配质量。
  6. 全链路评估：集成 RAGAS 与临床知识正确性校验流程，实现检索与生成的自动化医疗级评估。

项目实战一：伴学智库 【缺失】（五选一）

  1. 前沿架构：基于LangGraph构建在线教育可插拔RAG工作流，支持课程构建、教辅生成与学习路径推荐的模块化扩展。
  2. 多模态处理：集成MinerU与OCR，精准解析教材扫描件、课堂板书截图、图文混排课件PDF。
  3. 多路召回：向量检索+稀疏检索+知识图谱（课程体系/题库知识点网）多路混合召回，支撑题目解析与知识点推送。
  4. 智能切片：支持滑动窗口、Small-to-Big及教育语义切分策略，适配不同学科的课件、笔记与大体量教材。
  5. 深度优化：引入HyDE假设性嵌入与BGE-Rerank重排序技术，增强对知识点、题干语义与解题逻辑的精准匹配。
  6. 全链路评估：集成RAGAS框架，结合题目正确率与知识点覆盖度，完成检索与生成质量的自动化性能评估。

项目实战一：倾听智库 【缺失】（五选一）

  1. 前沿架构：基于 LangGraph 构建企业级可插拔 RAG 工作流，支持对话意图理解、多轮问答与知识溯源，模块可灵活扩展与替换。
  2. 多模态处理：集成 MinerU 与 OCR，精准解析对话纪要、访谈文稿、图文混排报告及音视频转写文档。
  3. 多路召回：向量检索 + 稀疏检索 + 业务场景知识图谱多路混合召回，提升问答连贯性与场景匹配度。
  4. 智能切片：支持滑动窗口、Small-to-Big 及对话语义切分策略，适配长文本访谈记录与多轮对话日志。
  5. 深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术，强化对观点、诉求、关键信息的精准提取与匹配。
  6. 全链路评估：集成 RAGAS 框架，结合信息完整度、回答合理性与事实一致性，实现自动化质量评估。

项目实战一：金融智库 【缺失】（五选一）

  1. 前沿架构：基于 LangGraph 构建金融场景可插拔 RAG 工作流，支持研报解读、数据查询、风险提示与合规校验一体化流程。
  2. 多模态处理：集成 MinerU 与 OCR，精准解析财报 PDF、研报图表、招股书、合同文本及金融图文混排资料。
  3. 多路召回：向量检索 + 稀疏检索 + 金融知识图谱（行业 / 标的 / 指标 / 法规）多路融合召回，保障金融问答严谨性与准确性。
  4. 智能切片：支持按财报章节、指标维度、条款段落切分，结合滑动窗口、Small-to-Big 与金融语义切片，适配长文档研报与法规。
  5. 深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术，提升对金融指标、业务逻辑、风险条款的检索与生成精度。
  6. 全链路评估：集成 RAGAS 框架并叠加金融合规性校验，自动化评估检索准确性、生成可靠性与合规风险。

项目实战一：美途智库 【缺失】（五选一）

  1. 前沿架构：基于 LangGraph 构建文旅出行场景可插拔 RAG 工作流，支持行程规划、攻略生成、景点问答与服务推荐模块化扩展。
  2. 多模态处理：集成 MinerU 与 OCR，精准解析旅游攻略、景点介绍、线路手册、票务文件及图文混排文旅宣传资料。
  3. 多路召回：向量检索 + 稀疏检索 + 文旅知识图谱（景点 / 线路 / 交通 / 住宿 / 政策）多路混合召回，提升推荐合理性与信息全面性。
  4. 智能切片：支持按地域、行程天数、景点主题切片，结合滑动窗口、Small-to-Big 与出行语义切片，适配长攻略与线路手册。
  5. 深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术，优化对出行需求、偏好、游玩路线的语义理解与匹配。
  6. 全链路评估：集成 RAGAS 框架，结合信息真实度、路线合理性与用户问答满意度，完成自动化检索与生成质量评估。

考试二

** 网盘对应课程目录**（E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\16_尚硅谷大模型技术之LangChain\）

  • 16_尚硅谷大模型技术之LangChain — LangChain框架、Model I/O、Chains、Memory、Agents
  • 18_尚硅谷大模型技术之LangGraph — LangGraph框架、State、Node、Edge、Agent
  • 19_尚硅谷大模式项目之掌柜智库 — 掌柜智库：RAG项目实战

阶段五：智能体项目实战 ​

定位：多场景 AI 解决方案深度开发

=================================================================

🟢 学习必要性评估：必要性 82/100 — 推荐，智能体项目落地核心 ​

面向10年+经验程序员的分析 Rasa对话系统、NL2SQL、中控调度架构是智能体项目的主要形态。电商小二(Rasa+DIET)和掌柜问数(NL2SQL+DataAgent)均已落地网盘。多选一的项目(好医智库等5个)缺失，但不影响核心体系学习。

建议跳过（已有经验或AI可替代）：

  • Rasa框架深度定制(若只做AI应用可不深究)

建议保留（有学习价值）：

  • DIET多任务学习架构
  • NL2SQL思维链(掌柜问数项目)
  • 中控调度/Orchestrator架构
  • 电商小二项目(Rasa对话系统)
  • 舆情分析系统
  • MCP协议集成

** 网盘额外项目（大纲未列）**

  • 12_尚硅谷大模型项目之智能商品发布 — 电商后台管理，与电商小二部分重叠 (相似度35%)
  • 17_尚硅谷大模型技术之智能点餐系统 — 餐饮智能助手，与万应助手相似 (相似度40%)
  • 13_尚硅谷大模型项目实战之地址对齐 — 数据标准化，与掌柜问数技术相似 (相似度45%)
  • 25_尚硅谷大模型知识库问数客服项目实战 — 与掌柜问数高度重叠 (相似度70%) =================================================================

=================================================================

🟢 学习必要性评估：必要性 88/100 — 强力推荐，企业级AI应用核心架构 ​

面向10年+经验程序员的分析 LangChain和LangGraph是当前AI应用开发的核心框架，RAG技术是企业知识库的基石。掌柜智库项目涵盖了完整的数据导入、多路检索(Milvus+Neo4j)、HyDE、Rerank、RRF融合等工业级技术。

建议保留（有学习价值）：

  • LangChain框架(Model I/O/Chains/Memory/Agents)
  • LangGraph(State/Node/Edge/AI Agent编排)
  • RAG全链路(文档加载>切片>嵌入>检索>生成)
  • 掌柜智库项目(企业级RAG实战)
  • Graph RAG(Neo4j知识图谱增强检索)
  • RAGAS评估框架

** 网盘额外项目（大纲未列）**

  • 10_尚硅谷AI大模型项目之智图寻宝 — 地图+LBS互动项目，与美途旅行部分重叠 (相似度30%) =================================================================

可掌握的核心技能 ​

  1. 精通Rasa框架定制开发，构建企业级对话系统。
  2. 应用DIET多任务学习架构，提升对话理解准确率。
  3. 设计混合对话策略，平衡业务规则与交互灵活性。
  4. 实现垂直领域特征工程优化，攻克专业术语识别。
  5. 开发动态动作执行机制，连接外部业务系统。
  6. 构建NL2SQL智能体，实现自然语言到复杂SQL转换。
  7. 设计高并发异步架构，优化系统响应性能。
  8. 实现中控调度架构，构建多功能统一智能入口。
  9. 构建全生命周期记忆机制，确保对话连贯性。

课程设计特色 ​

真场景、真技术、真价值——AI智能体企业级落地的终极实战。 课程聚焦三大高价值赛道项目：电商小二系统攻克中文电商智能客服；掌柜问数实现复杂NL2SQL能力；万应助手融合LBS、知识库与SQL查询，构建统一智能入口。 创新采用"技术模块化+场景定制化"教学模式，核心引擎统一讲解，业务适配分场景精讲。所有项目强调"能办事"而非"会聊天"，集成真实业务API，实现订单查询、挂号预约、报表生成等实际功能。 项目开发遵循企业标准流程，从需求分析到测试验收，培养工程化思维。最终交付可直接投入生产的智能体系统，让学员携真实商业价值进入就业市场，成为企业AI转型的核心推动力量。

课程关键技术 ​

项目三：电商小二 【网盘已有】 ​

  1. 行标级开源项目深度二开与定制：深入 Rasa 源码层进行企业级二次定制开发。
  2. 深度语义融合：构建 Sparse + Dense 双路特征提取网络，结合正则表达式（Regex）与预训练语言模型（BERT/ChineseBERT），实现对电商复杂术语的精准理解。
  3. DIET 多任务学习：采用 DIET (Dual Intent and Entity Transformer) 架构，在一个模型中同时完成意图分类与实体提取，大幅提升训练效率与识别准确率。
  4. 混合对话策略： Rule + ML (TED) 双引擎驱动。利用 RulePolicy 处理退换货等硬性业务流程，利用 TED 策略处理上下文跳跃等复杂多轮对话，拒绝“人工智障”。
  5. 全链路特征工程：内置 Jieba 中文分词与 CountVectors 词袋模型，针对中文电商语境进行专项优化，解决“口语化”、“缩略语”识别难题。
  6. 动态动作执行：基于 Action Selection 模块，不仅能“答疑”，更能“办事”。支持自定义 Action 调用外部 API，实时查询订单状态、修改物流信息。
  7. 可视化故事建模：基于 Stories 故事策略进行多轮对话流程建模，将非线性的用户交互转化为可控的机器学习训练样本。

项目实战二：尚医助手 【缺失】（五选一）

  1. 开源项目深度二开与定制：深入 Rasa 源码层进行企业级二次定制开发。
  2. 深度语义融合：构建 Sparse + Dense 双路特征提取网络，结合正则表达式（Regex）与预训练语言模型（BERT/ChineseBERT），实现对医疗专业术语的精准理解。
  3. DIET 多任务学习：采用 DIET (Dual Intent and Entity Transformer) 架构，在一个模型中同时完成意图分类与实体提取，大幅提升训练效率与识别准确率。
  4. 混合对话策略： Rule + ML (TED) 双引擎驱动。利用 RulePolicy 处理挂号缴费、病历查询等硬性业务流程，利用 TED 策略处理病情描述、用药咨询等复杂多轮对话。
  5. 全链路特征工程：内置 Jieba 中文分词与 CountVectors 词袋模型，针对中文医疗语境进行专项优化，解决“口语化症状描述”、“医学缩略语”识别难题。
  6. 动态动作执行：基于 Action Selection 模块，不仅能“答疑”，更能“办事”。支持自定义 Action 调用外部 API，实时查询检验报告、预约检查项目、更新患者诊疗信息。
  7. 可视化故事建模：基于 Stories 故事策略进行多轮对话流程建模，将非线性的用户交互（如症状主诉、病史追问、用药指导）转化为可控的机器学习训练样本。

项目实战二：知学助手 【缺失】（五选一）

  1. 开源项目深度二开与定制：深入Rasa源码，针对在线教育平台进行二次定制开发，支持课程咨询、学习路径推荐、作业提醒等教育业务场景需求。
  2. 深度语义融合：构建Sparse+Dense双路特征提取网络，结合正则表达式（Regex）与教育领域语言模型（EduBERT/ChineseBERT），精准理解课程名、教学术语、学生口语化提问。
  3. DIET多任务学习：应用DIET模型，实现意图分类（课程查询/报名咨询/学习疑问）与实体识别（课程名称、章节、知识点、年级）一体化，提升模型性能。
  4. 混合对话策略：Rule+ML(TED)双引擎驱动。RulePolicy处理选课流程、考试流程等固定路径；TED策略处理学生自由问答、课程跳跃式咨询等复杂多轮学习互动场景。
  5. 全链路特征工程：内置对教育语境优化的分词器与CountVectors特征模型，解决课程简称、学习术语、学生非正式表达等解析困难问题。
  6. 动态动作执行：基于ActionSelection，可调用LMS/教务系统API，实现课程进度查询、作业提醒、学习数据汇总等实时教学辅助功能。
  7. 可视化故事建模：使用Stories建模多轮学习场景，将课程咨询、知识点问答、学习规划等过程转换为可控训练样本，提高学习交互的可解释性与可扩展性。

项目实战二：倾听助手 【缺失】（五选一）

  1. 开源项目深度二开与定制：深入 Rasa 源码层进行企业级二次开发，适配政务咨询、民意倾听、投诉建议、回访调研等对话场景。
  2. 深度语义融合：构建 Sparse + Dense 双路特征提取网络，结合正则表达式（Regex）与中文预训练模型（BERT/ChineseBERT），精准识别诉求、意见、问题描述等口语化表达。
  3. DIET 多任务学习：采用 DIET 架构，在统一模型中完成意图分类（投诉 / 建议 / 咨询 / 求助）与实体提取（时间、地点、事件、对象），提升意图理解准确率。
  4. 混合对话策略：Rule + ML (TED) 双引擎驱动。使用 RulePolicy 处理流程化业务（登记信息、工单流转、进度查询）；使用 TED 策略处理自由陈述、多轮追问、复杂诉求表达。
  5. 全链路特征工程：基于 Jieba 分词与 CountVectors 词袋模型，针对民生口语、方言化表达、缩略称谓做专项优化，解决模糊诉求、长句描述的理解难题。
  6. 动态动作执行：通过 Action Selection 模块调用外部系统 API，实现诉求登记、工单派发、进度查询、结果反馈、回访提醒等自动化办事能力。
  7. 可视化故事建模：基于 Stories 完成多轮交互建模，将诉求表达、信息核实、问题追问、结果告知等流程标准化，提升对话可控性与业务落地能力。

项目实战二：金融助手 【缺失】（五选一）

  1. 开源项目深度二开与定制：深入 Rasa 源码进行金融场景企业级二次开发，支持理财咨询、业务办理、风险提示、客服回访等智能对话需求。
  2. 深度语义融合：构建 Sparse + Dense 双路特征提取网络，结合正则表达式（Regex）与金融领域预训练模型，精准识别产品名称、金额、期限、风险等级、业务条款等专业信息。
  3. DIET 多任务学习：采用 DIET 架构，同步实现意图分类（开户 / 转账 / 理财 / 贷款 / 查询）与实体抽取（账号、金额、产品、日期、费率），提升金融对话识别精度。
  4. 混合对话策略：Rule + ML (TED) 双引擎驱动。RulePolicy 负责密码验证、业务鉴权、流程办理等强规则场景；TED 策略负责理财咨询、风险解读、收益对比等复杂多轮问答。
  5. 全链路特征工程：优化 Jieba 分词与 CountVectors 特征模型，适配金融口语、产品简称、行业黑话与数字表达式，解决模糊查询与歧义理解问题。
  6. 动态动作执行：通过 Action Selection 调用核心业务 API，支持余额查询、交易明细、风险测评、产品推荐、业务预约等实时操作。
  7. 可视化故事建模：使用 Stories 构建多轮金融对话流程，实现咨询 — 校验 — 办理 — 告知全链路标准化，提升合规性与交互稳定性。

项目实战二：美途助手 【缺失】（五选一）

  1. 开源项目深度二开与定制：基于 Rasa 源码深度二次开发，面向文旅出行场景打造智能助手，支持景点问答、行程规划、票务查询、酒店咨询、投诉建议等功能。
  2. 深度语义融合：构建 Sparse + Dense 双路特征网络，结合 Regex 与中文预训练模型，精准识别目的地、景点、日期、人数、预算、出行方式等关键信息。
  3. DIET 多任务学习：采用 DIET 架构，统一完成意图识别（订票 / 订房 / 攻略 / 投诉 / 问路）与实体抽取（城市、景点、时间、价格区间、交通方式），提高交互效率。
  4. 混合对话策略：Rule + ML (TED) 双引擎驱动。RulePolicy 处理票务查询、酒店预订、入园预约等标准化流程；TED 策略处理自由行程规划、偏好调整、多目的地对比等复杂对话。
  5. 全链路特征工程：基于 Jieba 分词与 CountVectors 做文旅场景优化，支持景点别称、口语化需求、模糊地点描述的理解，提升用户体验。
  6. 动态动作执行：通过 Action Selection 调用文旅、交通、票务 API，实现实时查询车次、景点开放时间、天气、路线规划、订单状态更新等能力。
  7. 可视化故事建模：使用 Stories 建模多轮出行对话，将需求收集、方案推荐、修改调整、确认下单流程结构化，支持灵活扩展线路与服务类型。

