基础概念
LLM 基础原理与能力边界
理解大模型如何工作、上下文窗口、token、幻觉成因，明确哪些场景能交付、哪些不能，是选型与向客户讲解的地基。
建议预留 50 分钟
学习目标
- 说清大模型的输入输出机制与 token 概念
- 识别幻觉高发场景与能力边界
关键概念
- Transformer 直觉理解
- Token 与上下文窗口
- 幻觉成因
- 开源模型 vs 闭源 API
为什么学习
- 部署工程师不需要推导 Transformer，但必须理解 token/上下文/幻觉才能评估模型能否加载、能否满足业务需求并正确向客户解释局限。
如何检验理解
- 能用非技术语言向客户解释什么是 token 与上下文窗口
- 能针对一个具体业务需求判断该模型是否适用并说出理由
基础概念
Linux 命令行基础操作
通过复制粘贴执行 cd/ls/cat/grep/systemctl/tar 等命令，完成目录浏览、文件查看、服务启停与日志排查，是所有部署环境的第一步。
建议预留 90 分钟
学习目标
- 熟练执行文件与目录操作命令
- 能用 systemctl 管理服务并查看日志
- 能安全地编辑并保存配置文件
关键概念
- 文件与目录命令
- 权限基础
- systemctl 服务管理
- 日志查看
- tar 解压/打包
为什么学习
- 无编程基础的学习者必须能熟练在终端执行现成命令并读懂输出，这是本地单机、内网、云三种环境共同的入口技能。
如何检验理解
- 能在一台全新 Linux 服务器上完成目录浏览、编辑配置文件并重启一个 systemd 服务
- 能通过 grep 与 journalctl 定位一段错误日志并说明含义
核心技能
Prompt Engineering 与结构化输出
掌握系统提示、few-shot、思维链与 JSON schema 约束输出，是配置低代码平台提示词节点与工作流的核心能力。
建议预留 60 分钟
学习目标
- 编写系统提示与角色约束
- 用示例与格式约束获得稳定输出
关键概念
- System Prompt
- Few-shot
- 思维链
- JSON 输出约束
为什么学习
- 低代码平台中提示词是主要配置项，工程师需按模板编写并调试能稳定输出结构化结果的提示词，不需要算法级研究。
如何检验理解
- 能在平台上写出让模型稳定返回指定 JSON 结构的系统提示词
- 能通过调整提示词修复一次输出格式错误
核心技能
大模型 API 调用与密钥管理
配置公有云/本地模型的 API Key、Base URL、模型名与限流参数，并用兼容接口验证连通性，是云环境快速上线的关键。
建议预留 60 分钟
学习目标
- 配置并验证模型接口连通性
- 理解 temperature/max_tokens 等参数
- 安全管理 API 密钥
关键概念
- OpenAI 兼容接口
- API Key 与 Base URL
- 限流与配额
- 流式输出
为什么学习
- 无需从零写代码，使用 curl/现成脚本复制粘贴即可验证接口；重点是理解各参数含义与密钥安全，而非实现 SDK。
如何检验理解
- 能用 curl 或平台测试功能成功调用一次模型接口并获得回复
- 能正确配置 Base URL、Key、模型名并排查 401/超时错误
核心技能
配置文件与环境变量管理
按模板修改 .env/YAML/JSON 配置项（模型路径、端口、密钥、存储路径），理解字段含义并正确填值，是低代码平台部署的核心日常。
建议预留 60 分钟
学习目标
- 读懂并修改 .env/YAML 配置
- 理解关键配置字段含义
- 用清单法核对配置完整性
关键概念
- .env 变量
- YAML 语法
- 敏感信息占位
- 配置项核对清单
为什么学习
- Dify/FastGPT 等平台通过 .env 与 docker-compose 配置驱动，工程师须能读懂字段并安全填值，这是少写代码路线的关键补位技能。
如何检验理解
- 能独立完成一份 docker-compose 平台的 .env 配置并按清单核对每项
- 能解释存储路径、端口、密钥三类字段的作用
核心技能
AI 辅助生成与调试脚本
用 AI 生成 Shell 安装脚本与配置文件，理解其作用后修改、验证并安全执行，弥补无编程基础的脚本能力缺口。
建议预留 60 分钟
学习目标
- 向 AI 描述需求获得可用脚本
- 读懂并安全执行生成脚本
关键概念
- Shell 脚本结构
- AI 提示生成脚本
- 执行前风险核查
为什么学习
