> **来源：[研报客](https://pc.yanbaoke.cn)** # 房地产行业深度报告总结 ## 核心内容 本报告聚焦于 **Agent 时代的工程师训练路径** 与 **国产大模型工程实践**，分析了当前 AI 教育体系中存在的结构性缺口，并提出了系统化的解决方案。报告指出，随着 AI 技术在企业应用中的渗透，**Agent 应用落地的关键挑战正从模型能力转向工程能力**，包括可靠性、成本控制、风险治理和系统运维等。 ## 主要观点 - **企业侧对 Agent 应用的需求持续提升**，但实际落地过程中，工程问题成为主要瓶颈。 - **AI 教育存在断层**，从入门科普到学术理论之间缺乏系统化工程训练。 - **国产大模型正在进入工程落地阶段**，需要工程知识体系的同步完善，以降低迁移成本。 - **平台定位为 AI 系统工程师培养**，而非泛 AI 兴趣用户，强调从“API 使用者”到“AI 系统构建者”的能力迁移。 - **工程化能力是 AI 系统上线的核心**，包括问题定位、系统边界意识、优化能力等。 - **平台架构具备 Agent Infra 教学样本属性**，将学习过程本身组织为一个简化版 Agent 系统，帮助学习者理解其运行逻辑。 ## 关键信息 ### 1. 平台内容体系 - **4阶段、32模块、10个动手实验、8个Capstone业务场景案例、4个毕业项目**。 - 覆盖 **数学基础、模型原理、推理优化、RAG、Agent、Agent Infra与生产架构** 等主题。 - 模块内容按照 **“直觉理解—公式推导—数字案例—代码实现—实验验证—失败排查”** 的节奏展开。 ### 2. 实践体系 - **4个毕业项目** 构成完整能力链：从零实现 Transformer、预训练小参数模型、搭建完整 RAG 系统、使用 vLLM 部署开源模型并进行压测。 - **10个动手实验** 涵盖 PyTorch 张量、Tokenization、Attention 与 KV Cache 最小实现、LoRA 微调、RAG 检索、vLLM 部署、Agent 工具调用等场景。 - **8个 Capstone 项目案例** 用于形成可展示的业务化作品，包括 AI 问答系统、文档摘要、代码生成助手等。 ### 3. 教学方法 - **直觉优先**：降低理论学习门槛，建立工程化理解框架。 - **渐进式代码构建**：从最小实现逐步过渡到完整系统，理解设计逻辑。 - **引入调试挑战**：训练学习者的问题定位、原因解释和修复能力。 - **间隔重复机制**：基于遗忘曲线，提升长期掌握效果，模拟 Agent 记忆系统。 ### 4. 国产大模型实践 - 平台嵌入 **DeepSeek、GLM、Kimi、混元** 等国产模型实践，关注 Function Calling 差异、推理框架适配、量化后的精度—吞吐取舍、长上下文工程策略等。 - **AI 助教** 作为国产模型的推理底座，支持实时解答与代码调试建议。 - 平台设计为 **Agent Infra 教学样本**，包含推理、上下文、状态、记忆、触发和成本治理等要素。 ### 5. 技术架构 - **边缘优先、低固定成本、弱中心化依赖**：采用 **Cloudflare Pages + Functions + D1** 架构。 - **五层技术架构**： - **内容分发层**：Cloudflare Pages / CDN - **边缘函数层**：Cloudflare Functions - **数据持久层**：Cloudflare D1 / Giscus - **AI 推理层**：DeepSeek 等国产模型 API - **客户端层**：原生 HTML/CSS/JS - **认证与访问控制**：采用边缘网关完成轻量化权限校验，保障学习内容安全。 - **数据模型**：以 D1 承载学习状态、复习队列和社区互动，采用 Unix 时间戳记录时间字段。 ### 6. 竞争定位 - **差异化切入**：聚焦于 AI 工程实践与国产模型适配场景，不替代主流 AI 学习资源。 - **平台优势**： - 学习路径连续，从数学基础延伸至生产部署； - 强调从零构建，而非仅停留在框架调用层面； - 将 Agent 与 Agent Infra 纳入核心训练模块； - 围绕国产模型沉淀工程适配经验； - 平台自身可作为低成本、轻量化 Agent Infra 样本。 ### 7. 发展规划 - **近期**：补齐 Agent 与国产模型工程实验，增加模型部署对比实验。 - **中期**：建立学习数据驱动的个性化路径，基于学习行为数据推荐内容。 - **长期**：聚焦标准化 AI 工程能力评估，建立能力刻度体系。 ## 风险提示 - **内容过时风险**：AI 技术迭代快，需持续维护。 - **成本口径风险**：推理、存储、调用频次和云平台政策影响成本结构。 - **国产模型生态变化风险**：模型版本、API 格式、定价策略和开源政策可能变化。 ## 结论 本报告指出，AI 工程师的培养需系统化工程训练，以应对从 Demo 到生产系统的断层。平台通过系统化内容、实践项目、教学方法与技术架构，为工程师提供从理论到工程的完整学习路径。同时，平台自身作为 Agent Infra 教学样本，帮助学习者理解 AI 应用从功能设计到工程实现的关系。未来需持续优化内容维护、学习约束与生态连接，以提升学习效果与平台可持续性。