考试三

项目四：掌柜问数 【网盘已有】 （三选一）

  1. 大厂开源内核：大厂开源内核：基于京东最新开源 DataAgent 架构深度定制，承袭经亿级业务场景验证的企业级稳定性与工业化标准。
  2. 思维链驱动 NL2SQL：引入 Deep-Thinking 推理层，采用“重写-思考-生成”三阶段 Agent 架构，确保复杂 SQL 生成的逻辑准确性。
  3. 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现 Schema 语义与单元格精准值的双重混合召回。
  4. 动态 Schema 剪枝： ColumnFilterModule 智能列过滤技术，基于查询语义自动剔除无关字段，大幅降低 LLM 上下文噪声。
  5. 高并发异步架构：全链路基于 AsyncIO 构建，并行执行 Query Rewrite 与 Schema Ranking，显著降低端到端响应延迟。
  6. 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行查询意图扩展，有效解决业务术语与数据库字段名的语义鸿沟。

项目四：归因分析 【缺失】（三选一）

  1. 大厂开源内核：基于最新 AttributionAgent 架构深度定制，适配电商多渠道、长链路的归因分析需求。
  2. 思维链驱动多模型归因：引入 Deep-Attribution 推理层，采用“路径解析-因子拆解-权重分配”三阶段 Agent 架构，兼容末次互动、线性归因、时间衰减等多类模型，确保复杂用户路径归因的逻辑准确性与合理性。
  3. 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现用户行为触点与归因因子的双重混合召回，精准匹配每笔交易对应的全链路营销渠道与运营动作。
  4. 动态因子剪枝：AttrFilterModule 智能因子过滤技术，基于电商业务场景（广告投放、促销活动、自然流量等）自动剔除无关归因因子，大幅降低 LLM 上下文噪声，提升归因效率。
  5. 高并发异步架构：全链路基于 AsyncIO 构建，并行执行路径追溯与权重计算，适配电商大促峰值时段的海量交易数据归因需求，显著降低端到端响应延迟。
  6. 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行归因意图扩展，有效解决电商业务术语（如直通车、直播带货、复购归因）与归因模型字段名的语义鸿沟，提升归因精准度。

项目四：商城风控 【缺失】（三选一）

  1. 大厂开源内核：基于最新 RiskAgent 架构深度定制，适配电商全场景风控排查需求。
  2. 思维链驱动风险识别：引入 Deep-Risk 推理层，采用“特征提取-风险研判-决策生成”三阶段 Agent 架构，确保复杂交易风险、欺诈行为识别的逻辑准确性。
  3. 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现风险特征语义与交易行为数据的双重混合召回，精准捕捉潜在风控隐患。
  4. 动态风险因子剪枝：RiskFilterModule 智能风险因子过滤技术，基于查询语义自动剔除无关风险字段，大幅降低 LLM 上下文噪声，提升风控识别效率。
  5. 高并发异步架构：全链路基于 AsyncIO 构建，并行执行风险检测与特征排序，适配电商大促峰值时段的海量交易风控需求，显著降低端到端响应延迟。
  6. 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行风控意图扩展，有效解决电商风控术语（如刷单、盗刷、恶意退款）与风控模型字段名的语义鸿沟。

考试四

项目五：市场罗盘 【缺失】（四选一）

  1. 场景化任务拆解：结合问数、客服等智能体场景，布置真实业务需求（如电商订单数据查询、售后问题统计），明确智能体功能边界与验收标准​
  2. 自主设计与开发：学生从 0 到 1完成智能体架构设计、核心功能编码（如对话逻辑、数据接口集成），老师提供实时技术答疑与方案指导​
  3. 阶段性目标划分：按 “需求分析→原型设计→开发调试→功能验证” 拆分阶段，每个阶段设定明确产出（如需求文档、可运行 Demo），避免盲目开发​
  4. 动态进度管控：通过项目看板同步各学生进度，每周开展 1 次进度复盘，老师针对滞后情况调整任务难度或提供额外支持​
  5. 多维度过程检查：关键节点（如架构确定、核心功能完成）进行代码评审与功能测试，老师指出优化点（如交互流畅度、数据准确性）​
  6. 成果落地与展示：学生最终提交可运行智能体及开发报告，组织成果演示环节，老师点评亮点与改进方向，强化实战成就感

项目五：万应助手 【缺失】（四选一）

  1. 中控调度架构：采用基于 Orchestrator 的分诊模式，精准识别用户意图，在知识库、SQL 查询、地图服务与购物助手间动态路由。
  2. Text-to-SQL：内置 sql_info_agent，支持将自然语言转化为结构化 SQL，精准查询维修站分布、城市覆盖及特定服务信息。
  3. 时空智能集成：引入 MCP (Model Context Protocol) 协议对接百度地图，实现基于地理位置（LBS）的维修点查询与导航规划。
  4. 领域知识 RAG：集成 knowledge_agent 垂直知识库，专门处理“电脑无法开机”等硬件故障诊断，提供专家级维修指导。
  5. 全生命周期记忆：基于 JSON 的持久化 Session 管理，支持多轮对话上下文保持，确保服务过程的连续性与个性化。
  6. 全栈交互体验：Python 异步后端配合 Vue3 + Element Plus 前端，打造响应式、可视化的现代智能客服终端。

项目五：舆情分析 【网盘已有】 （四选一）

  1. 多源舆情采集架构：采用分布式爬虫与API对接结合模式，全面抓取电商平台、社交媒体、新闻资讯、论坛评论等多渠道舆情数据，实现全场景舆情覆盖。
  2. 智能舆情分类研判：内置 sentiment_agent 情感分析模块，结合 BERT 预训练模型，精准识别舆情正面、负面、中性倾向，自动标注舆情核心诉求与关键词。
  3. 舆情热度动态追踪：引入热度计算模型与时间序列分析，实时监测舆情传播速度、覆盖范围、互动量，生成可视化热度趋势图，精准捕捉舆情爆发点。
  4. 风险舆情预警机制：基于关键词匹配与语义相似度检索，设置多级预警阈值，针对恶意诋毁、投诉集中、虚假宣传等风险舆情，实现实时弹窗与短信预警。
  5. 全周期舆情记忆：采用 JSON 持久化存储与上下文关联技术，留存舆情历史数据与研判记录，支持多轮舆情追溯、趋势对比与复盘分析。
  6. 全栈可视化展示：Python 异步后端搭配 Vue3 + ECharts 前端，打造舆情仪表盘，直观呈现舆情分布、情感占比、风险等级，支持自定义查询与数据导出。

项目五：运维管家 【缺失】（四选一）

  1. 智能运维调度架构：采用基于 Orchestrator 的分诊模式，精准识别运维告警意图，在设备监控、故障排查、日志分析与工单处理间动态路由，实现运维全流程自动化。
  2. 日志智能解析：内置 log_analysis_agent，结合 NLP 与正则匹配技术，支持将自然语言运维需求转化为日志查询指令，精准提取设备异常、性能瓶颈等关键信息。
  3. 多维度监控集成：引入 Prometheus + Grafana 监控协议，对接服务器、数据库、应用程序等多类运维对象，实现硬件负载、软件性能的实时监测与可视化展示。
  4. 运维知识 RAG：集成 ops_knowledge_agent 垂直知识库，专门处理服务器宕机、端口异常、内存溢出等常见运维故障，提供标准化排查流程与解决方案。
  5. 全周期运维记忆：基于 JSON 的持久化 Session 管理，留存设备运行日志、故障处理记录与运维操作历史，支持多轮故障追溯、问题复盘与经验沉淀。
  6. 全栈运维交互：Python 异步后端配合 Vue3 + Element Plus 前端，打造智能化运维控制台，直观呈现设备状态、告警信息、处理进度，支持一键提交运维工单。

考试五

** 网盘对应课程目录**（E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\19_尚硅谷大模式项目之掌柜智库\）

  • 19_尚硅谷大模式项目之掌柜智库 — 掌柜智库：数据导入、三路检索、Rerank、答案生成
  • 20_尚硅谷大模型项目之掌柜问数 — 掌柜问数：NL2SQL项目实战
  • 23_尚硅谷大模型项目之电商小二 — 电商小二：Rasa对话系统项目
  • 25_尚硅谷大模型知识库问数客服项目实战 — 知识库问数客服：综合项目实战
  • 28_尚硅谷大模型项目之舆情分析系统 — 舆情分析系统项目实战
  • 29_尚硅谷大模型技术之deepagents — DeepAgents技术

DeepAgents 框架（网盘编号29）【网盘已有】 ​

学习必要性评估：必要性 65/100 — 推荐学习，LangGraph 后的进阶编排工具

DeepAgents 是尚硅谷自研或深度定制的多智能体编排框架，位于 LangGraph 之上的更高层次抽象。提供 SubAgent 子智能体集成、Human-in-the-Loop 人机交互、多 Backend 支持（OpenAI/Qwen等）、Skill 技能注册与权限管理等功能。对经验程序员而言，理解 DeepAgents 的编排思想比掌握具体 API 更重要，它是理解未来 Agent 框架演进方向的窗口。

核心技术内容：

  1. DeepAgents 入门：智能体路线发展、对比 LangChain/LangGraph、初体验与流式处理
  2. SubAgents 子智能体：字典子智能体集成、异步并发、融合 LangGraph
  3. Human-in-the-Loop：人工介入编辑、流式处理中的 HITL 模式
  4. Backend 与权限：三种 Backend 使用说明、多模型权限管理
  5. Skill 机制：技能注册、调用与生命周期管理
  6. 深度搜索项目实战：联网搜索智能体 + RAGFlow 可视化 + 数据库查询智能体综合项目
  • 17_尚硅谷大模型技术之智能点餐系统 — 智能点餐系统实战

阶段六：大模型微调 ​

定位：大模型垂直领域转化的核心技术

=================================================================

🟡 学习必要性评估：必要性 55/100 — 按需了解，不必深究 ​

面向10年+经验程序员的分析 对于经验程序员，微调不是日常需求。了解LoRA/QLoRA原理和vLLM部署即可。全参微调、DeepSpeed分布式训练等偏向算法工程师岗位。

建议跳过（已有经验或AI可替代）：

  • 全参微调原理细节
  • DeepSpeed分布式并行训练
  • HuggingFace SFT深度使用

建议保留（有学习价值）：

  • LoRA/QLoRA高效微调原理(了解概念)
  • vLLM推理部署(实用)
  • BGE-M3嵌入服务部署
  • RAGAS/RAG评估(实用)

=================================================================

可掌握的核心技能 ​

  1. 掌握 BaseModel、InstructModel、ChatTemplate 微调底层原理，熟悉 alpaca、shareGPT 两类主流微调数据集格式。
  2. 精通全参微调、LoRA/QLoRA 高效微调与多范式分布式并行训练技术。
  3. 熟练使用 HuggingFace 生态、Unsloth、DeepSpeed、Llama Factory 全套微调工具链。
  4. 熟练掌握 vLLM、PagedAttention、KV Cache 等推理优化方案，可完成 OpenAI 兼容格式的模型服务化部署。
  5. 掌握 EvalScope、RAGAS 两类评测工具，能够完成模型效果评测、性能压测与问题优化。
  6. 熟练完成 BGE-M3 向量服务、reranker 重排服务部署，具备多服务组合上线落地实操能力。

课程设计特色 ​

本课程聚焦大模型微调、部署与评估全流程，深度贴合企业真实技术需求，摒弃冗余理论，从微调原理、数据集规范、多类微调算法与分布式训练落地切入，配套 Huggingface 等主流工业化微调工具学习；延伸 vLLM 高性能推理、分页显存管理、批量调度、KV 缓存复用等工程部署内容，补充 BGE-M3 嵌入服务、reranker 重排服务多组件部署实操；依托 EvalScope、RAGAS 双评测体系与三类实战故障案例，以 “实战落地” 为核心，打造兼具专业性、实用性与前沿性的技能培训体系，精准匹配 AI 行业岗位痛点，助力学员快速掌握可直接应用于工作的核心技术。

课程关键技术 ​

大模型微调核心 ​

  1. 微调原理：BaseModel/InstructModel、ChatTemplate
  2. 微调数据集格式：alpaca指令跟随格式、shareGPT多轮对话格式
  3. 微调算法：全参微调、参数高效微调（LoRA/QLoRA）、分布式训练（数据并行、张量并行、流水线并行、专家并行、零冗余优化器）
  4. 微调工具链：Huggingface SFT、Huggingface Accelerate、Unsloth、DeepSpeed、Lamma Factory
  5. 模型部署与推理：vLLM、PagedAttention（分页显存管理机制）、Continuous Batching（连续批处理调度）、KV Cache 高效复用、OpenAI API 兼容服务化部署
  6. 模型评估：EvalScope、全面的评测基准、推理性能压力测试、交互式测试报告

模型评估&部署 ​

  1. 服务器规划、模板机准备系统环境
  2. 模板机部署 BGE-M3：hybrid embedding 服务；模板机部署 reranker：重排序服务
  3. 正式启动模型服务器 A：BGE-M3 + reranker；正式启动模型服务器 B：vLLM Qwen3-8B
  4. RAGAS 评测的核心思路、评估优化步骤、评估程序代码
  5. 案例一：错失切片；案例二：提示词问题；案例三： 缺失逻辑

考试六 ​

** 网盘对应课程目录**（E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\27_尚硅谷大模型项目之知识库评估与优化与部署\）

  • 27_尚硅谷大模型项目之知识库评估与优化与部署 — 知识库评估优化与部署

知识库评估与优化与部署（网盘编号27）【网盘已有】 ​

学习必要性评估：必要性 60/100 — 推荐学习，微调与RAG系统的工业级配套

本模块涵盖"GPU 模型部署"和"知识库评估优化"两大块。GPU部署涵盖 vLLM 推理引擎、BGE-M3 混合嵌入服务、Reranker 重排服务、Qwen 模型发布、Docker 容器化部署等工业级实操内容。知识库评估涵盖 RAGAS 评估框架、脏数据排查、提示词优化、图谱优化等真实故障案例。对经验程序员而言，部署部分（vLLM/Docker/GPU服务编排）实用价值高，评估部分帮助理解生产环境质量保障方法论。

核心技术内容：

  1. GPU 模型部署：vLLM 部署 Qwen、BGE-M3 嵌入服务、Reranker 重排服务部署、Dockerfile 编写与缓存优化
  2. 整体架构：GPU 服务流量选型、后端服务改造为远端 API 调用
  3. 知识库评估优化：RAGAS 评估程序编写、生成问题与参考答案构造
  4. Bad Case 分析：脏数据问题排查、网络异常处理、提示词优化、图谱优化

阶段七：Vibe Coding 前置核心技术 ​

定位：AI全栈技术筑基

=================================================================

🔴 学习必要性评估：必要性 20/100 — 几乎全部可跳过 ​

面向10年+经验程序员的分析 Java、SpringBoot、SpringMVC、MyBatis、Redis、RabbitMQ、Nginx、SpringCloud对有经验开发者是基本功。HTML/JS/Vue3前端也已有储备。唯一有价值的部分是LangChain4j(Java的AI框架)和Vibe Coding工具介绍。

建议跳过（已有经验或AI可替代）：

  • Java核心语法
  • Maven项目管理
  • SpringBoot/SpringMVC/MyBatis全系列
  • HTML/JavaScript/ES6基础
  • Vue3+Vite前端工程化全链路
  • Redis/RabbitMQ/Nginx中间件
  • SpringCloud Alibaba微服务

建议保留（有学习价值）：

  • LangChain4j(若使用Java做AI应用)
  • Vibe Coding工具概览

=================================================================

可掌握的核心技能 ​

  1. 掌握 Java、Maven、SpringBoot、SpringMVC、MyBatis、Mybatis-Plus 整套后端主流开发框架，熟练 RESTful 接口、动态 SQL 与插件开发。
  2. 熟练 HTML、JavaScript、ES6、Vue3+Vite 前端工程化技术，可独立完成页面开发、异步交互与前后端接口联调。
  3. 掌握 Redis、RabbitMQ、Nginx、SpringCloud Alibaba 微服务组件，能实现分布式缓存、消息队列、网关负载均衡等高并发落地。
  4. 熟练使用 Vibe Coding 开发工具，依托 AI 完成需求拆解、原型设计、前后端代码生成与小程序开发。
  5. 精通 LangChain4j、RAG 知识库、Function Calling，可独立完成小智医疗 Java 智能体全项目落地开发。
  6. 掌握 JMeter、Docker、Jenkins 技术，能够编写自动化测试方案、容器编排与 CI/CD 自动化部署。