- 学习者无编程基础，但可借助 AI 生成脚本；关键能力是读懂脚本意图、判断风险后再执行，而非自己从头编写。
如何检验理解
- 能用 AI 生成一段安装/启动脚本并逐行说明其作用后执行
- 能识别脚本中的危险命令（如 rm -rf）并做安全处理
基础概念
向量与 Embedding 原理
理解文本转向量、语义相似度与 embedding 模型选型，为配置知识库向量化环节提供判断依据。
建议预留 40 分钟
学习目标
- 理解文本转向量与语义相似度
- 掌握 embedding 模型选型维度
关键概念
- Embedding 向量
- 余弦相似度
- 向量维度
- 多语言/中文模型选型
为什么学习
- 不需要实现向量算法，但需理解语义相似度与维度权衡，才能在平台上正确选择 embedding 模型并解释召回效果。
如何检验理解
- 能说明为何相同语义的不同措辞能被检索到
- 能根据中文场景在平台上选出一个合适的 embedding 模型并说明理由
核心技能
Docker 与 Docker Compose 容器化部署
读懂并修改 docker-compose.yml，执行 docker run/compose up 拉取镜像并启动 AI 应用与依赖服务，是三种部署环境的统一载体。
建议预留 100 分钟
学习目标
- 理解镜像/容器/卷/网络概念
- 修改并运行 docker-compose.yml
- 用日志排查容器问题
关键概念
- 镜像与容器
- docker-compose.yml
- 数据卷与持久化
- 端口映射
- docker logs
为什么学习
- 容器化是本岗位最高频技能，须能在本地/内网/云三类环境中迁移复用，达到能应变调整 compose、排查启动问题的水平。
如何检验理解
- 能用 docker compose up -d 启动一套含数据库与向量库的应用栈
- 能修改 compose 中的端口、卷与镜像并解释改动影响
- 能通过 docker logs 排查容器启动失败
核心技能
文档解析与数据预处理
PDF/Word/HTML/表格的解析、清洗、去重与元数据标注，构建可检索语料，直接影响知识库问答质量。
建议预留 60 分钟
学习目标
- 准备规范化的源文档
- 配置解析与元数据选项
- 校验数据入库质量
关键概念
- 文档格式解析
- 清洗与去重
- 元数据标注
- 表格与结构化数据
为什么学习
- 低代码平台内置解析器，工程师主要任务是准备规范文档、配置解析选项并校验结果，借用 SQL/表格经验理解元数据。
如何检验理解
- 能导入一批 PDF/Word 文档并在平台上检查解析与切分结果
- 能发现并修正一个解析异常（如表格错乱）
核心技能
文本切分（Chunking）策略
固定长度、递归、语义与按标题切分及 overlap 设计对召回质量的影响，是知识库调优的核心配置项。
建议预留 50 分钟
学习目标
- 掌握常见切分策略与适用场景
- 为不同文档选择切分参数
关键概念
- 固定/递归/语义切分
- Chunk 大小
- Overlap 重叠
- 标题结构切分
为什么学习
- 平台中以参数形式提供切分配置，工程师需理解不同策略效果差异并能为不同文档形态选择合适参数。
如何检验理解
- 能针对一份长文档在平台上设置合适的切分长度与 overlap 并说明依据
- 能对比两种切分参数下的召回结果差异
核心技能
Function Calling 与工具调用
定义工具 schema、让模型选择并调用外部 API（查订单、工单系统）完成动作，是客服机器人业务闭环的关键。
建议预留 60 分钟
学习目标
- 理解工具定义与 schema 结构
- 配置外部 API 工具节点
- 验证工具调用闭环
关键概念
- Function Calling 原理
- 工具 schema 定义
- 外部 API 对接
- 参数校验
为什么学习
- 在低代码平台中通过配置工具节点与 API 描述实现，工程师需能正确填写工具定义与接口参数，无需手写调用代码。
如何检验理解
- 能在平台上配置一个查询工具并让机器人正确调用返回结果
- 能排查并修复一次工具参数传错导致的调用失败
核心技能
向量数据库部署与运维
部署 Chroma/Milvus/Qdrant 等向量库，完成集合创建、文档入库、数据备份与重建索引，契合 Oracle 运维经验迁移。
建议预留 75 分钟
学习目标
- 部署向量库服务
- 完成集合管理与数据入库
- 执行备份与重建索引
关键概念
- 向量库选型（Chroma/Milvus/Qdrant）
- 集合与索引
- 数据备份还原
