课程简介
本课程基于《模型应用工程导论：成为 FDE，解锁 AI 新职业》理论体系开发，面向希望从事大模型落地、模型应用工程的开发工程师、算法工程师、解决方案工程师、售前 FAE、AI 产品人员以及 AI 转行学习者。
当前大模型技术快速迭代，但大量 AI 项目停留在 Demo 原型阶段，企业普遍缺少能够深入业务现场，完成从需求甄别、方案设计、工程实现、质量评测到生产规模化交付的复合型人才 ——FDE（Forward‑Deployed Engineer，前沿部署工程师）。
课程弱化大模型底层预训练算法研究，聚焦模型应用工程完整能力闭环。从 FDE 职业认知入手，系统讲解大模型应用核心技术栈（Prompt / 上下文工程、RAG 知识工程、Agent 智能体工程），讲授原型到生产的架构设计、质量保障、企业 PoC 落地流程，补充商业思维、安全合规等高阶能力。课程兼顾理论与工程实战，帮助学员建立 “技术‑业务‑交付‑商业” 一体化思维，掌握把大模型能力转化为真实业务价值的全套方法论。
课程定位：面向 AI 落地实战的职业能力课，不侧重底层模型训练，聚焦企业级大模型应用交付。
课程收益
✅ 知识认知层面
1.理解模型应用工程学科内涵，清晰掌握 FDE 岗位定位、职责边界，区分 FDE 与算法、后端开发、FAE、售前顾问的差异；
2.建立大模型应用完整知识体系，理解大模型能力边界，懂得开源 / 闭源模型选型逻辑、Token 成本约束；
3.掌握企业 AI 项目完整生命周期：业务调研‑方案设计‑原型开发‑评测调优‑上线交付‑规模化沉淀。
✅ 技术实操层面
1.精通 Prompt 与上下文工程，规避 Prompt 常见反模式，能够搭建企业级系统提示词体系；
2.掌握 RAG 知识工程全链路：知识库构建、向量检索、Advanced‑RAG 调优、多模态 RAG、知识库运维评估；
3.掌握 Agent 工程：Function Calling、MCP 协议、Agent 架构模式与可靠性设计；
4.掌握模型应用系统架构设计，实现从 Demo 原型改造为生产可用系统；
5.掌握非确定性 AI 系统质量保障：评测体系、幻觉治理、可观测性、成本管控、自动化质量保障手段。
✅ 业务交付层面
1.学会甄别真实业务需求，过滤伪 AI 需求，掌握 PoC 价值验证方法；
2.掌握企业 AI 落地路径，学会对接遗留业务系统，完成从 PoC 到规模化交付；
3.具备风险识别能力，识别技术风险、数据风险、业务范围膨胀风险，做好项目治理。
✅ 职业发展层面
1.获得完整 FDE 三维能力模型，找到自身能力短板，明确转型 FDE 的学习路径；
2.学会构建 FDE 项目作品集，掌握 FDE 面试考察重点；
3.建立商业思维与 AI 安全合规意识，理解 AI 项目价值量化、成本与回报评估。
适用学员
1.后端开发工程师，希望转型大模型应用落地方向；
2.LLM 算法工程师，希望补齐生产交付、业务落地能力；
3.FAE、解决方案、售前咨询人员，希望补齐工程实操能力；
4.AI 产品、测试人员，想要深入理解大模型应用工程；
5.意向从事 FDE 岗位、AI 落地岗位的转行学习者。
课程大纲
第一篇 认知篇
第 1 章 新学科的诞生 —— 模型应用工程重塑软件世界
1.1 智能革命的产业问题：模型能力过剩与落地能力缺失
1.2 模型应用工程的定义与学科边界
1.3 核心理论框架：模型应用的三层价值模型
1.4 模型应用全生命周期
1.5 为什么是现在？三个历史性拐点
第 2 章 新职业的崛起 ——FDE 打破技术与业务的壁垒
2.1 FDE 的起源与演进
2.2 FDE 的核心定位与使命
2.3 FDE 与 FAE 的关键辨析
2.4 FDE 能力模型：三维能力体系
2.5 从传统岗位到 FDE 的转型路径
2.6 什么时候需要 FDE 与组织形态选择
2.7 FDE 的日常工作：一天的工作流实例