课程设计特色 ​

本阶段采用「全栈技术筑基 + AI 赋能开发 + 行业项目落地」分层授课模式：首先系统精讲 Java 体系、Maven、Spring 全家桶、MyBatis 及 Mybatis-Plus 后端主流框架，夯实传统 Java 服务开发功底；接着从原生 HTML/JS/ES6 入手，落地 Vite+Vue3 前端工程化全链路开发，打通前后端联调全流程；随后深入 Redis、RabbitMQ、Nginx、SpringCloud Alibaba 微服务中间件与分布式架构，补齐高并发项目底层能力。 课程全程贯穿 Vibe Coding 开发思想，依托 AI 工具完成需求拆解、原型生成、前后端代码自动生成；依托小智医疗 Java 智能体实战项目，落地 LangChain4j 框架整合、RAG 知识库构建、Function Calling 函数调用、多轮对话记忆、知识库后台开发等 AI 智能体全栈开发。最后配套自动化测试、Docker 容器、Jenkins CI/CD 运维部署内容，实现从传统前后端→微服务→AI 大模型智能体→项目上线部署的完整闭环，紧贴当下 AI+Java 的企业用工需求。

课程关键技术 ​

后端技术 ​

Java核心 ​
Maven ​

核心概述、工作原理图解、依赖管理扩展、构建&构建实战、高级特性：聚合和继承、分布式项目构建实战

Web核心概念 ​

web项目&web开发、web项目交互流程、资源区分、服务器概念、web结构、学习路线

SpringBoot ​

Spring和SpringBoot、SpringBoot快速体验、统一配置管理、常见场景启动器分析、自动配置原理、自定义场景启动器、日志整合、监控系统Actuator、部署&多环境配置激活

SpringMVC ​

核心组件&加载流程、路径设计、常用注解、参数接收、RESTFul风格设计、数据响应、高级扩展：声明异常处理、参数校验、拦截器以及案例、核心面试题解读

Mybatis ​

三层架构&MVC架构模式引进、持久层ORM框架横向比较、Mybatis快速入门、多表设计和查询、动态SQL和实战、扩展分页插件和逻辑删除

Mybatis-plus ​

概述、官方文档解读、使用流程体验、常用注解、通用Mapper、通用Service、动态Wrapper&LambdaWrapper使用、逻辑删除&分页插件、插件机制说明

前端工程化 ​

  1. 前端基础：HTML核心标签、页面布局概念以及实现、前后端通信表单标签、标签属性和分类、CSS概念、三大引入语法、效果体验
  2. JS基础：JavaScript核心特性、JavaScript基础语法、JavaScript函数和对象、JavaScript事件机制、JavaScriptDOM以及实践
  3. ES6&模块化：JavaScript对比ES6、声明变量关键字扩展let,const、模版字符串、解构语法、特殊函数表达式、箭头函数、链判断、模块化处理
  4. 前端工程化搭建：NodeJS&npm介绍安装、NodeJS版本管理工具nvm安装和命令、npm常见命令&实践、npm项目初始化&案例实践
  5. 前端工程化核心：前端项目构建工具Vite使用、构建项目结构分析、Vue3页面渲染技术、响应式数据处理、setup语法糖使用、双向绑定、属性计算、生命周期函数
  6. 异步通信技术：同步&异步、Promise介绍&使用、async&await关键字、AJAX技术、Axios介绍和使用、Axios参数配置、Axios响应结构、Axios拦截器
  7. Vue生态圈：Router路由概念和入门、Router配置编写、编程式Router使用、传参&守卫、Pinia概念&使用、案例实践、Element-Plus介绍和搭建、常用组件使用（Button\Table\Form\Message）等

项目六：小智医疗 【缺失】（Java+智能体）

  1. 项目概述与架构设计：小智医疗AI模块整体介绍、LangChain4j核心技术栈与架构规划、AI智能问答业务开发概念梳理、项目代码分层与Git仓库提交规范
  2. 核心AI服务搭建：LangChain4j基础框架整合、AIService智能对话服务封装、对话核心流程调试与模型基础调用、AI服务全局配置与参数优化
  3. 对话核心能力开发：Chat Memory对话记忆机制实现、多轮对话上下文留存与清理、Prompt提示词工程优化、通用及医疗场景专属提示词模板封装
  4. 高级AI功能实战：Function Calling函数调用能力开发、医疗业务函数绑定与触发、接口动态调用与参数解析、自定义函数注册与异常处理
  5. RAG检索增强生成实战：RAG核心架构流程梳理、医疗知识库检索逻辑开发、向量模型接入与文本向量化处理、向量存储引擎整合与数据持久化
  6. 智能交互体验优化：AI对话流式输出功能开发、实时分段响应机制实现、前端流式数据接收与页面渲染、对话响应速度与交互体验优化
  7. 知识库后台CRUD系统开发：医疗知识库上传功能实现、知识库文件解析与预处理、知识库数据增删改查接口开发、前端管理页面整合与功能测试
  8. 系统集成与项目总结：AI模块与小智医疗主系统整合、服务配置统一管理、AI核心功能调试与性能优化、项目技术栈与业务亮点整体复盘

考试七

Redis NoSQL类型数据库介绍、Redis特点以及安装、Redis五大数据结构&常用命令、Jedis&SpringDataRedis客户端操作、配置文件解读、事务&锁&lua脚本、持久化机制、主从&集群模式 SpringCloud & SpringCloud Alibaba 架构演进过程图解、案例服务化拆分、Spring Cloud / Spring Cloud Alibaba核心组件(Nacos、OpenFeign、Gateway、Sentinel)、核心组件对比图、实战流控、降级等、QPS分析&优化 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 RabbitMQ 消息队列概述、MQ环境搭建&管理页面使用说明、MQ入门案例、MQ消息模型、详解@RabbitListener注解、消息可靠性投递、消息超时处理、死信队列、延迟队列、百分百投递和幂等性图解

** 网盘对应课程目录**（E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\24_尚硅谷大模型技术之vibecoding\）

  • 24_尚硅谷大模型技术之vibecoding — Vibe Coding工具：Codex、Cursor

阶段八：Vibe Coding 项目实战 ​

定位：AI 生成式编程全流程落地开发

=================================================================

🟢 学习必要性评估：必要性 90/100 — 强烈推荐，AI赋能开发的核心实战 ​

面向10年+经验程序员的分析 这是对经验程序员价值最高的阶段。Codex/Cursor工具实操、AI生成式全栈开发、RAG多智能体集成、Milvus向量库部署、CI/CD自动化，都是AI时代程序员的必备技能。硅谷商城项目虽然网盘缺失，但对应的vibecoding目录有足够学习素材。

建议保留（有学习价值）：

  • Codex/Cursor工具实操与提示词工程
  • AI辅助全栈代码生成
  • RAG+多智能体集成
  • Milvus向量数据库部署
  • Docker+Jenkins CI/CD
  • 小程序AI辅助开发

=================================================================

可掌握的核心技能 ​

  1. 掌握 Codex、Cursor 两款 Vibe Coding 开发工具的环境配置与项目落地用法，熟练提示词拆解、需求转 Prompt、SKILL 技能固化全流程规范。
  2. 掌握 DDD 架构设计规范，能独立完成 ER 图设计、数据库表结构、前后端接口规范等全流程项目架构落地。
  3. 熟练使用 AI 生成 Vue3 前端代码、后端业务 CRUD，掌握 ES、Redis、RabbitMQ、第三方支付等高并发场景落地开发。
  4. 掌握小程序全栈开发，能够依托 AI 生成小程序代码，并使用微信开发者工具完成接口调试与模拟测试。
  5. 精通 RAG 全链路、多格式文件解析、VL 图片提取、向量库 Milvus 存储、重排优化等 AI 多智能体集成落地技术。
  6. 掌握自动化测试、JMeter 压测、Docker 容器编排、Nginx 部署、Jenkins CI/CD 运维上线全流程技能。

课程设计特色 ​

本阶段以Vibe Coding AI 生成式全链路开发为核心，以硅谷商城作为贯穿全阶段标杆实战项目，严格遵循「产品设计→架构设计→前端开发→后端开发→小程序开发→AI 多智能体集成→自动化测试→容器运维上线」完整项目流水线。从需求拆解、AI 辅助原型绘制、DDD 领域建模与数据库设计起步，依托提示词工程驱动 AI 生成 Vue3 前端、微服务后端、小程序全量代码，落地缓存、检索、消息队列、支付等企业级业务场景；叠加 RAG 知识库、多模态文件处理、Milvus 向量库、多路重排等 AI 智能体集成模块，补齐项目智能化能力；收尾落地自动化测试、性能压测、Docker 容器化部署、Nginx 反向代理与 Jenkins 持续交付。 项目提供文旅、房产、音频、教育、家政、医疗六大行业可选实战项目（美途旅行、好房易租、倾听 FM、云尚课堂、谷德家政、好医在线六选一），学员按需自选行业方向，全程沿用 Vibe Coding 自然语言驱动 AI 生成代码的开发模式，覆盖多行业落地场景，实现学完即可具备多行业 AI 全栈项目交付能力。

课程关键技术 ​

Vibe Coding ​

Codex 工具实操：工具环境配置、项目工程接入配置，实操自然语言需求转代码、源码问题定位纠错、批量代码重构、接口文档自动化生成。

Cursor 工具实操：软件初始化配置、工程目录关联绑定，熟练借助 IDE 内嵌 AI 实现页面代码生成、接口逻辑生成、代码缺陷优化、项目片段批量开发。

项目七：硅谷商城 【缺失】-产品设计 项目业务需求分析：项目背景、核心业务目标、用户角色、业务流程梳理 页面与功能范围规划：页面清单梳理、功能模块划分、用户使用路径设计 ai辅助生成页面原型图：借助 AI 生成页面草图、原型图、 交互说明

项目七：硅谷商城 【缺失】-系统架构设计 领域划分与服务划分：DDD概念介绍，领域模型初步分析、模块边界划分、服务职责拆分 核心数据实体设计：产出实体关系图 (ER图） 数据库设计规范、数据库表结构设计：表设计原则、主外键关系、索引基础、冗余字段设计 前后端数据接口设计：接口命名规范、请求参数与返回结构、状态码、异常返回接口命名规范、请求参数与返回结构、状态码、分页查询、异常返回 开发规范与工程约定：目录结构、命名规范、代码注释、接口文档规范

项目七：硅谷商城 【缺失】-前端设计 基于页面原型稿，拆解出提示词 定义生成规范，固化为SKILL 理解看懂生成的VUE3页面结构 手动页面调试 验证交互接口

项目七：硅谷商城 【缺失】-后端设计 定义生成规范，固化为SKILL 基于若依框架微服务基础CRUD操作 基于Elasticsearch的搜索场景解决方案 基于Redis的缓存加速场景解决方案 多线程异步编排场景 低耦合消息队列场景 权限管理认证中心场景 第三方支付场景

项目七：硅谷商城 【缺失】-小程序 基于页面原型稿，拆解出提示词 定义生成规范，固化为SKILL 理解看懂生成的VUE3页面结构 学会使用微信开发者工具进行模拟测试 验证交互接口

项目七：硅谷商城 【缺失】-AI多智能体集成 RAG流程设计 多类型文件转换 利用VL模型进行图片提取 利用Embedding模型和进行向量化转换 利用存储向量数据库milvus进行向量存储查询 文本切片规则优化 reranker模型对多路搜索进行重排

项目七：硅谷商城 【缺失】-生成测试 测试基础概论 测试方案、测试用例的编写 自动化测试 基于jmeter的压力测试 bug平台管理 AI Agent 评估与测试

项目七：硅谷商城 【缺失】-运维上线 测试与验收基础：接口测试 流程测试 测试用例 测试文档 后端Dockerfile 编写：后端镜像制作、镜像构建、运行参数配置 Docker Compose 部署：多服务编排、数据库与中间件整合、容器启动与管理 Nginx 与前端、静态资源的部署 ：前端部署在nginx容器中 反向代理 项目持续交付：jenkins ci/cd 持续交付

考试八

项目实战三：美途旅行 【缺失】（多选一） 采用Vibe Coding技术开发一站式旅行服务平台，复刻主流旅行APP核心功能，涵盖目的地探索、景点门票预订、酒店民宿选型、行程规划、在线支付及旅行攻略分享等模块。学生只需通过自然语言描述产品“氛围感”与功能需求，即可借助AI生成完整代码架构，快速实现VR景点预览、智能行程推荐、多产品联动预订等核心功能，全程聚焦业务逻辑与用户体验，高效完成符合市场需求的旅行平台开发，掌握Vibe Coding在文旅场景的落地技巧。

项目实战三：好房易租 【缺失】（多选一） 基于Vibe Coding技术打造便捷高效的租房服务平台，覆盖个人租房、房东管理、房源筛选三大核心场景。学生通过自然语言Prompt描述租房平台的功能意图与交互风格，AI自动生成房源搜索筛选、VR看房、在线沟通、电子合同签署、租金支付、房源状态管理等完整代码，无需深耕传统编程语法，重点锻炼需求引导与代码优化能力，快速交付可直接落地的租房平台，积累房产服务领域的AI编程实战经验。

项目实战三：倾听FM 【缺失】（多选一） 运用Vibe Coding技术开发沉浸式音频服务平台，复刻主流FMAPP核心体验，涵盖电台直播、精品有声内容播放、节目回听、订阅收藏、互动聊天室、个性化推荐等功能。学生通过自然语言描述音频平台的视觉风格与功能需求，AI快速生成完整代码架构，实现音频播放控制、内容分类展示、用户互动、定时关闭等核心功能，深度践行Vibe Coding“意图主导、AI落地”的核心逻辑，掌握音频类产品的快速开发技巧。

项目实战三：云尚课堂 【缺失】（多选一） 依托Vibe Coding技术构建一站式在线教育平台，适配K12至成人教育全学段需求，涵盖直播授课、录播课程、智能题库、学习进度跟踪、在线答疑、个性化学习计划生成等核心模块。学生通过自然语言描述教育平台的功能诉求与界面风格，AI自动生成完整代码，快速实现课程管理、学员管理、学习数据分析等功能，高效完成教育类产品开发，熟练运用Vibe Coding技术解决在线教育场景的实际开发需求。

项目实战三：谷德家政 【缺失】（多选一） 采用Vibe Coding技术开发专业化家政服务平台，覆盖用户端、家政人员端、后台管理端三大场景，涵盖服务分类浏览、智能匹配、在线预约、订单管理、资质认证、评价反馈、财务管理等核心功能。学生通过自然语言描述家政平台的业务流程与功能需求，AI快速生成完整代码架构，无需繁琐编码，重点聚焦业务场景落地与用户体验优化，高效交付可满足三方需求的家政服务平台，积累生活服务领域的AI编程实战经验。

项目实战三：好医在线 【缺失】（多选一） 基于Vibe Coding技术打造便捷化医疗服务平台，复刻主流在线医疗APP核心功能，涵盖在线问诊、名医挂号、电子处方、药品配送、诊后随访、健康管理、长辈模式等核心模块。学生通过自然语言描述医疗平台的功能意图与安全需求，AI自动生成符合医疗行业规范的代码，快速实现医患高效对接、医疗服务闭环，践行Vibe Coding高效开发理念，掌握医疗服务场景下的AI编程技巧与合规性开发要点。

** 网盘对应课程目录**（E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\24_尚硅谷大模型技术之vibecoding\）

  • 24_尚硅谷大模型技术之vibecoding — Vibe Coding全栈项目实战

阶段九：前沿热点技术融合 ​

定位：紧跟行业趋势，抢占技术红利

=================================================================

🟡 学习必要性评估：必要性 45/100 — 了解即可，不必专门学习 ​

面向10年+经验程序员的分析 Hermes Agent和Harness Engineering属于研究前沿，多模态技术(CLIP/扩散模型)和强化学习偏向算法方向。了解核心概念即可，不必投入大量时间。网盘中的22_强化学习和26_多模态独立模块已在下文给出详细必要性评估。

建议跳过（已有经验或AI可替代）：

  • 强化学习算法细节
  • 扩散模型数学原理

建议保留（有学习价值）：

  • 多模态技术概述(CLIP原理)
  • Agent Harness架构理念

=================================================================

可掌握的核心技能 ​

  1. 基于Hermes Agent技术,掌握自我改进型智能体核心设计方法,实现具备自我进化能力的长期运行型Agent开发。
  2. 吃透Harness思想核心,掌握其核心能力与关键概念,夯实复杂智能体系统设计基础,实现原始大模型向可控自治体转化。