- 元数据与业务库结合
为什么学习
- 向量库是知识库的存储层，需像管理数据库一样能做部署、备份与重建，借用既有数据库经验可迁移到熟练水平。
如何检验理解
- 能用 compose 部署一个向量库并完成一次集合创建与文档入库
- 能完成向量库数据的备份与还原操作
核心技能
低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow）
用图形化平台搭建 RAG 问答与智能体工作流，配置知识库、提示词、模型与插件，是少写代码路线的核心交付工具。
建议预留 120 分钟
学习目标
- 部署低代码 AI 平台
- 配置知识库与模型接入
- 用工作流节点编排问答流程
关键概念
- 平台选型对比
- 知识库配置
- 模型供应商接入
- 工作流编排
- 插件/工具
为什么学习
- 这是岗位主力交付工具，须能在不同环境完成平台部署并配置出可用的 RAG/工作流应用，达到能应变迁移的水平。
如何检验理解
- 能通过 compose 部署一套 Dify/FastGPT 并完成初始化登录
- 能在平台上配置知识库、提示词与模型并跑通一次问答
核心技能
大模型本地推理引擎部署（Ollama/LM Studio/vLLM）
在单机安装推理引擎、拉取并加载开源模型，配置端口与显存/内存参数对外提供 API，是本地单机与内网部署的模型底座。
建议预留 100 分钟
学习目标
- 安装推理引擎并拉取模型
- 配置端口与资源参数暴露 API
- 排查模型加载失败问题
关键概念
- Ollama/LM Studio/vLLM 选型
- 模型格式与量化（GGUF/AWQ）
- 显存与内存占用
- 对外 API 暴露
为什么学习
- 需能在不同硬件与环境完成引擎安装、模型加载与 API 暴露，达到可迁移复用并排查常见加载问题的水平。
如何检验理解
- 能用 Ollama 拉取并运行一个开源模型并通过 API 调用验证
- 能根据显存/内存调整模型规格或量化版本并解释选择
核心技能
数据库使用与迁移（SQL 经验迁移）
沿用 Oracle/SQL 经验，创建库表、执行初始化脚本、备份还原业务数据与向量库元数据，保障应用数据完整。
建议预留 50 分钟
学习目标
- 迁移 SQL 经验到平台数据库
- 执行初始化脚本
- 备份还原业务数据
关键概念
- PostgreSQL/MySQL 基础
- 初始化脚本执行
- 备份与还原
- 向量库元数据
为什么学习
- 学习者已有 Oracle/SQL 基础，可直接迁移到平台常用的 PostgreSQL/MySQL，达到能独立做初始化与备份的水平。
如何检验理解
- 能为平台数据库执行一次初始化脚本并验证表结构
- 能完成业务数据的备份与还原并核对一致性
核心技能
RAG 检索策略与召回调优
稠密/关键词/混合检索、RRF 融合与元数据过滤、Top-K 与重排序，是提升知识库召回质量的关键调参环节。
建议预留 80 分钟
学习目标
- 理解稠密/稀疏/混合检索差异
- 配置重排序与 Top-K 参数
- 用元数据过滤缩小检索范围
关键概念
- 向量检索
- BM25 关键词检索
- 混合检索与 RRF
- Rerank
- Top-K 与阈值
为什么学习
- 平台以开关与参数形式提供混合检索与重排序，工程师需理解原理并能为不同数据调优召回，无需自行实现检索算法。
如何检验理解
- 能在平台上开启混合检索与重排序并对比召回效果
- 能通过调整 Top-K、相似度阈值修复一次答非所问问题
核心技能
硬件与资源评估（GPU/显存/内存）
根据模型规模与并发量评估所需 GPU 显存、内存、磁盘与带宽，给出服务器选型与量化方案建议，是方案沟通的关键。
建议预留 60 分钟
学习目标
- 估算模型显存/内存需求
- 评估并发与带宽影响
- 给出服务器选型建议
关键概念
- 参数量与显存关系
- 量化精度取舍
- 并发与吞吐
- 磁盘与带宽需求
为什么学习
- 部署工程师需能估算资源并给出选型建议，理解显存与量化关系即可，不必做底层性能工程优化。
如何检验理解
- 能针对一个 7B 模型给出最低显存需求与推荐配置
- 能给出量化方案对显存与质量影响的取舍说明
核心技能
网络与端口/反向代理配置
理解 IP/端口/域名与内外网映射，配置 Nginx 反向代理、HTTPS 证书与防火墙放行，保障服务可访问且安全。
建议预留 70 分钟
学习目标
- 理解端口与内外网映射
- 配置 Nginx 反向代理与 HTTPS
- 配置防火墙放行规则
关键概念
- IP/端口/域名
