还在满足于使用天气API或者调用OpenAI接口构建简单的聊天机器人吗？这只是生成式AI的“Hello World”级别应用。如果你想真正构建现实世界中的GenAI应用，那么“Beyond Hello World”——一个免费的8周生成式AI学习系列，将为你提供深入的实践指导，带你探索如何使用现代AI工具和技术构建真正的系统。这个课程由Prashant Lakhera发起，旨在帮助开发者摆脱“Hello World”的限制，掌握构建生产级别 GenAI 应用的技能。
AI Agents：构建智能体的基石
7月12日的课程将深入探讨AI Agents，这是构建自主行动的智能系统的关键。我们将学习如何使用LangChain、CrewAI和n8n等工具来构建它们。AI Agents 的概念来源于强化学习和自主机器人领域，是指能够感知环境、做出决策并执行动作以实现特定目标的智能体。
举个例子，想象一个电商平台的客户服务系统。传统的客户服务可能需要人工客服介入，但一个基于AI Agents的系统可以自动化处理许多常见问题。例如，使用 LangChain 连接到知识库，AI Agent 可以自动查找产品信息、订单状态和退货政策，并以自然语言回复客户。如果客户的问题超出了 AI Agent 的能力范围，它可以将问题升级到人工客服，并提供所有相关信息，从而提高客户服务效率和质量。
CrewAI 则更专注于构建多智能体系统，让不同的 AI Agent 协同完成更复杂的任务。例如，一个电商平台的营销团队可以使用 CrewAI 构建一个由多个 AI Agent 组成的团队，每个智能体负责不同的营销任务，例如市场调研、广告创意生成、社交媒体推广和效果分析。通过协同工作，这些 AI Agent 可以更有效地制定和执行营销策略。
n8n 则是一个强大的自动化平台，可以连接各种不同的应用程序和服务。在 AI Agents 的场景中，n8n 可以用于连接 AI Agent 与外部数据源、API 和其他服务，从而扩展 AI Agent 的能力。例如，可以使用 n8n 连接 AI Agent 与 CRM 系统，以便在与客户互动时访问客户的历史记录和偏好。
Model Context Protocol (MCP)：连接LLM与开发者工具的桥梁
7月19日的课程将探索Model Context Protocol (MCP)，这是一个将大型语言模型（LLM）与开发者工具集成的强大概念。我们将集成Cursor，甚至构建我们自己的MCP服务器，该服务器可以读取GitHub Pull Requests。MCP 的目标是使 LLM 能够访问开发环境中的信息，从而提高开发效率和质量。
例如，一个开发者在使用 Cursor 编写代码时，可以使用 MCP 让 LLM 了解当前代码的上下文，例如项目结构、依赖关系和代码风格。这样，LLM 可以提供更准确的代码补全建议、错误检测和代码重构建议。
更进一步，我们可以构建一个 MCP 服务器，它可以读取 GitHub Pull Requests。这意味着 LLM 可以了解代码变更的内容、原因和影响。然后，LLM 可以自动审查代码、生成代码审查报告，甚至可以提出改进建议。这可以大大提高代码审查的效率和质量，并减少人工审查的工作量。
例如，Google 利用类似的技术，通过内部工具和 LLM 的结合，实现了代码审查自动化，显著提升了代码质量和开发效率。
模型微调：打造专属的语言模型
7月26日的课程将教你如何使用Hugging Face AutoTrain 微调你自己的语言模型。你将学习如何使用你自己的数据集训练一个基础模型，并正确评估它。模型微调 是一个将预训练语言模型适应特定任务或领域的过程。通过在特定数据集上训练预训练模型，我们可以提高模型在特定任务上的性能。
Hugging Face AutoTrain 提供了一个简单易用的界面，用于 微调 语言模型。你只需要上传你的数据集，选择一个预训练模型，然后 AutoTrain 会自动完成训练过程。
举个例子，假设你想构建一个专门用于生成产品描述的语言模型。你可以使用 Hugging Face AutoTrain 在一个包含大量产品描述的数据集上 微调 一个预训练语言模型，例如 BERT 或 GPT-2。微调 后的模型将能够生成更准确、更吸引人的产品描述。
根据 Hugging Face 的研究，通过在特定数据集上 微调 预训练模型，可以显著提高模型在特定任务上的性能。例如，在一个文本分类任务中，微调 后的模型可以比原始模型提高 10% 以上的准确率。
OpenAI 实战：深入理解 Python SDK 的正确用法
8月2日的课程将超越 Playground，学习如何正确使用 OpenAI 的 Python SDK – 处理重试、成本限制、流式响应等等。很多人在使用 OpenAI API 时，仅仅停留在简单的调用层面，忽略了许多重要的细节。
例如，在使用 OpenAI API 时，可能会遇到请求失败的情况。为了确保应用程序的稳定性和可靠性，我们需要实现重试机制。OpenAI 的 Python SDK 提供了内置的重试功能，我们可以配置重试次数、重试间隔等参数。
此外，在使用 OpenAI API 时，需要注意成本控制。OpenAI 按照 token 数量收费，因此我们需要合理控制 token 的使用量。OpenAI 的 Python SDK 提供了成本限制功能，我们可以设置每个请求的最大 token 数量，或者设置每天的最大花费金额。
流式响应是 OpenAI API 的一个重要特性，它可以让我们在模型生成文本的同时接收响应。这可以提高应用程序的响应速度和用户体验。OpenAI 的 Python SDK 提供了流式响应的支持，我们可以使用 stream=True 参数来启用流式响应。