课程设计特色 ​

聚焦行业热门方向，对接主流技术生态，同步行业最新成果，让学员掌握贴合前沿的实用技能。

课程关键技术 ​

Harness Engineering ​

基于Hermes Agent技术研究自我改进型智能体，掌握长期记忆、技能沉淀、经验学习、工具调度及多智能体协同设计，实现AI从单次代码生成升级为可自主迭代的长期运行型智能系统。

Hermes Agent爱马仕技术 ​

研究Agent Harness架构升级逻辑，理解其作为大模型与外部世界的中间控制层，实现权限约束、状态管理、执行管控与安全风控，完成原生大模型向可控自治智能体的改造落地。

** 网盘对应课程目录**（E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\22_尚硅谷大模型技术之强化学习\）

  • 22_尚硅谷大模型技术之强化学习 — 强化学习前沿
  • 26_尚硅谷大模型技术之多模态 — 多模态技术：CLIP、扩散模型

强化学习（网盘编号22）【网盘已有】 ​

学习必要性评估：必要性 15/100 — 了解概念即可，纯算法方向

强化学习模块主要讲解 MDP（马尔可夫决策过程）、Q-Learning、Policy Gradient、深度强化学习（DQN/PPO）等经典算法。对于 10年+ 经验的应用开发者，强化学习属于算法研究方向，与日常 AI 应用开发关联度较低。了解核心概念（如奖励函数、策略网络）有助于理解 RLHF（人类反馈强化学习）等大模型训练技术，但无需投入大量时间编码实践。

核心技术内容：

  1. 强化学习基础：MDP 建模、值函数、策略迭代
  2. 经典算法：Q-Learning、SARSA、Deep Q-Network (DQN)
  3. 策略梯度：Policy Gradient、PPO (Proximal Policy Optimization)
  4. 应用场景：游戏 AI、机器人控制、RLHF 与大模型对齐

多模态技术（网盘编号26）【网盘已有】 ​

学习必要性评估：必要性 25/100 — 了解概念，补充AI视野

多模态模块涵盖 ViT（Vision Transformer）、CLIP（对比语言-图像预训练）、ClipCap（图像描述生成）、扩散模型（DDPM 原理、DALL·E 2 先验模型与条件扩散）。对于应用开发者，理解 CLIP 的核心思想（图文对齐）和多模态 embeddings 的概念即可，扩散模型的数学原理不必深究。这些知识在 RAG 系统的多模态文档解析场景中有实际应用。

核心技术内容：

  1. ViT：补丁嵌入（Patch Embedding）、Transformer 编码器、分类训练
  2. CLIP：对比学习目标、图文对训练、Zero-shot 迁移
  3. ClipCap：CLIP 编码 + 语言模型的图像描述生成
  4. 扩散模型：前向加噪过程、逆向去噪过程、DDPM 原理
  5. DALL·E 2：先验模型（文本→图像嵌入）、条件扩散模型（图像嵌入→图像）

阶段十：就业冲刺 ​

定位：大牛引路，冲击大厂，把握超级风口

=================================================================

⚫ 学习必要性评估：必要性 5/100 — 完全不需要 ​

面向10年+经验程序员的分析 10年+经验程序员无需简历撰写指导、模拟面试等就业服务。

建议跳过（已有经验或AI可替代）：

  • 简历撰写与投递指导
  • 模拟面试
  • 谈薪技巧

=================================================================

全程就业护航 ​

  1. 对标招聘需求，进行全方位复习及准备；
  2. 手把手指导：简历撰写、投递，面试机会源源不断；
  3. 1V1模拟面试，通过后再正式开始就业；
  4. 就业老师为你复盘每日面试情况，传授面试及谈薪技巧；
  5. N多企业内推，工作机会又多又顺；
  6. 入职后技术老师持续答疑，为你的职场之路保驾护航。

第二部分：企业级项目库（33 个项目） ​

项目分为两类：

  • 智能体项目（01-21）：基于 Coze/Dify/Rasa/LangChain 等平台的 Agent 编排与 Workflow 开发
  • Vibe Coding 项目（22-28）：基于 AI 辅助代码生成的全栈应用开发

每个项目包含：项目介绍 → 技术背景 → 技术栈 → 架构图

** 网盘对应课程目录**（E:\BaiduNetdiskDownload\尚硅谷—ai全能开发\面试大保健\）

  • 面试阶段资料 — 面试题库、简历指导
  • 面试大保健 — 模拟面试、面经

** 网盘文件目录对照说明**

  • 【网盘已有】 = 网盘文件目录中已包含此项目的独立课程目录或课件资源
  • 当前网盘已有项目（10/33）：商户运营管家、掌柜智库、电商小二、掌柜问数、舆情分析、智图寻宝、智能商品发布、地址对齐、智能点餐系统、知识库问数客服项目实战

项目一：商户运营管家 【网盘已有】 ​

类型：智能体项目

项目介绍 ​

  1. 一个项目两个平台：分别采用市面上比较流行的 Coze 与 Dify 两种方式实现，通过 Agent 与 Workflow 编排，实现从数据洞察到 AIGC 的全链路自动化。
  2. 闭环营销：首创"热点-卖点-买点-文案-海报"自动化营销流，基于情感价值公式（痛点/爽点/痒点）自动生成高转化内容。
  3. 智能风控：集成钉钉机器人的投诉分类助手，利用 LLM 进行两级问题归类与情感分级，实时预警售后风险。
  4. 数据洞察：基于 Python 代码节点与批处理技术，将非结构化客服对话与商品评论转化为结构化数据，精准提取用户画像与产品缺陷。
  5. 视觉生产：工作流内嵌绘图与叠图插件，支持智能布局、Logo/二维码自动合成，一键生成专业级营销海报。
  6. 竞品雷达：融合 Google Search 与 Firecrawl 深度爬虫技术，自动化生成竞品分析与行业调研报告，辅助战略决策。

技术背景 ​

【从"被动应答"到"主动营销"：重塑电商运营的智能大脑】

在流量红利见顶的今天，电商商家面临着"内容生产难、售后响应慢、数据挖掘浅"的三大痛点。本项目致力于打破这一僵局，构建一套"能思考、会执行"的电商智能运营中台。我们摒弃了单一的工具拼接，而是采用 Coze 和 Dify 编排复杂的业务流。在营销端，系统不仅能通过知识库实时捕捉抖音/...

技术栈 ​

Coze Dify Python AIGC LLM(DeepSeek/GPT) Google_Search_API DingTalk RAG

架构图 ​

架构图

架构图解析：商户运营管家 ​

平台基座

  • 🤖 Coze 平台
    • Agent + Workflow 编排

核心能力层 — 六大业务模块

  • 📊 数据洞察
    • • Python代码节点+批处理
    • • 非结构化→结构化数据
    • • 用户画像 & 产品缺陷

技术底座

  • 🐍 Python

技术栈: Python

组件数量: 3，层级数量: 3

项目二：掌柜智库 【网盘已有】 ​

类型：智能体项目

项目介绍 ​

  1. 大厂开源内核：基于最新 DataAgent 架构深度定制，承袭经亿级业务场景验证的企业级稳定性与工业化标准。
  2. 思维链驱动 NL2SQL：引入 Deep-Thinking 推理层，采用"重写-思考-生成"三阶段 Agent 架构，确保复杂 SQL 生成的逻辑准确性。
  3. 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现 Schema 语义与单元格精准值的双重混合召回。
  4. 动态 Schema 剪枝：ColumnFilterModule 智能列过滤技术，基于查询语义自动剔除无关字段，大幅降低 LLM 上下文噪声。
  5. 高并发异步架构：全链路基于 AsyncIO 构建，并行执行 Query Rewrite 与 Schema Ranking，显著降低端到端响应延迟。
  6. 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行查询意图扩展，有效解决业务术语与数据库字段名的语义鸿沟。

技术背景 ​

【从"看报表"到"问数据"：重构企业级数据分析范式】

在企业数字化转型的深水区，面对数以千计的数据表和复杂的业务逻辑，传统的 BI 仪表盘已难以满足即时性的分析需求。业务人员往往面临"找不到表"、"看不懂字段"、"不会写 SQL"的三大痛点，导致数据价值无法快速释放。本项目致力于打破这一壁垒，构建一套基于大模型的企业级 Text-to-SQL 智能问答系统。

面对海量数据表和复杂的业务逻辑，我们采用"多阶段推理（Multi-stage Reasoning）"架构。在数据处理端，利用 Qdrant 与 Elasticsearch 的混合检索技术，结合 Jieba 分词精准定位关键数据表；在生成端，系统强制模型执行 CoT（Chain of Thought）思维链——先拆解业务问题，再推导查询逻辑，最后生成标准 SQL。这不仅是一个 SQL 生成工具，更是一个懂业务、会思考的虚拟数据分析师，帮助企业实现从"人找数据"到"数据找人"的智能化飞跃。

技术栈 ​

Python FastAPI Qdrant Elasticsearch LiteLLM Jieba AsyncIO React SSE Agentic-Workflow

架构图 ​

架构图

架构图解析：掌柜智库 ​

📥 数据接入层

  • PDF 操作手册

✂️ 文档处理层

  • 🔹 Small-to-Big 切片

🧠 嵌入与索引层

  • HyDE 假设性嵌入

🔍 多路混合召回层

  • ✅ 向量检索

🎯 生成与评估层

  • LLM 答案生成

技术栈: LLM

组件数量: 5，层级数量: 5

项目三：好医智库 【缺失】 ​

类型：智能体项目

项目介绍 ​

  1. 中控调度架构：采用基于 Orchestrator 的分诊模式，精准识别用户意图，在知识库、SQL 查询、地图服务与购物助手间动态路由。
  2. Text-to-SQL：内置 sql_info_agent，支持将自然语言转化为结构化 SQL，精准查询维修站分布、城市覆盖及特定服务信息。
  3. 时空智能集成：引入 MCP (Model Context Protocol) 协议对接百度地图，实现基于地理位置（LBS）的维修点查询与导航规划。
  4. 领域知识 RAG：集成 knowledge_agent 垂直知识库，专门处理"电脑无法开机"等硬件故障诊断，提供专家级维修指导。
  5. 全生命周期记忆：基于 JSON 的持久化 Session 管理，支持多轮对话上下文保持，确保服务过程的连续性与个性化。
  6. 全栈交互体验：Python 异步后端配合 Vue3 + Element Plus 前端，打造响应式、可视化的现代智能客服终端。

技术背景 ​

【从"人工客服"到"全能管家"：重塑售后服务智能化新范式】

在传统的 3C 电子与硬件售后场景中，用户需求往往高度复杂且异构：既有"电脑蓝屏怎么办"的非结构化咨询，又有"最近的维修站在哪"的结构化数据查询，甚至涉及"查订单、找路线"的实时服务。单一的 RAG 系统难以同时应对这些跨模态挑战，导致用户体验割裂，人工介入成本居高不下。

本项目旨在打破这一僵局，构建一套具备自主决策能力的百应智能售后系统。采用了先进的 Multi-Agent Orchestration（多智能体编排）架构。在核心中枢，调度智能体如同"分诊台"，将复杂需求拆解并分发给专业子智能体。数据端，利用 Text-to-SQL 技术让大模型直接对话关系型数据库，毫秒级锁定维修资源；服务端，创新性通过 MCP 协议接入百度地图，打通线上咨询与线下服务的"最后一公里"。配合持久化的会话记忆系统，系统能像老朋友一样记住用户的设备型号与历史问题。

技术栈 ​

Python Vue3 OpenAI-SDK Orchestrator-Pattern Text-to-SQL MCP(Model Context Protocol) BaiduMap-API PyMySQL AsyncIO

架构图 ​

架构图

架构图解析：好医智库 ​

数据源

  • 医学影像报告

多模态解析

  • MinerU 解析器

智能切片

  • 病例结构切片

多路召回

  • 向量检索 (Milvus)

深度优化

  • HyDE 假设性嵌入

全链路评估

  • RAGAS 评估体系

技术栈: RAG

组件数量: 6，层级数量: 6

项目四：伴学智库 【缺失】 ​

类型：智能体项目

项目介绍 ​

  1. 多源舆情采集架构：采用分布式爬虫与 API 对接结合模式，全面抓取电商平台、社交媒体、新闻资讯、论坛评论等多渠道舆情数据，实现全场景舆情覆盖。
  2. 智能舆情分类研判：内置 sentiment_agent 情感分析模块，结合 BERT 预训练模型，精准识别舆情正面、负面、中性倾向，自动标注舆情核心诉求与关键词。
  3. 舆情热度动态追踪：引入热度计算模型与时间序列分析，实时监测舆情传播速度、覆盖范围、互动量，生成可视化热度趋势图，精准捕捉舆情爆发点。
  4. 风险舆情预警机制：基于关键词匹配与语义相似度检索，设置多级预警阈值，针对恶意诋毁、投诉集中、虚假宣传等风险舆情，实现实时弹窗与短信预警。
  5. 全周期舆情记忆：采用 JSON 持久化存储与上下文关联技术，留存舆情历史数据与研判记录，支持多轮舆情追溯、趋势对比与复盘分析。
  6. 全栈可视化展示：Python 异步后端搭配 Vue3 + ECharts 前端，打造舆情仪表盘，直观呈现舆情分布、情感占比、风险等级，支持自定义查询与数据导出。

技术背景 ​

【从"零散收集"到"智能研判"：重构电商全场景舆情监测分析范式】

在电商业务线上化与用户表达多元化的背景下，品牌口碑、用户评价与网络讨论散落在电商平台、社交媒体、新闻资讯等多个渠道，传统人工监测方式往往面临"数据覆盖不全、情感识别不准、风险响应滞后"的三大痛点，难以实时捕捉用户真实反馈与潜在舆情风险，导致品牌声誉受损、用户体验下滑。本项目致力于打破这一壁垒，构建一套全链路、智能化的舆情监测与分析系统。

面对海量多源数据与复杂舆情场景，采用分布式采集与 API 对接的多源舆情架构，实现全渠道数据覆盖。内置 sentiment_agent 情感分析模块，结合 BERT 预训练模型，精准识别舆情倾向并自动标注核心诉求；通过热度计算模型与时间序列分析，实时追踪舆情传播动态，精准捕捉舆情爆发点。

技术栈 ​

Python LangGraph Flask+SocketIO Streamlit Pydantic Settings PostgreSQL MySQL Tavily Bocha Anspire Kimi Gemini DeepSeek Qwen NetworkX 自定义GraphRAG Loguru

架构图 ​

架构图

架构图解析：伴学智库 ​

① 数据接入与多模态解析层

② 智能切片与嵌入层

  • 滑动窗口切片
  • Small-to-Big切片
  • 教育语义切分

③ 多路召回与向量存储层

  • 向量检索

④ LangGraph RAG工作流与优化层

  • LangGraph 工作流编排

技术栈: LangGraph

组件数量: 5，层级数量: 4

项目五：倾听智库 【缺失】 ​

类型：智能体项目

项目介绍 ​

  1. 智能运维调度架构：采用基于 Orchestrator 的分诊模式，精准识别运维告警意图，在设备监控、故障排查、日志分析与工单处理间动态路由，实现运维全流程自动化。
  2. 日志智能解析：内置 log_analysis_agent，结合 NLP 与正则匹配技术，支持将自然语言运维需求转化为日志查询指令，精准提取设备异常、性能瓶颈等关键信息。
  3. 多维度监控集成：引入 Prometheus + Grafana 监控协议，对接服务器、数据库、应用程序等多类运维对象，实现硬件负载、软件性能的实时监测与可视化展示。
  4. 运维知识 RAG：集成 ops_knowledge_agent 垂直知识库，专门处理服务器宕机、端口异常、内存溢出等常见运维故障，提供标准化排查流程与解决方案。
  5. 全周期运维记忆：基于 JSON 的持久化 Session 管理，留存设备运行日志、故障处理记录与运维操作历史，支持多轮故障追溯、问题复盘与经验沉淀。
  6. 全栈运维交互：Python 异步后端配合 Vue3 + Element Plus 前端，打造智能化运维控制台，直观呈现设备状态、告警信息、处理进度，支持一键提交运维工单。

技术背景 ​

【从"被动救火"到"主动运维"：重构企业级自动化运维管理范式】

在企业 IT 架构日益复杂、设备规模不断扩张的背景下，服务器、数据库与应用程序的运维场景中，传统人工运维模式往往面临"告警响应慢、故障定位难、知识沉淀散、排错效率低"的痛点，难以支撑 7×24 小时的稳定运行保障，也无法快速响应业务峰值下的突发问题。本项目致力于打破这一壁垒，构建一套集调度、监控、分析、处置于一体的智能化运维管理系统。