- Nginx 反向代理
- HTTPS 证书
- 防火墙规则
为什么学习
- 使用现成 Nginx 模板修改即可满足交付需求，重点是理解映射关系与能排查访问不通的问题。
如何检验理解
- 能配置 Nginx 反向代理让平台通过域名访问
- 能排查并修复一次端口未放行导致的访问失败
核心技能
意图识别与多轮对话管理
客服场景的意图分类、槽位填充、对话状态跟踪与会话上下文维护，决定机器人能否顺畅应对多轮交互。
建议预留 75 分钟
学习目标
- 配置意图分类与分支
- 实现槽位填充与状态跟踪
- 维护多轮会话上下文
关键概念
- 意图分类
- 槽位填充
- 对话状态跟踪
- 会话上下文管理
为什么学习
- 通过平台工作流节点与提示词实现意图分支与上下文管理，工程师需能配置并调试多轮流程，不涉及模型训练。
如何检验理解
- 能配置一个含意图分支与槽位收集的多轮问答流程
- 能通过会话上下文修正一次指代不明的回复
核心技能
幻觉控制与知识库约束
通过原文引用、拒答机制与答案归因约束模型编造，提升面向客户的答案可信度与合规性。
建议预留 60 分钟
学习目标
- 配置原文引用与答案归因
- 设计拒答与兜底机制
关键概念
- 引用溯源
- 拒答机制
- 答案归因
- 上下文相关性约束
为什么学习
- 通过提示词与平台配置实现引用与拒答，工程师需掌握配置方法并能说明约束策略，不涉及模型级研究。
如何检验理解
- 能配置知识库问答仅基于原文回答并展示引用来源
- 能设计拒答提示词使模型对无依据问题明确说不知道
核心技能
RAG 评测与效果验收
使用 RAGAS/DeepEval 或平台内置评测，衡量忠实度、答案相关性与召回率，作为交付验收依据。
建议预留 60 分钟
学习目标
- 构建评测问答集
- 解读忠实度/相关性等指标
- 据评测结果驱动调优
关键概念
- 评测集构建
- 忠实度与相关性
- 上下文召回/精度
- 迭代闭环
为什么学习
- 工程师需要的是构建评测集、跑评测、读指标并据此调优的能力，用于向客户证明交付质量，不需自定义指标算法。
如何检验理解
- 能整理一批标准问答对并在平台上跑一次评测得到指标
- 能根据评测结果定位并改进一个薄弱环节
核心技能
企业内网私有化部署
在离线/受限网络环境下完成镜像离线导入、内网模型服务、访问控制与数据不出网的合规部署，是本岗位高价值交付形态。
建议预留 100 分钟
学习目标
- 镜像离线导出导入
- 内网模型服务与依赖搭建
- 配置访问控制与合规约束
关键概念
- 镜像离线迁移
- 离线依赖安装
- 内网模型服务
- 访问控制与合规
为什么学习
- 内网部署综合了容器、模型服务、向量库与网络配置，需能独立打包迁移并解决离线环境问题，达到迁移复用水平。
如何检验理解
- 能在离线环境完成一次镜像导入与整套应用私有化部署
- 能说明数据不出网的合规要点并给出访问控制方案
补充知识
Git 与版本/资源管理
clone 开源项目仓库、切换分支、拉取更新与保存自有配置改动，避免平台升级覆盖自定义配置。
建议预留 40 分钟
学习目标
- clone 与拉取项目仓库
- 保存并维护自有配置改动
关键概念
- clone/pull
- 分支概念
- 配置文件保留策略
为什么学习
- 只需掌握拉取代码与保留自有配置的基本操作即可支撑交付，无需深入分支协作流程。
如何检验理解
- 能 clone 一个平台仓库并保存自己的配置修改不丢失
- 能在版本升级时正确合并配置改动
核心技能
客服机器人搭建与渠道接入
基于平台搭建客服机器人，配置 FAQ、转人工规则、多轮对话与渠道（网站/微信/企业IM）接入，是典型交付场景。
建议预留 100 分钟
学习目标
- 搭建含 FAQ 与知识库的客服机器人
- 配置转人工与业务闭环
- 完成渠道接入与联调
关键概念
- FAQ 配置
- 转人工规则
- 多轮对话流程
- 渠道接入（网站/微信/IM）
为什么学习
- 这是综合交付目标，需整合知识库、工具、多轮对话与渠道接入，达到能在客户现场独立搭建并接入渠道的水平。
如何检验理解
- 能交付一个可用的客服机器人并接入至少一个渠道完成真实问答
- 能配置转人工规则并完成一次完整业务闭环演示
补充知识
可观测性与监控运维
配置服务健康检查、日志追踪、token 成本与资源监控告警及定期备份策略，保障线上稳定运行。
建议预留 60 分钟
学习目标
- 配置健康检查与告警
- 追踪调用与成本
- 执行定期备份恢复
关键概念
- 健康检查
- 日志与追踪
- 成本与资源监控
- 备份恢复策略
为什么学习