许多公司已经开始在生产环境中使用 OpenAI API，并取得了显著的成果。例如，Jasper.ai 使用 OpenAI API 构建了一个 AI 写作助手，帮助用户生成各种类型的文本内容，例如博客文章、广告文案和社交媒体帖子。
本地运行模型：Ollama 赋能 LLaMA
8月16日的课程将学习如何使用 Ollama 在你的笔记本电脑上本地运行像 LLaMA 这样的模型，并通过 Python API 连接到它们。在本地运行 LLM 可以提高数据隐私性和安全性，并降低成本。
Ollama 是一个轻量级的工具，可以让你轻松地在本地运行 LLM。你只需要下载 Ollama，然后运行 ollama run llama2 命令就可以启动 LLaMA 模型。
通过 Python API 连接到本地运行的 LLM 可以让你在你的应用程序中使用 LLM 的能力。例如，你可以使用 LLaMA 生成文本、翻译语言或回答问题。
Meta AI 开源了 LLaMA 模型，并在研究和开发领域引起了广泛的关注。通过在本地运行 LLaMA，你可以充分利用 LLaMA 的能力，而无需依赖云服务。
Vibe Coding with Cursor：用 GenAI 构建实际工具
8月23日的课程将探索如何使用 Cursor + GenAI 构建实际的工具。无论你是构建编码代理还是命令行助手，本课程都将融合编码和创造力。Cursor 是一个基于 AI 的代码编辑器，它可以帮助你更高效地编写代码。
通过将 Cursor 与 GenAI 技术相结合，我们可以构建更强大的工具，例如自动代码生成器、代码审查助手和代码重构工具。
例如，我们可以使用 Cursor 和 GenAI 构建一个自动代码生成器，它可以根据你的需求自动生成代码片段。这可以大大提高你的编码效率，并减少重复性劳动。
我们可以使用 Cursor 和 GenAI 构建一个代码审查助手，它可以自动审查你的代码，并提出改进建议。这可以提高代码质量，并减少人工审查的工作量。
我们可以使用 Cursor 和 GenAI 构建一个代码重构工具，它可以自动重构你的代码，并提高代码的可读性和可维护性。
GitHub Copilot 是一个基于 AI 的代码助手，它可以帮助你更高效地编写代码。通过学习 Vibe Coding with Cursor，你可以构建类似 GitHub Copilot 的工具，并提高你的开发效率。
自建 GPT：从零开始理解模型实现
8月30日的课程将深入幕后，了解如何使用 PyTorch 或类似的框架从头开始实现一个小的 GPT 模型。理解 GPT 模型的内部工作原理可以帮助你更好地使用和改进这些模型。
构建一个 GPT 模型需要掌握大量的知识，例如 Transformer 架构、自注意力机制和语言模型训练方法。
PyTorch 是一个流行的深度学习框架，它可以帮助你轻松地构建和训练 GPT 模型。
例如，你可以使用 PyTorch 构建一个小的 GPT 模型，并使用你自己的数据集进行训练。这可以帮助你更好地理解 GPT 模型的内部工作原理，并为你将来构建更复杂的模型打下基础。
Andrej Karpathy 的 “The Unreasonable Effectiveness of Recurrent Neural Networks” 是一篇经典的博客文章，介绍了如何使用循环神经网络（RNN）构建语言模型。通过学习这篇文章，你可以更好地理解语言模型的工作原理。
生产级 RAG：构建完整的检索增强生成系统
9月6日的课程将以构建一个完整的检索增强生成 (RAG) 系统来结束本系列课程，从数据摄取到使用向量数据库和 LLM 进行服务。RAG 是一种将检索模型和生成模型相结合的技术，可以提高生成模型生成文本的质量和相关性。
RAG 系统的核心思想是，首先使用检索模型从大量文档中检索与用户查询相关的文档，然后将检索到的文档作为上下文传递给生成模型，让生成模型生成更准确、更相关的文本。
例如，我们可以使用 RAG 系统构建一个问答机器人，它可以回答用户提出的问题。当用户提出一个问题时，RAG 系统首先使用检索模型从知识库中检索与问题相关的文档，然后将检索到的文档作为上下文传递给生成模型，让生成模型生成答案。
Pinecone 是一个流行的向量数据库，可以用于存储和检索向量。向量数据库可以用于存储文档的向量表示，并快速检索与用户查询相关的文档。
Facebook AI Research 开发了 RAG 模型，并在机器翻译和文本摘要等任务中取得了显著的成果。
从实践中学习：真正的项目经验
这个系列不仅仅是另一个教程系列。这些主题来自我构建的真实项目，包括：
- IdeaWeaver：一个全栈 AI 代理框架
- GPT-2 儿童故事模型（30M）：从头开始训练用于生成短篇故事
- DeepSeek 风格的故事模型（15M）：轻量级，指令调整的 LLM
没有虚张声势。没有炒作。只有我构建这些项目所学到的东西——每个周末与你分享。这些真实的案例为学习者提供了宝贵的实践经验，让他们能够将所学知识应用到实际项目中。
参与方式与资源
所有课程都将被录制并发布到我的 YouTube 频道：👉 https://www.youtube.com/@devops-boot-camp
如果你不能参加直播，你仍然可以按照你自己的节奏学习。
📝 在这里注册：https://www.linkedin.com/events/free2monthgenerativeaicourse-be7345645002171011073/
传播信息
如果你认为这个系列可以帮助某人以正确的方式开始使用 GenAI，请考虑与你的网络分享。我已经免费开放了它，以便更多的人可以从真正的、生产级别的学习中受益。让我们一起努力，让更多的人掌握 生成式AI 的技能，构建更有价值的应用。
加入 “Beyond Hello World” 课程，一起深入探索 生成式AI 的无限可能！