面对多设备、多类型的运维场景，采用基于 Orchestrator 的智能分诊调度架构，精准识别告警意图并动态路由至对应处理模块，实现运维全流程自动化。系统内置 log_analysis_agent 日志解析模块，结合 NLP 与正则匹配技术，将自然语言运维需求转化为查询指令，精准提取设备异常与性能瓶颈。

技术栈 ​

FastAPI Uvicorn SQLAlchemy aiomysql langchain-openai LangGraph deepagents python-jose tiktoken python-dotenv Pydantic

架构图 ​

架构图

架构图解析：倾听智库 ​

📚 数据源层 (Data Sources)

  • 音频转写文稿

⚙️ 内容解析层 (Content Processing)

  • MinerU 文档解析
  • OCR 图文识别
  • 音频转写解析

🧠 RAG 引擎与多路召回层 (RAG Engine & Retrieval)

  • 🧠 意图理解
  • 💬 多轮问答
  • 🔍 知识溯源
  • 📋 审计日志

✅ 评估与接入层 (Evaluation & Application)

  • RAGAS 评估框架

技术栈: RAG

组件数量: 9，层级数量: 4

项目六：金融智库 【缺失】 ​

类型：智能体项目

项目介绍 ​

  1. SOP 动态编排：内置标准化作业程序（SOP），实现复杂任务的自动拆解、路径规划与动态调整。
  2. 双模态引擎：自适应切换 ReAct 单任务极速处理与 PlanSolve 多任务深度研判模式，兼顾响应速度与思考深度。
  3. 全域工具集成：深度整合 DeepSearch 网络搜索、Python 代码解释器、专业报表生成及 NL2SQL 数据查询能力。
  4. 多智能体协同：基于 PlanningAgent 全局统筹与 ExecutorAgents 并行执行，模拟人类专家的"规划-执行-检查"工作流。
  5. 开放生态互联：通过 Genie-Client 连接云端 MCP（Model Context Protocol）服务，无限拓展插件与能力边界。
  6. 过程可视化：通过 SSE 技术全链路展示"思考-检索-分析-写作"的完整心流，让研究过程透明可控。

技术背景 ​

【从"简单问答"到"深度研判"：重塑数据驱动的研究辅助系统】

在企业级应用中，用户已不再满足于简单的聊天机器人，而是需要能够处理复杂逻辑、生成专业报告的"数字员工"。面对"某行业未来五年发展趋势"这类模糊且庞大的需求，传统的单轮问答系统往往显得力不从心，缺乏深度思考与执行能力。本项目致力于突破这一瓶颈，构建一套具备自主规划能力的全智深度研究系统。

采用先进的多智能体协作架构（Multi-Agent Collaboration）。对于复杂课题，则基于 SOP（标准作业程序）动态生成执行计划。系统能够像人类分析师一样，自主调用 Python 数据分析工具、DeepSearch 联网搜索、MCP 工具箱以及 NL2SQL 数据库查询，对海量信息进行清洗、交叉验证与深度挖掘。这不仅是一个问答工具，更是一个能够独立完成"调研-分析-报告"全流程的智能业务助理。

技术栈 ​

Python FastAPI Qdrant Elasticsearch LiteLLM Jieba AsyncIO React SSE Agentic-Workflow

架构图 ​

架构图

架构图解析：金融智库 ​

① 多模态数据解析层

  • 财报 PDF
  • 研报图表
  • 招股书
  • 合同文本
  • 监管文件
  • 解析引擎
  • MinerU

② 智能切片层

  • 财报章节切片
  • 指标维度切片
  • 条款段落切片
  • 滑动窗口切片
  • Small-to-Big切片
  • 金融语义切片

③ 知识存储与索引层

  • 向量数据库
  • 稠密索引
  • 知识图谱
  • 行业
  • 标的
  • 指标
  • 法规
  • 风险
  • 条款
  • 稀疏索引

④ LangGraph RAG 工作流（编排层）

  • 多路召回
  • HyDE
  • BGE-Rerank
  • 智能
  • 合规校验
  • RAGAS评估

技术栈: RAG

组件数量: 29，层级数量: 4

项目七：美途智库 【缺失】 ​

类型：智能体项目

项目介绍 ​

  1. 大厂开源内核：基于最新 RiskAgent 架构深度定制，适配电商全场景风控排查需求。
  2. 思维链驱动风险识别：引入 Deep-Risk 推理层，采用"特征提取-风险研判-决策生成"三阶段 Agent 架构，确保复杂交易风险、欺诈行为识别的逻辑准确性。
  3. 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现风险特征语义与交易行为数据的双重混合召回，精准捕捉潜在风控隐患。
  4. 动态风险因子剪枝：RiskFilterModule 智能风险因子过滤技术，基于查询语义自动剔除无关风险字段，大幅降低 LLM 上下文噪声，提升风控识别效率。
  5. 高并发异步架构：全链路基于 AsyncIO 构建，并行执行风险检测与特征排序，适配电商大促峰值时段的海量交易风控需求，显著降低端到端响应延迟。
  6. 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行风控意图扩展，有效解决电商风控术语（如刷单、盗刷、恶意退款）与风控模型字段名的语义鸿沟。

技术背景 ​

【从"事后拦截"到"事前预判"：重构电商交易全链路风控范式】

在电商业务规模持续扩张、交易场景日趋复杂的背景下，面对海量订单、多样交易模式与新型欺诈手段的持续涌现，传统风控规则往往面临"规则滞后、误判率高、风险识别不全面"的三大痛点，难以应对复杂交易风险、羊毛党、虚假交易等新型风险场景，导致平台损失与用户体验受损。本项目致力于打破这一壁垒，构建一套基于大模型的企业级智能风控排查系统。

面对海量交易数据与多变的风险场景，采用多阶段推理架构。在数据处理端，创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引的混合召回技术，实现风险特征语义与交易行为数据的双重匹配，精准捕捉潜在风控隐患；在识别端，系统引入 Deep-Risk 推理层，执行"特征提取 - 风险研判 - 决策生成"的三阶段思维链，确保复杂交易风险与欺诈行为识别的逻辑准确性。

技术栈 ​

FastAPI Pydantic pydantic-settings Jinja2 Uvicorn SQLAlchemy PyMySQL Pandas NumPy LangChain LangGraph langchain-openai deepagents Bootstrap 5 pytest pytest-asyncio httpx MySQL ulid-py Faker

架构图 ​

架构图

架构图解析：美途智库 ​

① 数据接入层 (Data Input)

  • 📄 旅游攻略
  • 🖼️ 图文宣传资料

② 多模态文档处理层 (Document Processing)

  • MinerU

③ 智能切片层 (Intelligent Chunking)

  • 按地域切片

④ 多路召回与检索引擎 (Multi-Route Retrieval)

  • 向量检索

⑤ 可插拔 LangGraph RAG 工作流 (RAG Workflow)

  • 行程规划

⑥ 评估与业务应用层 (Evaluation & Application)

组件数量: 6，层级数量: 6

项目八：电商小二 【网盘已有】 ​

类型：智能体项目

项目介绍 ​

  1. 大厂开源内核：基于最新 AttributionAgent 架构深度定制，适配电商多渠道、长链路的归因分析需求。
  2. 思维链驱动多模型归因：引入 Deep-Attribution 推理层，采用"路径解析-因子拆解-权重分配"三阶段 Agent 架构，兼容末次互动、线性归因、时间衰减等多类模型，确保复杂用户路径归因的逻辑准确性与合理性。
  3. 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现用户行为触点与归因因子的双重混合召回，精准匹配每笔交易对应的全链路营销渠道与运营动作。
  4. 动态因子剪枝：AttrFilterModule 智能因子过滤技术，基于电商业务场景（广告投放、促销活动、自然流量等）自动剔除无关归因因子，大幅降低 LLM 上下文噪声，提升归因效率。
  5. 高并发异步架构：全链路基于 AsyncIO 构建，并行执行路径追溯与权重计算，适配电商大促峰值时段的海量交易数据归因需求，显著降低端到端响应延迟。
  6. 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行归因意图扩展，有效解决电商业务术语（如直通车、直播带货、复购归因）与归因模型字段名的语义鸿沟，提升归因精准度。

技术背景 ​

【从"凭经验归因"到"用数据说话"：重构电商全链路归因分析范式】

在电商流量碎片化与多渠道营销的背景下，面对用户行为触点繁杂、转化链路冗长、营销动作交叉叠加的业务场景，传统的人工归因与单一模型分析方式，往往面临"触点难追溯、权重难分配、归因难解释"的三大痛点，导致营销效果无法精准衡量、投放预算难以优化、运营决策缺乏数据支撑。本项目致力于打破这一壁垒，构建一套基于大模型的企业级智能归因分析系统。

面对海量用户行为数据与复杂的转化链路，采用多阶段推理架构。在数据处理端，创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引的混合召回技术，精准匹配每笔交易对应的全链路营销渠道与运营动作；在归因端，系统强制模型执行"路径解析 - 因子拆解 - 权重分配"的三阶段思维链，兼容末次互动、线性归因、时间衰减等多类模型，确保复杂用户路径归因的逻辑准确性。

技术栈 ​

Python FastAPI MySQL Redis SQLAlchemy deepagents LangChain LangGraph OpenAI Qwen MCP WebSocket React TypeScript Vite pandas ECharts

架构图 ​

架构图

架构图解析：电商小二 ​

👤 用户输入层

  • 用户输入

🧠 NLU 自然语言理解层

  • 稀疏特征
  • 稠密语义

💬 对话管理 (Dialogue Management)

  • 📖 Stories

⚡ 动作执行层 (Action Execution)

  • 🔧 Action Selection

组件数量: 5，层级数量: 4

项目九：尚医助手 【缺失】 ​

类型：智能体项目

项目介绍 ​

  1. 项目概述与架构设计：小智医疗 AI 模块整体介绍、LangChain4j 核心技术栈与架构规划、AI 智能问答业务开发概念梳理、项目代码分层与 Git 仓库提交规范
  2. 核心 AI 服务搭建：LangChain4j 基础框架整合、AIService 智能对话服务封装、对话核心流程调试与模型基础调用、AI 服务全局配置与参数优化
  3. 对话核心能力开发：Chat Memory 对话记忆机制实现、多轮对话上下文留存与清理、Prompt 提示词工程优化、通用及医疗场景专属提示词模板封装
  4. 高级 AI 功能实战：Function Calling 函数调用能力开发、医疗业务函数绑定与触发、接口动态调用与参数解析、自定义函数注册与异常处理
  5. RAG 检索增强生成实战：RAG 核心架构流程梳理、医疗知识库检索逻辑开发、向量模型接入与文本向量化处理、向量存储引擎整合与数据持久化
  6. 智能交互体验优化：AI 对话流式输出功能开发、实时分段响应机制实现、前端流式数据接收与页面渲染、对话响应速度与交互体验优化
  7. 知识库后台 CRUD 系统开发：医疗知识库上传功能实现、知识库文件解析与预处理、知识库数据增删改查接口开发、前端管理页面整合与功能测试
  8. 系统集成与项目总结：AI 模块与小智医疗主系统整合、服务配置统一管理、AI 核心功能调试与性能优化、项目技术栈与业务亮点整体复盘。

技术背景 ​

【从"人工问诊"到"智能诊疗"：搭建医疗行业 Java 智能体服务中枢】

随着线上医疗问诊、慢病健康管理业务快速普及，医疗机构普遍面临多重业务痛点：医疗专业文档繁杂分散，传统检索无法精准匹配患者语义化问诊诉求；人工客服人力成本高，难以实现 7×24 小时连贯问诊，医患对话缺少完整上下文记忆，病史、复诊诉求无法连贯追溯；传统系统缺少标准化医疗问答流程，无法封装专属诊疗提示词，也不能联动业务系统调取挂号、处方、检查等业务数据；同时知识库缺少可视化管理后台，医疗文档上传、解析、更新流程繁琐，对话交互单一、响应卡顿，缺少实时流式输出的流畅问诊体验。

本项目致力于打破行业服务瓶颈，构建一套基于 LangChain4j 的 Java 企业级医疗智能体系统。依托 LangChain4j 完成 AI 对话服务底层框架封装，搭建完整 Chat Memory 对话记忆机制，留存全周期医患对话上下文；依托 RAG 检索增强架构梳理医疗知识库检索逻辑，完成医疗文档文本向量化处理与向量存储持久化，精准匹配各类医疗问诊需求；集成 Function Calling 函数调用能力，绑定挂号、处方、检查等医疗业务接口，实现 AI 与业务系统联动。

技术栈 ​

LangChain4j Java 向量数据库 RAG Function Calling Vue3 医疗知识库 Prompt工程

架构图 ​

架构图

架构图解析：尚医助手 ​

Jieba 中文分词

  • NLU 特征工程（全链路特征提取）
  • RulePolicy（规则引擎）
  • 混合对话策略（双引擎驱动）
  • Jieba 中文分词
  • CountVectors\n词袋模型
  • RulePolicy（规则引擎）
  • BERT稠密语义向量
  • Regex 正则特征匹配
  • TED Policy（ML策略）
  • Jieba 中文分词

意图分类（Intent）

  • DIET 多任务学习架构
  • 可视化故事建模（Stories）
  • 应用落地层
  • 意图分类（Intent）
  • 意图分类（Intent）

意图分类（Intent）

  • 实体提取（Entity）
  • 可视化故事建模（Stories）
  • 动态动作执行（Action）
  • 非线性多轮对话 →机器学习训练样本
  • 调用外部API · 查询报告预约项目 · 更新诊疗信息
  • Transformer 共享编码层\n同步训练 效率倍增

组件数量: 21，层级数量: 3

项目十：知学助手 【缺失】 ​

类型：智能体项目

项目介绍 ​

  1. 开源项目深度二开与定制：基于 Rasa 源码深度二次开发，面向文旅出行场景打造智能助手，支持景点问答、行程规划、票务查询、酒店咨询、投诉建议等功能。
  2. 深度语义融合：构建 Sparse + Dense 双路特征网络，结合 Regex 与中文预训练模型，精准识别目的地、景点、日期、人数、预算、出行方式等关键信息。
  3. DIET 多任务学习：采用 DIET 架构，统一完成意图识别（订票 / 订房 / 攻略 / 投诉 / 问路）与实体抽取（城市、景点、时间、价格区间、交通方式），提高交互效率。
  4. 混合对话策略：Rule + ML (TED) 双引擎驱动。RulePolicy 处理票务查询、酒店预订、入园预约等标准化流程；TED 策略处理自由行程规划、偏好调整、多目的地对比等复杂对话。
  5. 全链路特征工程：基于 Jieba 分词与 CountVectors 做文旅场景优化，支持景点别称、口语化需求、模糊地点描述的理解，提升用户体验。
  6. 动态动作执行：通过 Action Selection 调用文旅、交通、票务 API，实现实时查询车次、景点开放时间、天气、路线规划、订单状态更新等能力。
  7. 可视化故事建模：使用 Stories 建模多轮出行对话，将需求收集、方案推荐、修改调整、确认下单流程结构化，支持灵活扩展线路与服务类型。

技术背景 ​

【从"盲目咨询"到"精准适配"：打造旅游出行 APP 专属智能客服解决方案】

随着旅游出行 APP 用户需求多元化，景点问答、行程规划、票务酒店咨询等诉求频发，且用户表达多含景点别称、口语化描述、模糊地点等情况，传统人工客服响应滞后，常规客服系统无法适配文旅场景特性。为此，打造旅游出行 APP 专属智能客服"美途助手"，实现出行诉求精准识别、高效响应与个性化服务。

系统基于 Rasa 源码深度二次开发，适配文旅出行全场景，支持景点问答、行程规划等核心功能。语义理解上，构建双路特征网络，结合 Regex 与中文预训练模型，精准识别目的地、日期等关键信息；采用 DIET 架构，同步完成意图识别与实体抽取，提升交互效率。对话策略采用 Rule+TED 双引擎，分别处理票务查询等标准化流程与自由行程规划等复杂对话；基于 Jieba 分词与特征模型做文旅场景优化，适配景点别称、口语化需求。

技术栈 ​

Python Rasa PyTorch Jieba BERT/ChineseBERT DIET Classifier TED Policy Docker

架构图 ​

架构图

架构图解析：知学助手 ​

① 用户接入层 (User Access)