- 属于运维保障能力，使用现成监控面板与备份脚本即可满足交付要求，无需深度定制。
如何检验理解
- 能为部署的服务配置一次健康检查与资源告警
- 能执行一次定期备份并验证可恢复
核心技能
安全与合规意识
理解密钥保护、数据脱敏、访问权限最小化与日志留存要求，避免敏感数据泄露，是企业交付红线。
建议预留 50 分钟
学习目标
- 掌握密钥与敏感数据保护
- 理解权限最小化与日志留存
关键概念
- 密钥保护
- 数据脱敏
- 权限最小化
- 日志留存要求
为什么学习
- 作为交付合规底线，工程师需理解并落实密钥保护与数据脱敏要求，能解释合规要点即可，无需深度安全攻防能力。
如何检验理解
- 能说明交付方案中密钥与敏感数据如何保护
- 能列出一次私有化交付的合规检查清单
补充知识
需求沟通与部署文档交付
与业务方确认知识库范围、响应要求与预算，编写部署手册与验收材料并用非技术语言讲解方案。
建议预留 60 分钟
学习目标
- 确认需求与交付边界
- 编写部署手册与验收材料
- 用非技术语言讲解方案
关键概念
- 需求确认
- 部署手册编写
- 验收与培训
- 方案讲解
为什么学习
- 作为交付闭环的软技能，工程师需能整理文档并做验收演示培训，达到能独立完成一次交付的水平。
如何检验理解
- 能编写一份含步骤与环境说明的部署手册
- 能面向非技术客户完成一次方案与验收讲解
补充知识
高级检索增强（查询改写/多跳/GraphRAG）
查询改写、HyDE、子问题分解与知识图谱增强，用于提升跨文档、复杂问题的召回，属按需进阶方向。
建议预留 70 分钟
学习目标
- 了解进阶检索增强手段
- 识别其适用场景
关键概念
- Query Rewriting/HyDE
- 多跳检索
- GraphRAG
- 知识图谱增强
为什么学习
- 属于进阶优化方向，非岗位必备；工程师需了解其存在与适用场景以便按需引入，不必独立实现。
如何检验理解
- 能说明查询改写与 GraphRAG 各自适合什么场景
- 能判断一个业务问题是否需要引入此类进阶方案
补充知识
成本与性能权衡（Token/延迟/缓存）
模型分级路由、语义缓存与批处理，平衡体验与运营成本，面向客户预算做方案取舍。
建议预留 60 分钟
学习目标
- 理解模型分级路由思路
- 了解语义缓存与批处理作用
关键概念
- 模型分级路由
- 语义缓存
- 批处理与流式
- 成本核算
为什么学习
- 需理解成本与延迟的权衡逻辑以便做选型与方案解释，具体实现由平台功能承载，无需深度调优。
如何检验理解
- 能给出一个含模型分级与缓存策略的成本优化建议
- 能解释延迟与成本之间的取舍关系
补充知识
模型推理性能优化（vLLM/量化进阶）
PagedAttention、KV Cache、连续批处理与量化，降低推理延迟与成本，属高并发场景进阶能力。
建议预留 60 分钟
学习目标
- 了解主流推理优化技术
- 识别高并发优化需求
关键概念
- PagedAttention
- KV Cache
- 连续批处理
- 量化
为什么学习
- 属专业调优方向，部署工程师只需了解概念与何时需要引入，通常由算法/性能团队承担。
如何检验理解
- 能解释连续批处理与量化对吞吐和显存的影响
- 能判断高并发场景是否需要引入 vLLM
前置关系与知识联系
- 硬件与资源评估（GPU/显存/内存） → 模型推理性能优化（vLLM/量化进阶）
- 向量数据库部署与运维 → RAG 检索策略与召回调优
- 网络与端口/反向代理配置 → 客服机器人搭建与渠道接入
- 大模型 API 调用与密钥管理 → Function Calling 与工具调用
- 低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow） → 网络与端口/反向代理配置
- Linux 命令行基础操作 → 数据库使用与迁移（SQL 经验迁移）
- LLM 基础原理与能力边界 → 向量与 Embedding 原理
- Linux 命令行基础操作 → AI 辅助生成与调试脚本
- Docker 与 Docker Compose 容器化部署 → 向量数据库部署与运维
- 向量数据库部署与运维 → 企业内网私有化部署
- Docker 与 Docker Compose 容器化部署 → 企业内网私有化部署
- Linux 命令行基础操作 → Docker 与 Docker Compose 容器化部署
- Docker 与 Docker Compose 容器化部署 → 网络与端口/反向代理配置
- 幻觉控制与知识库约束 → 客服机器人搭建与渠道接入
