课程介绍

面向前端工程师的 AI 应用开发实战课 —— 用 TypeScript 从聊天应用做到智能 Agent，带你拿到 AI 应用开发岗的 offer。

这门课教什么

• 用 TS 调用大模型 API，构建可交互的 AI 应用
• 用 RAG 实现私有知识库问答，并掌握前端够用的检索调优与效果验收
• 用 Agent 模式让 AI 执行多步任务、调用工具
• 用 Multi-Agent 协作处理复杂目标
• 把项目从 Demo 升级为可上线产品（质量、成本、监控）

这门课不教

• 模型训练、微调实操（但会讲到面试够用的概念）
• Transformer 数学推导（但会讲到工程中用得上的原理）
• Python 生态工具链

适合谁

适合	描述
2～10 年前端/全栈工程师	想在 AI 时代找到新方向，不想切到 Python 路线
TS 全栈 / 独立开发者	想快速把大模型能力接入产品，形成求职或副业机会
有 LLM API 经验但停在 Demo 层	想系统补齐 RAG、Agent、质量控制、工程化能力

技术栈

层级	选型	说明
AI SDK	Vercel AI SDK	TS 原生、流式支持好、框架无关
模型	Qwen（课程演示默认）/ Claude / GPT	课程示例默认走百炼 + Qwen，其他模型用于选型对比
向量存储	课程工程实践：Postgres + pgvector；最终交付：SQLite + sqlite-vec	前者用于讲清通用工程方案，后者用于本地优先的 final 工具交付
Embedding	阿里云百炼 text-embedding-v4	与课程默认的 Qwen 演示链路保持一致
前端	Next.js / React	教学主线用 Next.js
评测	离线评测 + 自建评测脚本	量化 RAG 和 Agent 质量

这套材料怎么组织

这门课现在分成三层，职责明确分开：

• docs/basic/01-08：课程模块正文。负责讲清每一课的知识点、示例代码和这一课如何并入基础项目。
• basic/examples：课内单点 Demo。负责让每节课的关键概念可以独立运行和观察。
• basic/project：基础课最终成品。负责把课程里学到的能力压成一个可运行、可安装、可展示的本地工具。

阅读顺序建议是：先学模块 1-8，按需运行 basic/examples 里的课内 Demo，最后进入 basic/project，模块 9 再用它做项目包装与面试表达。

主线项目

一个「智能知识库 Agent」，从零学到可交付：

模块 1 → 跑通对话（基础聊天应用）
模块 2 → 学会 Prompt（System Prompt + 结构化输出）
模块 3 → 加入知识库（RAG 全链路）
模块 4 → 让检索更稳（混合检索 + 小评测集 + Bad Case）
模块 5 → 变成 Agent（工具调用 + 多步任务）
模块 6 → 加记忆和待办（短期/长期记忆 + 工具管理）
模块 7 → 多 Agent 协作（Multi-Agent 工程）
模块 8 → 上线可用（质量、评测、成本、监控）
模块 9 → 求职面试（项目包装 + 面试题）

其中：

• 模块 1-8 逐步讲清 basic/project 中的核心能力来源
• basic/examples 只保留每课单点 Demo，不再维护 v1-v8 多版本主线
• 模块 9 默认以 basic/project 为包装对象

每个模块结束后，你都能理解基础项目里对应的一层能力；最终收束到 basic/project，作为可交付工具。

学完你会得到

• 1 个可部署的智能知识库 Agent（完整项目）
• 1 份可量化的 RAG 评测报告
• 1 个 Multi-Agent 协作流程
• 1 份简历项目描述 + 面试表达模板
• 1 份高频面试题回答框架