  • Web端

② 语义理解层 (Semantic Understanding / NLU)

  • Jieba 教育分词器

③ 对话管理/策略层 (Dialogue Management & Policy)

  • 📖 Stories 故事建模

④ 业务执行层 (Action Execution)

  • Action Selection

⑤ 外部系统集成层 (External System Integration)

  • LMS 教务系统

组件数量: 5，层级数量: 5

项目十一：倾听助手 ​

类型：智能体项目

项目介绍 ​

  1. 大厂开源内核：基于京东最新开源 DataAgent 架构深度定制，承袭经亿级业务场景验证的企业级稳定性与工业化标准。
  2. 思维链驱动 NL2SQL：引入 Deep-Thinking 推理层，采用"重写-思考-生成"三阶段 Agent 架构，确保复杂 SQL 生成的逻辑准确性。
  3. 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现 Schema 语义与单元格精准值的双重混合召回。
  4. 动态 Schema 剪枝：ColumnFilterModule 智能列过滤技术，基于查询语义自动剔除无关字段，大幅降低 LLM 上下文噪声。
  5. 高并发异步架构：全链路基于 AsyncIO 构建，并行执行 Query Rewrite 与 Schema Ranking，显著降低端到端响应延迟。
  6. 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行查询意图扩展，有效解决业务术语与数据库字段名的语义鸿沟。

技术背景 ​

【从"看报表"到"问数据"：重构企业级数据分析范式】（同掌柜智库，应用于不同业务场景）

技术栈 ​

Python FastAPI Qdrant Elasticsearch LiteLLM Jieba AsyncIO React SSE Agentic-Workflow

架构图 ​

架构图

架构图解析：倾听助手 ​

用户接入层

  • Web 端
  • APP 端
  • 小程序端
  • API 网关

语义理解层（Rasa NLU）

  • 双路特征提取网络
  • 正则表达式（Regex）
  • DIET 多任务学习
  • Jieba 分词 & 词袋模型
  • ChineseBERT

对话管理 & 策略层（Rasa Core）

  • RulePolicy（规则引擎）
  • TED Policy（ML 策略）
  • Stories 故事建模
  • 混合对话策略：Rule + ML（TED）双引擎驱动

业务执行层（Action & API）

  • Action Selection
  • 诉求登记
  • 工单派发
  • 进度查询
  • 回访提醒
  • 结果反馈

外部系统集成

  • CRM 系统
  • 工单系统
  • 用户中心
  • 消息推送

组件数量: 23，层级数量: 5

项目十二：金融助手 ​

类型：智能体项目

项目介绍 ​

  1. 中控调度架构：采用基于 Orchestrator 的分诊模式，精准识别用户意图，在知识库、SQL 查询、地图服务与购物助手间动态路由。
  2. Text-to-SQL：内置 sql_info_agent，支持将自然语言转化为结构化 SQL。
  3. 时空智能集成：引入 MCP 协议对接百度地图，实现基于地理位置（LBS）的服务查询与导航规划。
  4. 领域知识 RAG：集成 knowledge_agent 垂直知识库，提供专家级指导。
  5. 全生命周期记忆：基于 JSON 的持久化 Session 管理，支持多轮对话上下文保持。
  6. 全栈交互体验：Python 异步后端配合 Vue3 + Element Plus 前端。

技术背景 ​

【从"人工客服"到"全能管家"：重塑售后服务智能化新范式】（同好医智库，应用于金融售后场景）

技术栈 ​

Python Vue3 OpenAI-SDK Orchestrator-Pattern Text-to-SQL MCP(Model Context Protocol) BaiduMap-API PyMySQL AsyncIO

架构图 ​

架构图

架构图解析：金融助手 ​

👤 用户交互层

  • 金融APP 用户端
  • 文本对话
  • 语音输入
  • 点击按钮

🧠 语义理解层 (NLU)

  • 双路特征提取 + Regex 金融匹配
  • Sparse金融口语/产品简称
  • Dense金融领域预训练模型
  • Regex 正则表达式金额/期限/产品名称
  • DIET 多任务学习
  • 意图分类开户/转账/理财/贷款/查询
  • 实体抽取账号/金额/产品/日期/费率

🗣️ 对话管理层 (Dialogue Management)

  • RulePolicy 规则引擎
  • 密码验证 / 业务鉴权 / 流程办理 (强规则场景)
  • TED Policy 机器学习策略
  • 理财咨询 / 风险解读 / 收益对比 (复杂问答)
  • Stories 对话流程建模咨询 、校验办理、告知
  • 混合对话策略Rule + ML 双引擎

⚡ 动作执行层 (Action Execution)

  • 余额查询
  • 交易明细
  • 风险测评
  • 产品推荐
  • 业务预约
  • Action Selection 核心业务调用

🛠️ 基础设施与技术栈

  • Python
  • PyTorch
  • BERT/ChineseBERT
  • Docker
  • DIET
  • TED

技术栈: Python, Docker

组件数量: 29，层级数量: 5

项目十三：美途助手 ​

类型：智能体项目

项目介绍 ​

  1. 开源项目深度二开与定制：基于 Rasa 源码深度二次开发，面向文旅出行场景打造智能助手。
  2. 深度语义融合：构建 Sparse + Dense 双路特征网络，结合 Regex 与中文预训练模型。
  3. DIET 多任务学习：统一完成意图识别与实体抽取。
  4. 混合对话策略：Rule + ML (TED) 双引擎驱动。
  5. 全链路特征工程：基于 Jieba 分词与 CountVectors 做文旅场景优化。
  6. 动态动作执行：通过 Action Selection 调用 API 实现实时查询。
  7. 可视化故事建模：使用 Stories 建模多轮出行对话。

技术背景 ​

【从"盲目咨询"到"精准适配"：打造旅游出行 APP 专属智能客服解决方案】（同知学助手，应用于不同文旅子场景）

技术栈 ​

Python Rasa PyTorch Jieba BERT/ChineseBERT DIET Classifier TED Policy Docker

架构图 ​

架构图

架构图解析：美途助手 ​

WEB端

  • WEB端

🏔 景点问答

  • 🏔 景点问答

NLU 自然语言理解

  • 意图识别：订票 / 订房 / 攻略 / 投诉 / 问路
  • 实体抽取：城市 / 景点 / 时间 / 价格 / 交通方式

🚄 交通 API\n(车次/航班)

  • 🚄 交通 API\n(车次/航班)

Python

  • Python

技术栈: Python

组件数量: 6，层级数量: 5

项目十四：掌柜问数 【网盘已有】 ​

类型：智能体项目

项目介绍 ​

  1. 大厂开源内核：基于京东最新开源 DataAgent 架构深度定制，承袭经亿级业务场景验证的企业级稳定性与工业化标准。
  2. 思维链驱动 NL2SQL：引入 Deep-Thinking 推理层，采用"重写-思考-生成"三阶段 Agent 架构，确保复杂 SQL 生成的逻辑准确性。
  3. 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现 Schema 语义与单元格精准值的双重混合召回。
  4. 动态 Schema 剪枝：ColumnFilterModule 智能列过滤技术，基于查询语义自动剔除无关字段，大幅降低 LLM 上下文噪声。
  5. 高并发异步架构：全链路基于 AsyncIO 构建，并行执行 Query Rewrite 与 Schema Ranking，显著降低端到端响应延迟。
  6. 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行查询意图扩展，有效解决业务术语与数据库字段名的语义鸿沟。

技术背景 ​

【从"看报表"到"问数据"：重构企业级数据分析范式】（同掌柜智库，应用于商户数据分析场景）

技术栈 ​

Python FastAPI Qdrant Elasticsearch LiteLLM Jieba AsyncIO React SSE Agentic-Workflow

架构图 ​

架构图

架构图解析：掌柜问数 ​

业务人员

  • 业务人员

阶段 ①：重写 (Rewrite)

  • 阶段 ①：重写 (Rewrite)
  • Jieba 分词
  • HyDE 策略
  • ✏️ 查询改写

Qdrant 向量检索

  • Qdrant 向量检索

技术栈: Qdrant

组件数量: 6，层级数量: 3

项目十五：归因分析 ​

类型：智能体项目

项目介绍 ​

  1. 大厂开源内核：基于最新 AttributionAgent 架构深度定制，适配电商多渠道、长链路的归因分析需求。
  2. 思维链驱动多模型归因：引入 Deep-Attribution 推理层，采用"路径解析-因子拆解-权重分配"三阶段 Agent 架构，兼容末次互动、线性归因、时间衰减等多类模型。
  3. 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现用户行为触点与归因因子的双重混合召回。
  4. 动态因子剪枝：AttrFilterModule 智能因子过滤技术，基于电商业务场景自动剔除无关归因因子。
  5. 高并发异步架构：全链路基于 AsyncIO 构建，并行执行路径追溯与权重计算。
  6. 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行归因意图扩展。

技术背景 ​

【从"凭经验归因"到"用数据说话"：重构电商全链路归因分析范式】（同电商小二，应用于不同归因场景）

技术栈 ​

Python FastAPI MySQL Redis SQLAlchemy deepagents LangChain LangGraph OpenAI Qwen MCP WebSocket React TypeScript Vite pandas ECharts

架构图 ​

架构图

架构图解析：归因分析 ​

数据源层

  • 电商平台数据
  • 营销渠道数据
  • 用户行为数据
  • 运营活动数据
  • 广告投放数据

数据存储层

  • MySQL
  • Redis
  • Elasticsearch
  • Qdrant

智能归因引擎核心

  • 🧠 Agent 编排层
  • 路径解析 Agent
  • 因子拆解 Agent
  • 🧩 归因模型库
  • 末次互动归因
  • 线性归因 / 时间衰减
  • 🔧 智能过滤模块
  • 广告投放因子过滤
  • 促销/自然流量过滤
  • 🌐 语义对齐层
  • Jieba分词 / 业务术语
  • HyDE 意图扩展

高并发异步框架 Async Infrastructure

  • AsyncIO
  • FastAPI
  • WebSocket
  • LangChain / LangGraph
  • DeepAgents

展示与交互层 Presentation

  • React + TypeScript
  • ECharts
  • pandas
  • Vite

技术栈: MySQL, Redis, Elasticsearch, Qdrant, AsyncIO, FastAPI, WebSocket, LangChain, LangGraph, React, TypeScript, ECharts, pandas, Vite

组件数量: 30，层级数量: 5

项目十六：商城风控 ​

类型：智能体项目

项目介绍 ​

  1. 大厂开源内核：基于最新 RiskAgent 架构深度定制，适配电商全场景风控排查需求。
  2. 思维链驱动风险识别：引入 Deep-Risk 推理层，采用"特征提取-风险研判-决策生成"三阶段 Agent 架构。
  3. 混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现风险特征语义与交易行为数据的双重混合召回。
  4. 动态风险因子剪枝：RiskFilterModule 智能风险因子过滤技术。
  5. 高并发异步架构：全链路基于 AsyncIO 构建，并行执行风险检测与特征排序。
  6. 精准语义对齐：集成 Jieba 分词与 HyDE 策略进行风控意图扩展。

技术背景 ​

【从"事后拦截"到"事前预判"：重构电商交易全链路风控范式】（同美途智库，应用于商城风控场景）

技术栈 ​

FastAPI Pydantic pydantic-settings Jinja2 Uvicorn SQLAlchemy PyMySQL Pandas NumPy LangChain LangGraph langchain-openai deepagents Bootstrap 5 pytest pytest-asyncio httpx MySQL ulid-py Faker

架构图 ​

架构图

架构图解析：商城风控 ​

Deep-Risk Agent 推理层（思维链三阶段）

  • 阶段一：特征提取提取交易语义 & 行为特征

核心处理引擎

  • Qdrant 向量检索语义相似匹配

数据与基础设施层

  • MySQL 事务数据库存储交易记录

技术栈: Qdrant, MySQL

组件数量: 3，层级数量: 3

项目十七：市场罗盘 ​

类型：智能体项目

项目介绍 ​

  1. SOP 动态编排：内置标准化作业程序（SOP），实现复杂任务的自动拆解、路径规划与动态调整。
  2. 双模态引擎：自适应切换 ReAct 单任务极速处理与 PlanSolve 多任务深度研判模式。
  3. 全域工具集成：深度整合 DeepSearch 网络搜索、Python 代码解释器、专业报表生成及 NL2SQL 数据查询能力。
  4. 多智能体协同：基于 PlanningAgent 全局统筹与 ExecutorAgents 并行执行。
  5. 开放生态互联：通过 Genie-Client 连接云端 MCP 服务。
  6. 过程可视化：通过 SSE 技术全链路展示"思考-检索-分析-写作"的完整心流。

技术背景 ​

【从"简单问答"到"深度研判"：重塑数据驱动的研究辅助系统】（同金融智库，应用于市场研究场景）

技术栈 ​

Python FastAPI Qdrant Elasticsearch LiteLLM Jieba AsyncIO React SSE Agentic-Workflow

架构图 ​

架构图

架构图解析：市场罗盘 ​

用户界面层

  • React 前端界面
  • SSE 实时流式展示
  • 专业报表生成
  • 过程可视化面板

核心引擎层

  • SOP 动态编排引擎
  • 任务自动拆解
  • 路径规划
  • 双模态推理引擎
  • ReAct 极速模式
  • PlanSolve深度模式
  • 开放生态互联
  • Genie-Client + MCP
  • 无限插件拓展

多智能体协同层

  • PlanningAgent 全局统筹
  • ExecutorAgent 调研
  • ExecutorAgent 分析
  • ExecutorAgent 验证
  • ExecutorAgent 报告
  • 规划 → 执行 → 检查 → 报告

全域工具集成层

  • DeepSearch 网络搜索
  • Python 代码解释器
  • 专业报表生成
  • NL2SQL 数据查询

基础设施层

  • Python · FastAPI · LiteLLM · Qdrant · Elasticsearch · AsyncIO

技术栈: React, RAG, Python, LLM, Elasticsearch, AsyncIO, FastAPI, Qdrant

组件数量: 24，层级数量: 5

项目十八：万应助手 ​

类型：智能体项目

项目介绍 ​

  1. 中控调度架构：采用基于 Orchestrator 的分诊模式，精准识别用户意图，在知识库、SQL 查询、地图服务与购物助手间动态路由。
  2. Text-to-SQL：内置 sql_info_agent，支持将自然语言转化为结构化 SQL。
  3. 时空智能集成：引入 MCP 协议对接百度地图，实现基于地理位置（LBS）的维修点查询与导航规划。
  4. 领域知识 RAG：集成 knowledge_agent 垂直知识库，专门处理硬件故障诊断。
  5. 全生命周期记忆：基于 JSON 的持久化 Session 管理，支持多轮对话上下文保持。
  6. 全栈交互体验：Python 异步后端配合 Vue3 + Element Plus 前端。

技术背景 ​

【从"人工客服"到"全能管家"：重塑售后服务智能化新范式】（同好医智库，应用于综合售后场景）

技术栈 ​

Python Vue3 OpenAI-SDK Orchestrator-Pattern Text-to-SQL MCP(Model Context Protocol) BaiduMap-API PyMySQL AsyncIO

架构图 ​

架构图

架构图解析：万应助手 ​

用户输入层

  • 用户输入层

中控调度层 (Orchestrator)

  • 中控调度层 (Orchestrator)

🧠 知识库智能体

  • 🗄️ SQL 查询智能体
  • 🗺️ 地图服务智能体
  • 🛒 购物助手智能体
  • 🧠 知识库智能体

💾 全生命周期记忆层

  • 💾 全生命周期记忆层

🔧 后端技术栈

  • 🎨 前端技术栈
  • 🔧 后端技术栈

组件数量: 9，层级数量: 5

项目十九：舆情分析 【网盘已有】 ​

类型：智能体项目

项目介绍 ​

  1. 多源舆情采集架构：采用分布式爬虫与 API 对接结合模式，全面抓取多渠道舆情数据。
  2. 智能舆情分类研判：内置 sentiment_agent 情感分析模块，结合 BERT 预训练模型。
  3. 舆情热度动态追踪：引入热度计算模型与时间序列分析，实时监测舆情传播速度。
  4. 风险舆情预警机制：设置多级预警阈值，针对风险舆情实现实时预警。
  5. 全周期舆情记忆：采用 JSON 持久化存储与上下文关联技术。
  6. 全栈可视化展示：Python 异步后端搭配 Vue3 + ECharts 前端。