- 配置文件与环境变量管理 → Git 与版本/资源管理
- LLM 基础原理与能力边界 → Prompt Engineering 与结构化输出
- 大模型本地推理引擎部署（Ollama/LM Studio/vLLM） → 模型推理性能优化（vLLM/量化进阶）
- 企业内网私有化部署 → 安全与合规意识
- RAG 检索策略与召回调优 → 高级检索增强（查询改写/多跳/GraphRAG）
- 大模型 API 调用与密钥管理 → 低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow）
- RAG 评测与效果验收 → 高级检索增强（查询改写/多跳/GraphRAG）
- Prompt Engineering 与结构化输出 → Function Calling 与工具调用
- 客服机器人搭建与渠道接入 → 安全与合规意识
- Docker 与 Docker Compose 容器化部署 → 低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow）
- 低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow） → 数据库使用与迁移（SQL 经验迁移）
- 大模型本地推理引擎部署（Ollama/LM Studio/vLLM） → 硬件与资源评估（GPU/显存/内存）
- 客服机器人搭建与渠道接入 → 需求沟通与部署文档交付
- 向量与 Embedding 原理 → 文本切分（Chunking）策略
- 文档解析与数据预处理 → 低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow）
- 网络与端口/反向代理配置 → 企业内网私有化部署
- 向量与 Embedding 原理 → 向量数据库部署与运维
- 文本切分（Chunking）策略 → 低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow）
- 配置文件与环境变量管理 → Docker 与 Docker Compose 容器化部署
- 低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow） → 硬件与资源评估（GPU/显存/内存）
- 低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow） → Function Calling 与工具调用
- 客服机器人搭建与渠道接入 → 可观测性与监控运维
- LLM 基础原理与能力边界 → 大模型 API 调用与密钥管理
- RAG 检索策略与召回调优 → RAG 评测与效果验收
- Prompt Engineering 与结构化输出 → 低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow）
- 可观测性与监控运维 → 成本与性能权衡（Token/延迟/缓存）
- 企业内网私有化部署 → 客服机器人搭建与渠道接入
- 低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow） → 意图识别与多轮对话管理
- RAG 检索策略与召回调优 → 意图识别与多轮对话管理
- Function Calling 与工具调用 → 客服机器人搭建与渠道接入
- Linux 命令行基础操作 → 配置文件与环境变量管理
- 低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow） → RAG 检索策略与召回调优
- 意图识别与多轮对话管理 → 客服机器人搭建与渠道接入
- Docker 与 Docker Compose 容器化部署 → 大模型本地推理引擎部署（Ollama/LM Studio/vLLM）
- 大模型本地推理引擎部署（Ollama/LM Studio/vLLM） → 企业内网私有化部署
- RAG 检索策略与召回调优 → 幻觉控制与知识库约束
- 低代码 AI 应用平台部署（Dify/FastGPT/RAGFlow） → Git 与版本/资源管理
- Function Calling 与工具调用 → 意图识别与多轮对话管理
- 向量与 Embedding 原理 → 文档解析与数据预处理
结合互动地图查看具体关系类型，再选择下一步。