20260717-东吴证券-地产+AI工具系列报告之六_面向Agent时代的工程师训练路径与国产大模型实践_23页_2mb

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。