2.8 FDE 的知识管理方法
第二篇 核心技术篇
第 3 章 大模型原理与实践 —— 构建 FDE 的认知底座
3.1 大模型核心原理
3.2 模型能力图谱
3.3 开源 vs 闭源：生态格局与选型逻辑
3.4 模型效果评估方法论
3.5 模型服务化：API 接入与部署选型
3.6 Token 经济：成本模型与预算规划
3.7 能力边界、选型与 API 实践
第 4 章 Prompt 工程与上下文工程 —— 与大模型对话的工程方法
4.1 Prompt 工程的本质
4.2 基础 Prompt 设计模式
4.3 系统 Prompt 设计方法论
4.4 上下文窗口管理
4.5 Prompt 测试与优化
4.6 从 Prompt 工程到上下文工程
4.7 Prompt 工程的常见反模式
4.8 FDE 的 Prompt 设计工作台
第 5 章 知识工程与 RAG—— 让模型拥有领域知识
5.1 RAG 的核心理念与架构
5.2 数据准备与知识库构建
5.3 向量检索工程
5.4 Advanced RAG 与多模态
5.5 评估、部署与运维
5.6 平台实践：Prompt 与 RAG 的协同设计
第 6 章 Agent 与智能体工程 —— 自主智能体的工程化
6.1 Agent 的核心概念
6.2 Function Calling：让模型调用外部工具
6.3 MCP 协议：模型上下文协议
6.4 Agent 架构模式
6.5 Agent 框架与开发工具
6.6 Agent 可靠性设计
第三篇 应用工程篇
第 7 章 AI 驱动开发 —— 从 Vibe 编程到工程规范
7.1 什么是 Vibe 编程：从 “写代码” 到 “说需求”
7.2 Vibe 编程与 AI 编程工具生态
7.3 Vibe 编程核心方法论
7.4 实战案例集
7.5 Vibe 编程的边界与风险
7.6 极速原型开发五步法
7.7 代码生成的工程规范
7.8 FDE 的技术雷达 —— 持续学习方法论
第 8 章 架构设计 —— 从原型到生产系统
8.1 模型应用的架构特殊性
8.2 典型架构模式
8.3 API 网关与模型路由
8.4 多模型协作架构
8.5 流式响应与交互设计
8.6 高可用与容错设计
8.7 FDE 实战案例集：从需求到上线的全流程指引
第 9 章 质量保障 —— 非确定性系统的工程保障
9.1 模型应用的质量挑战
9.2 评估体系设计
9.3 幻觉治理
9.4 成本优化与治理
9.5 可观测性工程
9.6 持续优化闭环
9.7 质量保障自动化
9.8 模型应用的治具工程
9.9 评估数据工程
第 10 章 企业落地 —— 从 PoC 到规模化交付
10.1 企业 AI 落地的典型路径
10.2 需求分析与场景筛选
10.3 现场价值验证
10.4 集成、数据与运营
10.5 企业 AI 治理与 FDE 落地
第四篇 致远篇
第 11 章 商业思维与价值创造 ——FDE 的业务增长引擎
11.1 为什么 FDE 需要商业思维
11.2 AI 时代的商业模式演进
11.3 Token 经济：成本、投资与战略
11.4 Agent 经济：软件世界的范式转移
11.5 价值量化与 PoC 商业论证
11.6 从技术方案到商业成功
11.7 AI 产品的定价策略与竞争壁垒
11.8 一人 FDE 的商业实战指南
第 12 章 安全合规与负责任的 AI 实践
12.1 模型应用的安全威胁全景
12.2 安全工程实践
12.3 数据安全与隐私保护
12.4 AI 合规框架
12.5 算法偏见与公平性
12.6 负责任的 AI 实践
12.7 供应链安全
12.8 事件响应预案
附赠
A：FDE 工具箱速查
B：推荐学习路线
C：模型应用工程核心设计模式速查
D：Vibe 编程快速入门指南
授课老师
朱旭振 IT与数据分析实战专家
常驻地：北京
邀请老师授课：13439064501 陈助理
