前端工程师的 AI 应用工程路线

不只是做 Agent Demo，而是做能解释、能评测、能答辩的 AI 项目

从 TypeScript 写出第一个 LLM / RAG / Agent 应用开始，继续升级到 API、Worker、Redis、Elasticsearch、RAG 评测、StateGraph、Graph RAG 和项目答辩。目标不是堆概念，而是把 AI 能力做成接近真实岗位要求的工程作品。

加微信咨询查看课程分层

基础项目: 本地知识库 Agent
进阶项目: AI KnowledgeOps Agent
面向目标: AI Agent 工程岗位

为什么重新设计课程路线

Agent 岗已经从“会调 API”变成“能解释系统如何稳定工作”

真实面试会追问 LangGraph 原理、RAG 准确率、幻觉治理、Graph RAG，以及 Redis、Elasticsearch、任务队列等工程问题。课程路线也要从单点 Demo 进化为项目工程化、质量评测和答辩能力。

Demo 能跑还不够

聊天、Embedding、Tool Call 能跑通只是起点。真实项目还要处理异步导入、检索质量、失败重试、成本和线上排障。

准确率不能靠感觉

问答机器人要有评测集、Hit Rate、MRR、LLM-as-a-judge、Bad Case 回归，才能说清楚“为什么变好了”。

项目要能答辩

面试官关心的不只是你用了什么模型，还会问系统边界、技术取舍、失败处理，以及你在项目中真正解决了什么问题。

课程产品分层

三层路线：先做出来，再工程化，最后能讲清

基础课保持轻量，保证能完成第一个 AI Agent 项目；进阶课围绕同一个项目做服务化、评测和观测；面试专项把工程能力转成可答辩表达。

第一层

前端 AI 应用开发实战课

从 LLM Chat 到 RAG、Agent、Multi-Agent 和基础项目交付，目标是做出能展示、能写进简历的本地知识库 Agent。

进入基础课

第二层

AI Agent 工程化实战

把基础项目升级成 API + Web + Worker + RAG 评测 + Trace 的 AI 应用系统，接近真实岗位里的工程形态。

进入进阶课

第三层

Agent 岗面试专项

围绕 LangGraph、RAG 准确率、幻觉治理、Graph RAG、中间件追问和项目答辩，沉淀可复用的回答框架。

查看面试能力

基础课路线

先用 TypeScript 做出第一个 AI Agent 项目

基础课不追求一次性引入所有中间件，而是让前端工程师先掌握 LLM、RAG、Agent、记忆、协作和质量控制的最小可运行链路。

01LLM Chat跑通对话与上下文 02Prompt System提示词分层与结构化输出 03RAG 基础解析、切块、Embedding、检索 04RAG 调优混合检索与评测集 05Agent 开发Tool Call 与 ReAct 06记忆与规划Memory、Todo、上下文压缩 07Multi-Agent分工、协作与执行链路 08质量工程质量、成本、缓存、监控 09项目表达简历、面试与讲解框架 Final基础项目CLI、本地知识库、交付包装

进阶课路线

再把 Agent 项目升级成工程系统

进阶课主线项目是 AI KnowledgeOps Agent：企业知识库问答与质量评测平台。每个模块解决一个真实工程问题，并对应一个面试追问。

V1API 服务化把 ask / summarize / write 变成稳定接口 V2Worker 流水线文档导入、Embedding、索引异步化 V3Redis 工程场景缓存、限流、任务队列和 Checkpoint V4混合检索BM25、向量召回、RRF 与 Rerank V5RAG 质量评测评测集、指标、LLM 判分和 Bad Case V6StateGraph RuntimeState、Node、Edge、Reducer、Checkpoint V7Graph RAG实体关系、图检索与向量检索组合 V8部署与答辩Trace、成本、降级、README 和答辩稿

面试专项

把项目能力翻译成面试官能追问的答案

LangGraph 原理

讲清 StateGraph、Node、Edge、Reducer、Checkpoint，以及 Graph Workflow 和普通 Chain 的区别。

RAG 准确率

用召回指标、上下文质量、答案忠实度、评测集和 Bad Case 解释问答系统如何持续改进。

幻觉治理

围绕引用约束、拒答策略、答案校验、置信度和人工复核，回答“如何降低幻觉”。

工程追问

把 Redis、Elasticsearch、Neo4j、任务队列、Trace、成本控制放回项目问题里讲，而不是背中间件名词。

课程主理人

用前端架构经验拆解 AI 应用落地

AI 方向 OPC 创业者。15 年前端 / 全栈研发，做过企业级产品架构、微前端、工程化与跨端开发。在网易、用友主导过复杂产品，近几年转向 AI 落地：智能建站、大模型应用、企业级 Agent，都是实际交付出来的经验。

这套课程的重点不是把概念讲满，而是把 AI 应用里真正难落地的部分，翻译成前端工程师熟悉的语言：模块边界、数据流、运行时上下文、质量验收、成本控制和项目表达。

前端 AI 应用开发AI Agent 工程化RAG 质量评测项目答辩与面试15 年前端 / 全栈

适不适合你，先聊清楚

加微信领取完整课程和配套源码

如果你是前端、全栈或独立开发者，想从 AI 应用入门项目继续走到 Agent 工程化和面试答辩，可以加微信领取课程内容、配套源码和学习路线。

微信号：daqidaqi

小红书 / 抖音：大齐AI实验室

扫码添加微信