技术背景 ​

【从"零散收集"到"智能研判"：重构电商全场景舆情监测分析范式】（同伴学智库，独立舆情分析系统）

技术栈 ​

Python LangGraph Flask+SocketIO Streamlit Pydantic Settings PostgreSQL MySQL Tavily Bocha Anspire Kimi Gemini DeepSeek Qwen NetworkX 自定义GraphRAG Loguru

架构图 ​

架构图

架构图解析：舆情分析 ​

多源舆情采集层

  • 🛒 电商平台
  • 📱 社交媒体
  • 📰 新闻资讯
  • 💬 论坛评论

智能分类研判层

  • 🧠 sentiment_agent
  • 🤖 BERT 预训练模型
  • 🏷️ 核心诉求标注

热度追踪 & 风险预警

  • 🔥 热度计算模型
  • 📈 时间序列分析
  • 🚨 多级预警机制

全周期持久化存储

  • 📦 JSON 持久化
  • 🗄️ PostgreSQL / MySQL
  • 🔗 自定义 GraphRAG
  • 🔄 多轮追溯·复盘

全栈可视化仪表盘

  • ⚙️ Python 异步后端
  • 🖥️ Vue3 + ECharts
  • 📊 可视化看板
  • 📥 数据导出

技术栈: MySQL, RAG, Python, ECharts, Vue

组件数量: 18，层级数量: 5

项目二十：运维管家 ​

类型：智能体项目

项目介绍 ​

  1. 智能运维调度架构：采用基于 Orchestrator 的分诊模式，精准识别运维告警意图，在设备监控、故障排查、日志分析与工单处理间动态路由。
  2. 日志智能解析：内置 log_analysis_agent，结合 NLP 与正则匹配技术。
  3. 多维度监控集成：引入 Prometheus + Grafana 监控协议。
  4. 运维知识 RAG：集成 ops_knowledge_agent 垂直知识库。
  5. 全周期运维记忆：基于 JSON 的持久化 Session 管理。
  6. 全栈运维交互：Python 异步后端配合 Vue3 + Element Plus 前端。

技术背景 ​

【从"被动救火"到"主动运维"：重构企业级自动化运维管理范式】（同倾听智库，独立运维管理系统）

技术栈 ​

FastAPI Uvicorn SQLAlchemy aiomysql langchain-openai LangGraph deepagents python-jose tiktoken python-dotenv Pydantic

架构图 ​

架构图

架构图解析：运维管家 ​

用户交互层 (User Interaction Layer)

  • Vue3 + Element Plus
  • 设备状态面板 · 告警信息展示 · 处理进度追踪 · 工单一键提交

核心编排调度层 (Orchestrator Dispatch Layer)

  • 精准识别运维告警意图动态路由至对应处理模块
  • 📡 设备监控
  • 🔍 故障排查
  • 📋 工单处理
  • 🧠 知识 RAG
  • 💾 运维记忆
  • 🧠 Orchestrator
  • 📝 日志分析

基础设施层 (Infrastructure & Persistence Layer)

  • 📊 多维监控集成
  • 📚 运维知识 RAG
  • 🗄️ 持久化 Session 管理

技术栈: Vue, RAG

组件数量: 13，层级数量: 3

项目二十一：小智医疗 ​

类型：智能体项目

项目介绍 ​

  1. 项目概述与架构设计：小智医疗 AI 模块整体介绍、LangChain4j 核心技术栈与架构规划。
  2. 核心 AI 服务搭建：LangChain4j 基础框架整合、AIService 智能对话服务封装。
  3. 对话核心能力开发：Chat Memory 对话记忆机制实现、Prompt 提示词工程优化。
  4. 高级 AI 功能实战：Function Calling 函数调用能力开发、医疗业务函数绑定与触发。
  5. RAG 检索增强生成实战：RAG 核心架构流程梳理、医疗知识库检索逻辑开发。
  6. 智能交互体验优化：AI 对话流式输出功能开发、实时分段响应机制实现。
  7. 知识库后台 CRUD 系统开发：医疗知识库上传功能实现、知识库数据增删改查接口开发。
  8. 系统集成与项目总结：AI 模块与小智医疗主系统整合、AI 核心功能调试与性能优化。

技术背景 ​

【从"人工问诊"到"智能诊疗"：搭建医疗行业 Java 智能体服务中枢】（同尚医助手，完整版医疗智能体系统）

技术栈 ​

LangChain4j Java 向量数据库 RAG Function Calling Vue3 医疗知识库 Prompt工程

架构图 ​

架构图

架构图解析：小智医疗 ​

前端交互层 (Vue3 + Element Plus)

  • 💬 智能对话工作台

后端接入层 (Spring Boot + WebFlux)

  • 🔗 对话交互 Controller

AI服务层 (LangChain4j 核心)

  • AI Service 智能对话服务

外部依赖

  • 🌐 通义千问 API

业务系统

  • 🏥 挂号系统

数据存储层

  • 🗄️ MongoDB会话记忆

技术栈: MongoDB

组件数量: 6，层级数量: 6

项目二十二：硅谷商城 ​

类型：Vibe Coding 项目

项目介绍 ​

  1. 硅谷商城之产品设计：项目业务需求分析（项目背景、核心业务目标、用户角色、业务流程梳理）；页面与功能范围规划（页面清单梳理、功能模块划分、用户使用路径设计）；AI 辅助生成页面原型图（借助 AI 生成页面草图、原型图、交互说明）
  2. 硅谷商城之系统架构设计：领域划分与服务划分（DDD 概念介绍，领域模型初步分析、模块边界划分、服务职责拆分）；核心数据实体设计（产出实体关系图 ER 图）；数据库设计规范、数据库表结构设计；前后端数据接口设计；开发规范与工程约定
  3. 硅谷商城之前端设计：基于页面原型稿，拆解出提示词；定义生成规范，固化为 SKILL；理解看懂生成的 VUE3 页面结构；手动页面调试；验证交互接口
  4. 硅谷商城之后端设计：定义生成规范，固化为 SKILL；基于若依框架微服务基础 CRUD 操作；基于 Elasticsearch 的搜索场景解决方案；基于 Redis 的缓存加速场景解决方案；多线程异步编排场景；低耦合消息队列场景；权限管理认证中心场景；第三方支付场景
  5. 硅谷商城之小程序：基于页面原型稿，拆解出提示词；定义生成规范，固化为 SKILL；学会使用微信开发者工具进行模拟测试
  6. 硅谷商城之 AI 多智能体集成：RAG 流程设计；多类型文件转换；利用 VL 模型进行图片提取；利用 Embedding 模型进行向量化转换；利用 Milvus 进行向量存储查询；文本切片规则优化；Reranker 模型对多路搜索进行重排
  7. 硅谷商城之生成测试：测试基础概论；测试方案、测试用例的编写；自动化测试；基于 JMeter 的压力测试；Bug 平台管理；AI Agent 评估与测试
  8. 硅谷商城之运维上线：测试与验收基础；后端 Dockerfile 编写；Docker Compose 部署；Nginx 与前端、静态资源的部署；项目持续交付 Jenkins CI/CD

技术背景 ​

【从"传统开发"到"智能协同"：构建全链路智能化电商系统开发范式】

随着电商行业的快速迭代与数字化转型的深入，用户对商城平台的体验、性能、功能丰富度提出了更高要求，同时企业面临着开发效率低、系统耦合度高、多端协同难、智能化程度不足等核心痛点。传统电商开发模式中，产品设计、架构搭建、前后端开发、多端适配、测试运维等环节相互割裂，缺乏标准化规范与智能化支撑，导致项目周期长、迭代速度慢。

为破解上述痛点，打造高效、稳定、智能、可扩展的现代化电商平台，本项目启动"硅谷商城"大型 Vibe Coding 项目，覆盖产品设计、系统架构、前后端开发、小程序适配、AI 多智能体集成、测试验证、运维上线全流程，构建一套从需求分析到落地运维的全链路解决方案。项目以标准化规范为基础，以智能化技术为核心，整合 DDD 领域设计、微服务架构、AI 辅助开发、向量检索、容器化部署等前沿技术。

技术栈 ​

Vibe Coding Codex Cursor HTML CSS HTTP Vue3 Vite Element Plus Axios Java SpringBoot SpringCloud 若依框架 RabbitMQ Redis Elasticsearch MySQL Docker Docker Compose Nginx Jenkins CI/CD RAG VL 模型 Embedding Milvus Reranker JMeter 微信开发者工具

架构图 ​

架构图

架构图解析：硅谷商城 ​

1. 产品设计

  • 业务需求分析
  • 页面与功能规划
  • AI辅助原型生成
  • 交互说明
    1. 产品设计

2. 系统架构设计

  • DDD领域划分
  • 数据实体设计
  • 数据库表设计
  • 接口&规范
    1. 系统架构设计

3. 前端设计

  • 提示词拆解
  • Vue3页面结构
  • 手动调试
  • 接口验证
    1. 前端设计

4. 后端设计

  • 若依微服务CRUD
  • Elasticsearch搜索
  • Redis缓存加速
  • 消息队列
  • 权限+支付
    1. 后端设计

5. 小程序

  • 提示词拆解
  • Vue3页面结构
  • 微信开发者工具
  • 接口验证
    1. 小程序

6. AI多智能体集成

  • RAG流程设计
  • VL模型+Embedding
  • Milvus向量库
  • 切片+Reranker
  • 多路重排
    1. AI多智能体集成

7. 生成测试

  • 测试方案&用例
  • 自动化测试
  • JMeter压测
  • Bug平台管理
  • AI Agent评估
    1. 生成测试

8. 运维上线

  • Docker镜像
  • Docker Compose
  • Nginx部署
  • CI/CD交付
  • 持续集成
    1. 运维上线

技术栈: Vue, Elasticsearch, Redis, RAG, Docker

组件数量: 44，层级数量: 8

项目二十三：美途旅行 ​

类型：Vibe Coding 项目

项目介绍 ​

采用 Vibe Coding 技术开发一站式旅行服务平台，复刻主流旅行 APP 核心功能，涵盖目的地探索、景点门票预订、酒店民宿选型、行程规划、在线支付及旅行攻略分享等模块。学生只需通过自然语言描述产品"氛围感"与功能需求，即可借助 AI 生成完整代码架构，快速实现 VR 景点预览、智能行程推荐、多产品联动预订等核心功能，全程聚焦业务逻辑与用户体验，高效完成符合市场需求的旅行平台开发，掌握 Vibe Coding 在文旅场景的落地技巧。

技术背景 ​

【从"低效开发"到"智能生成"：构建 Vibe Coding 文旅场景全链路开发范式】

随着文旅行业数字化转型提速，一站式旅行服务平台成为市场主流，用户对旅行平台的功能完整性、交互流畅度、场景适配性提出了更高要求，同时文旅场景开发面临着开发门槛高、周期长、功能复刻难度大、AI 与业务场景融合不深入等核心痛点。

为破解上述痛点，高效落地文旅场景一站式旅行服务平台，本项目启动"美途旅行"Vibe Coding 项目，复刻主流旅行 APP 核心功能，覆盖目的地探索、景点门票预订、酒店民宿选型、行程规划等全模块，构建一套从需求描述到功能落地的全链路智能化开发解决方案。项目以 Vibe Coding 技术为核心，以 AI 辅助开发为支撑，整合自然语言交互、代码智能生成、VR 预览、多产品联动等前沿技术。

技术栈 ​

Vibe Coding Codex Cursor HTML CSS HTTP Vue3 Vite Element Plus Axios Java SpringBoot SpringCloud 若依框架 RabbitMQ Redis Elasticsearch MySQL Docker Docker Compose Nginx Jenkins CI/CD RAG VL 模型 Embedding Milvus Reranker JMeter 微信开发者工具

架构图 ​

架构图

架构图解析：美途旅行 ​

📱 微信小程序

  • 📱 微信小程序

Vue3 + Vite + Element Plus

  • Vue3 + Vite + Element Plus

Nginx (反向代理 + 负载均衡)

  • Nginx (反向代理 + 负载均衡)

🏖️ 目的地探索

  • 🏖️ 目的地探索

中间件

  • 中间件
  • RabbitMQ (消息队列)
  • Redis (缓存)
  • Elasticsearch (搜索)
  • Docker + Compose

技术栈: Vue, Vite, Redis, Elasticsearch, Docker

组件数量: 9，层级数量: 5

项目二十四：好房易租 ​

类型：Vibe Coding 项目

项目介绍 ​

基于 Vibe Coding 技术打造便捷高效的租房服务平台，覆盖个人租房、房东管理、房源筛选三大核心场景。学生通过自然语言 Prompt 描述租房平台的功能意图与交互风格，AI 自动生成房源搜索筛选、VR 看房、在线沟通、电子合同签署、租金支付、房源状态管理等完整代码，无需深耕传统编程语法，重点锻炼需求引导与代码优化能力，快速交付可直接落地的租房平台，积累房产服务领域的 AI 编程实战经验。

技术背景 ​

【从"低效编码"到"Prompt 驱动"：构建 Vibe Coding 房产租房场景全链路开发范式】

随着房产租赁行业数字化转型加快，便捷高效的租房服务平台成为市场刚需，用户（租客、房东）对租房平台的功能实用性、交互便捷性、场景适配性需求日益提升，同时租房场景开发面临着开发门槛高、周期长、核心功能落地难、AI 与租房业务融合不深入等核心痛点。

为破解上述痛点，高效落地房产租房场景便捷服务平台，本项目启动"好房易租"Vibe Coding 项目，覆盖个人租房、房东管理、房源筛选三大核心场景，构建一套从需求描述到功能落地的全链路智能化开发解决方案。项目以 Vibe Coding 技术为核心，以 AI Prompt 驱动开发为支撑，整合自然语言交互、代码智能生成、VR 看房、在线交互、电子签约等前沿技术。

技术栈 ​

Vibe Coding Codex Cursor HTML CSS HTTP Vue3 Vite Element Plus Axios Java SpringBoot SpringCloud 若依框架 RabbitMQ Redis Elasticsearch MySQL Docker Docker Compose Nginx Jenkins CI/CD RAG VL 模型 Embedding Milvus Reranker JMeter 微信开发者工具

架构图 ​

架构图

架构图解析：好房易租 ​

① 用户交互层 (User Interaction)

  • Web端(Vue3 + Element Plus)

② 接入层 (Gateway & Proxy)

  • Nginx(反向代理 + 负载均衡)

③ 核心业务层 (Business Service)

  • 房源搜索筛选(Elasticsearch)

④ AI智能引擎层 (Vibe Coding AI Engine)

  • Prompt自然语言意图输入

⑤ 消息中间件 & 缓存层 (Middleware & Cache)

  • RabbitMQ(消息队列)

⑥ 数据存储层 (Data Storage)

  • MySQL(关系型数据库)

⑦ 基础设施 & DevOps 层 (Infrastructure & CI/CD)

  • Docker / Docker Compose(容器化部署)

技术栈: Vue, Elasticsearch, MySQL, Docker

组件数量: 7，层级数量: 7

项目二十五：倾听FM ​

类型：Vibe Coding 项目

项目介绍 ​

运用 Vibe Coding 技术开发沉浸式音频服务平台，复刻主流 FM APP 核心体验，涵盖电台直播、精品有声内容播放、节目回听、订阅收藏、互动聊天室、个性化推荐等功能。学生通过自然语言描述音频平台的视觉风格与功能需求，AI 快速生成完整代码架构，实现音频播放控制、内容分类展示、用户互动、定时关闭等核心功能，深度践行 Vibe Coding"意图主导、AI 落地"的核心逻辑，掌握音频类产品的快速开发技巧。

技术背景 ​

【从"语法桎梏"到"意图主导"：构建 Vibe Coding 音频场景全链路开发范式】

随着音频服务行业快速发展，沉浸式 FM 平台成为用户休闲娱乐的重要选择，主流 FM APP 的核心体验与多样化功能（如电台直播、个性化推荐）成为市场竞争力的关键，同时音频类平台开发面临着开发门槛高、周期长、音频功能落地复杂、AI 与音频业务融合不深入等核心痛点。

为破解上述痛点，高效落地沉浸式音频服务平台，本项目启动"倾听FM"Vibe Coding 项目，复刻主流 FM APP 核心体验，覆盖电台直播、精品有声内容播放、节目回听等全功能模块，构建一套从需求描述到功能落地的全链路智能化开发解决方案。项目以 Vibe Coding 技术为核心，以自然语言意图驱动开发为支撑，整合音频播放控制、自然语言交互、代码智能生成、个性化推荐等前沿技术。

技术栈 ​

Vibe Coding Codex Cursor HTML CSS HTTP Vue3 Vite Element Plus Axios Java SpringBoot SpringCloud 若依框架 RabbitMQ Redis Elasticsearch MySQL Docker Docker Compose Nginx Jenkins CI/CD RAG VL 模型 Embedding Milvus Reranker JMeter 微信开发者工具

架构图 ​

架构图

架构图解析：倾听FM ​

用户接入层

  • Web端

前端展示层

  • Vue 3 + Vite

业务功能层

  • 📻 电台直播

后端服务层

  • Java (SpringBoot)

AI 智能层 (Vibe Coding 核心)

  • RAG 检索增强

DevOps & 基础设施层

  • Docker

技术栈: Vue, Vite, RAG, Docker

组件数量: 6，层级数量: 6

项目二十六：云尚课堂 ​

类型：Vibe Coding 项目

项目介绍 ​

依托 Vibe Coding 技术构建一站式在线教育平台，适配 K12 至成人教育全学段需求，涵盖直播授课、录播课程、智能题库、学习进度跟踪、在线答疑、个性化学习计划生成等核心模块。学生通过自然语言描述教育平台的功能诉求与界面风格，AI 自动生成完整代码，快速实现课程管理、学员管理、学习数据分析等功能，高效完成教育类产品开发，熟练运用 Vibe Coding 技术解决在线教育场景的实际开发需求。

技术背景 ​

【从"语法束缚"到"需求驱动"：构建 Vibe Coding 在线教育场景全链路开发范式】

随着在线教育行业持续升温，一站式教育平台成为全学段学习的核心载体，适配 K12 至成人教育的多元化需求、完善的教学功能体系成为平台核心竞争力，同时在线教育平台开发面临着开发门槛高、周期长、场景适配难、AI 与教学业务融合不深入等核心痛点。

为破解上述痛点，高效落地全学段一站式在线教育平台，本项目启动"云尚课堂"Vibe Coding 项目，适配 K12 至成人教育全学段需求，覆盖直播授课、录播课程、智能题库等核心模块，构建一套从需求描述到功能落地的全链路智能化开发解决方案。项目以 Vibe Coding 技术为核心，以自然语言需求驱动开发为支撑，整合直播交互、智能题库、数据分析、代码智能生成等前沿技术。

技术栈 ​

Vibe Coding Codex Cursor HTML CSS HTTP Vue3 Vite Element Plus Axios Java SpringBoot SpringCloud 若依框架 RabbitMQ Redis Elasticsearch MySQL Docker Docker Compose Nginx Jenkins CI/CD RAG VL 模型 Embedding Milvus Reranker JMeter 微信开发者工具

架构图 ​

架构图

架构图解析：云尚课堂 ​

用户层（User Layer）

  • 📱 学生端（Web/App）

接入 & 表现层（Gateway & Frontend）

  • Nginx 反向代理 / 负载均衡

业务服务层（Microservices — 若依框架 / Spring Boot）

  • 课程管理服务

AI / Vibe Coding 智能引擎层

  • Codex / Cursor 代码生成

中间件 & 数据层（Middleware & Data）

  • MySQL 主从数据库

DevOps & 基础设施层

  • Docker

技术栈: MySQL, Docker

组件数量: 6，层级数量: 6

项目二十七：谷德家政 ​

类型：Vibe Coding 项目

项目介绍 ​

采用 Vibe Coding 技术开发专业化家政服务平台，覆盖用户端、家政人员端、后台管理端三大场景，涵盖服务分类浏览、智能匹配、在线预约、订单管理、资质认证、评价反馈、财务管理等核心功能。学生通过自然语言描述家政平台的业务流程与功能需求，AI 快速生成完整代码架构，无需繁琐编码，重点聚焦业务场景落地与用户体验优化，高效交付可满足三方需求的家政服务平台，积累生活服务领域的 AI 编程实战经验。

技术背景 ​

【从"传统家政"到"智能服务"：打造三方适配的家政服务平台】

随着居民生活水平提升，家政服务需求日益旺盛，但传统家政服务存在信息不对称、匹配效率低、服务标准不统一等痛点，用户难以快速找到合适的家政人员，家政从业者缺乏规范管理，后台管控难度大。为此，依托 Vibe Coding 技术打造"谷德家政"平台，覆盖用户端、家政人员端、后台管理端三大场景，实现家政服务的智能化、标准化落地。

平台以 Vibe Coding 技术为核心，开发者无需繁琐编码，只需通过自然语言描述家政平台的业务流程与功能需求，AI 即可快速生成完整代码架构。平台涵盖服务分类浏览、智能匹配、在线预约、订单管理、资质认证、评价反馈、财务管理等核心功能，精准适配家政服务的全流程需求。

技术栈 ​

Vibe Coding Codex Cursor HTML CSS HTTP Vue3 Vite Element Plus Axios Java SpringBoot SpringCloud 若依框架 RabbitMQ Redis Elasticsearch MySQL Docker Docker Compose Nginx Jenkins CI/CD RAG VL 模型 Embedding Milvus Reranker JMeter 微信开发者工具

架构图 ​

架构图

架构图解析：谷德家政 ​

表现层 (Presentation Layer)

  • 用户端

接入层 (Gateway Layer)

  • Nginx 反向代理 + 负载均衡

业务服务层 (Business Service Layer)

  • 用户服务(注册/登录/个人信息)

中间件 & 数据层 (Middleware & Data Layer)

  • MySQL(关系型数据库)

基础设施层 (Infrastructure Layer)

  • Docker

技术栈: MySQL, Docker

组件数量: 5，层级数量: 5

项目二十八：好医在线 ​

类型：Vibe Coding 项目

项目介绍 ​

基于 Vibe Coding 技术打造便捷化医疗服务平台，复刻主流在线医疗 APP 核心功能，涵盖在线问诊、名医挂号、电子处方、药品配送、诊后随访、健康管理、长辈模式等核心模块。学生通过自然语言描述医疗平台的功能意图与安全需求，AI 自动生成符合医疗行业规范的代码，快速实现医患高效对接、医疗服务闭环，践行 Vibe Coding 高效开发理念，掌握医疗服务场景下的 AI 编程技巧与合规性开发要点。

技术背景 ​

【从"传统问诊"到"智能诊疗"：打造医疗服务数字化新范式】

随着医疗数字化进程加快，在线医疗成为便捷就医的重要方式，但传统就医模式存在挂号难、问诊排队久、药品配送不便、诊后随访不及时等痛点，且医疗服务平台开发需兼顾合规性与功能性，开发周期长、技术门槛高。为此，依托 Vibe Coding 技术打造"好医在线"平台，聚焦在线医疗核心需求，实现医疗服务全流程智能化、便捷化。

平台以 Vibe Coding 技术为核心，复刻主流在线医疗 APP 核心功能，涵盖在线问诊、名医挂号、电子处方、药品配送、诊后随访、健康管理、长辈模式等核心模块，贴合大众就医场景需求。开发者无需繁琐编码，只需通过自然语言描述医疗平台的功能意图与安全合规需求，AI 即可自动生成符合医疗行业规范的完整代码架构，大幅缩短开发周期。

技术栈 ​

Vibe Coding Codex Cursor HTML CSS HTTP Vue3 Vite Element Plus Axios Java SpringBoot SpringCloud 若依框架 RabbitMQ Redis Elasticsearch MySQL Docker Docker Compose Nginx Jenkins CI/CD RAG VL 模型 Embedding Milvus Reranker JMeter 微信开发者工具

架构图 ​

架构图

架构图解析：好医在线 ​

Web 端

  • Web 端

注册登录(Auth)

  • 注册登录(Auth)

RabbitMQ消息队列

  • RabbitMQ消息队列

MySQL关系型数据库

  • MySQL关系型数据库

Docker

  • Docker

技术栈: MySQL, Docker

组件数量: 5，层级数量: 5

项目二十九：智图寻宝 【网盘已有】 ​

类型：深度学习项目

项目介绍 ​

  1. 图片去噪模块：基于自编码器（Autoencoder）架构，结合转置卷积实现端到端图像去噪，有效去除椒盐噪声等多种图片噪声类型。
  2. 图片分类模块：基于 CNN 卷积神经网络实现商品/场景分类，支持自定义数据集训练与多类别分类推理。
  3. 相似图片检索模块：基于自编码器提取图片特征向量，通过 Chroma 向量数据库实现高效的以图搜图相似检索。
  4. 全栈 Web 交互：采用 Flask 前后端架构，提供可视化图片上传、去噪预处理、分类标注与相似检索一体化操作体验。

技术背景 ​

【从"人工查找"到"以图搜图"：重构电商场景图片智能化管理范式】

在电商运营与内容创作场景中，海量图片的管理、去噪、分类与检索长期依赖人工处理，面临"图片质量参差不齐、分类靠肉眼、找图靠记忆"的三大痛点，缺乏统一的智能化图片管理工具。本项目致力于构建一套基于深度学习的图片智能搜索引擎，集成自编码器去噪、CNN 分类与向量检索三大核心能力，实现从图片上传到检索的全链路智能化。

技术栈 ​

Python PyTorch CNN Autoencoder Chroma Flask NumPy Jieba

架构图 ​

架构图

项目三十：智能商品发布 【网盘已有】 ​

类型：NLP 深度学习项目

项目介绍 ​

  1. 商品智能分类：基于 BERT 预训练模型进行 HuggingFace 微调，实现电商商品标题/描述到标准化类目体系的自动分类。
  2. 全链路训练流程：覆盖数据预处理、DataLoader 构建、模型训练、早停机制（验证评估 + 早停判断）、混合精度训练、检查点机制与模型测试。
  3. 模型评估与部署：基于 F1 等多分类评估指标筛选最优模型，集成预测与生产化部署能力，支持自定义评估指标配置。

技术背景 ​

【从"人工分类"到"智能发布"：重构电商商品发布与管理范式】

在电商平台大规模商品运营中，商品分类准确率直接影响搜索曝光与用户体验。传统人工标注类目方式耗时耗力、标准不一、难以规模化。本项目基于 BERT 预训练语言模型进行微调，构建端到端的商品自动分类系统，覆盖从数据处理、模型训练到推理部署的全流程。

技术栈 ​

Python PyTorch BERT Transformers HuggingFace scikit-learn NumPy

架构图 ​

架构图

项目三十一：地址对齐 【网盘已有】 ​

类型：NLP 深度学习项目

项目介绍 ​

  1. 实体标注与微调：基于 RoBERTa-small 预训练模型微调序列标注模型，自定义 F1 评估指标筛选最优模型，精准提取地址中的省、市、区、街道、姓名、电话等实体。
  2. 地址标准化对齐：将提取的结构化地址字段与 MySQL 地区表进行多级树匹配，利用 RapidFuzz 编辑距离（Indel 距离）算法确定最佳对齐结果。
  3. 完整校验体系：支持手机号（11 位 1 开头）与座机号正则校验，地址候选集树结构递归遍历，多级地址模糊匹配。

技术背景 ​

【从"杂乱地址"到"精准对齐"：重构物流配送场景地址标准化范式】

在电商物流、外卖配送、线下服务等场景中，用户输入的地址信息往往格式混乱、层级不完整、包含口语化表达，导致配送失败率高、人工介入成本大。本项目采用"序列标注提取 → 数据库树匹配 → 模糊对齐"三阶段架构，先利用预训练语言模型识别地址成分，再基于行政区划树遍历生成候选集，最后通过编辑距离确定最匹配的标准地址。

技术栈 ​

Python PyTorch Transformers RoBERTa MySQL pymysql RapidFuzz Jieba

架构图 ​

架构图

项目三十二：智能点餐系统 【网盘已有】 ​

类型：智能体项目

项目介绍 ​

  1. 智能点餐 Agent：基于 LangChain 框架构建智能点餐助手，支持自然语言点餐、预订桌位、FAQ 问答等多轮对话能力。
  2. 向量知识库：使用 Milvus 向量数据库存储菜单与店铺信息，实现基于语义的菜品推荐与精准查询。
  3. FAQ 检索增强：基于 Redis 缓存 FAQ 问答库，结合向量相似度计算实现常见问题的高效匹配与响应。
  4. Agent 工具集成：内置预订工具、菜品查询工具、FAQ 问答工具，支持流式输出，多工具协同调用。
  5. 全栈交互：前后端分离架构，支持 Agent 流式输出展示，实时反馈点餐与预订结果。

技术背景 ​

【从"人工点餐"到"智能助手"：重塑餐饮行业数字化服务范式】

在餐饮行业数字化转型中，传统点餐方式存在排队等候时间长、服务员响应不及时、个性化推荐能力不足等痛点。本项目构建基于大语言模型 Agent 架构的智能点餐系统，利用 LangChain 框架编排 Agent 工具链，集成 Milvus 语义检索与 Redis 高速缓存的混合问答体系，用户通过自然语言即可完成点餐、预订、咨询等全流程操作。

技术栈 ​

Python LangChain Milvus Redis FastAPI OpenAI-SDK AsyncIO Vue3

架构图 ​

架构图

项目三十三：知识库问数客服项目实战 【网盘已有】 ​

类型：智能体项目

项目介绍 ​

  1. 多行业实战数据集：提供旅游平台（酒店/景点/机票/火车票/汽车票/接送服务）与在线教育（K12 至成人教育）两大行业的完整业务数据集，包含完整的 MySQL 表结构、数据生成器与 FastAPI 后端服务。
  2. 三大核心能力行业落地：基于真实行业数据集，完成掌柜小二（Rasa 客服系统）、掌柜智库（RAG 知识库）、掌柜问数（NL2SQL）在旅游/教育行业的二次开发与部署实战。
  3. 完整 API 体系：每套数据集均提供 50+ 个 RESTful API 接口，覆盖用户中心、商品搜索、营销优惠、交易支付、售后退款、学习履约等全链路业务场景。
  4. 工业级数据工程：自动生成跨 730 天历史的交易、履约、学习、互动全量样本数据，包含完整的金额闭环与状态机校验约束。

技术背景 ​

【从"通用案例"到"行业落地"：构建 NL2SQL+客服+RAG 全栈实战标杆】

本项目是课程三大核心项目（掌柜问数、掌柜小二、掌柜智库）在旅游和教育两大垂直行业的综合实战训练平台。学员不再使用 demo 数据，而是在真实行业规模的业务数据集上完成智能问答与数据分析系统的二次开发。旅游数据集覆盖酒店预订、景点门票、机票火车票等 6 大商品线共 50+ 张数据表；教育数据集覆盖机构管理、课程教务、题库测评、交易履约等 70+ 张数据表。学员可根据兴趣选择行业方向，打通"数据理解 → 模型开发 → 系统集成"的全链路。

技术栈 ​

Python FastAPI MySQL SQLAlchemy Docker Rasa LangChain LangGraph RAG Milvus Qdrant Neo4j Elasticsearch Redis React Vue3

架构图 ​

架构图

第三部分：架构图汇总表 ​

序号项目名称类型架构图 SVG 链接
01商户运营管家智能体架构图
02掌柜智库智能体架构图
03好医智库智能体架构图
04伴学智库智能体架构图
05倾听智库智能体架构图
06金融智库智能体架构图
07美途智库智能体架构图
08电商小二智能体架构图
09尚医助手智能体架构图
10知学助手智能体架构图
11倾听助手智能体架构图
12金融助手智能体架构图
13美途助手智能体架构图
14掌柜问数智能体架构图
15归因分析智能体架构图
16商城风控智能体架构图
17市场罗盘智能体架构图
18万应助手智能体架构图
19舆情分析智能体架构图
20运维管家智能体架构图
21小智医疗智能体架构图
22硅谷商城Vibe Coding架构图
23美途旅行Vibe Coding架构图
24好房易租Vibe Coding架构图
25倾听FMVibe Coding架构图
26云尚课堂Vibe Coding架构图
27谷德家政Vibe Coding架构图
28好医在线Vibe Coding架构图
29智图寻宝深度学习架构图
30智能商品发布NLP 深度学习架构图
31地址对齐NLP 深度学习架构图
32智能点餐系统智能体架构图
33知识库问数客服项目实战智能体架构图

文档生成时间: 2026-06-21 _数据来源: https://www.atguigu.com/aicoding/_提取方式: 浏览器端 JavaScript 逐项点击 Tab 交互提取，共 33 个项目 × 4 个详情板块（项目介绍/技术背景/技术栈/架构图）

OPC 超级个体实战指南

© 2026 OPC Guide