60 - AI 大模型应用开发教程

适用人群：有编程基础，想开发AI应用

难度：中等

预计学习时间：20-30小时

为什么学大模型应用开发？

学习路线

第1阶段：API基础（1周）
├── OpenAI API调用
├── Chat Completions接口
├── 流式输出（SSE）
├── 多模态（图像/音频）
└── 其他模型API（Claude/Gemini/DeepSeek）

第2阶段：Prompt工程（1周）
├── 提示词设计原则
├── Few-shot / Zero-shot
├── Chain of Thought
├── 系统提示词设计
└── 输出格式控制（JSON Mode）

第3阶段：RAG系统（2周）
├── 文档解析与分块
├── 向量嵌入（Embedding）
├── 向量数据库（Milvus/Pinecone/Chroma）
├── 检索策略
├── 上下文注入
└── LangChain/LlamaIndex

第4阶段：Agent开发（2周）
├── Function Calling
├── Tool Use
├── 多Agent协作
├── 工作流编排
└── OpenAI Agents SDK

第5阶段：实战应用（2周）
├── 知识库问答系统
├── AI客服机器人
├── 文档分析助手
└── 代码助手

核心代码示例

# OpenAI API基础调用
from openai import OpenAI
client = OpenAI(api_key="sk-xxx")

# 基本对话
response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "你是一个有帮助的助手。"},
        {"role": "user", "content": "解释什么是RAG"}
    ],
    temperature=0.7,
    max_tokens=1000
)
print(response.choices[0].message.content)

# 流式输出
stream = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "写一篇关于AI的文章"}],
    stream=True
)
for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

# Function Calling
import json

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "获取指定城市的天气信息",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名称"}
            },
            "required": ["city"]
        }
    }
}]

def get_weather(city):
    return {"city": city, "temp": 25, "weather": "晴"}

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "北京今天天气怎么样？"}],
    tools=tools
)

# 处理工具调用
if response.choices[0].message.tool_calls:
    tool_call = response.choices[0].message.tool_calls[0]
    args = json.loads(tool_call.function.arguments)
    result = get_weather(args["city"])
    
    # 将结果返回给模型
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "user", "content": "北京今天天气怎么样？"},
            response.choices[0].message,
            {"role": "tool", "content": json.dumps(result), "tool_call_id": tool_call.id}
        ]
    )

# RAG示例
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_openai import ChatOpenAI
from langchain.chains import RetrievalQA

# 文档分块
splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)
docs = splitter.split_text(document_text)

# 创建向量数据库
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_texts(docs, embeddings)

# 问答链
qa = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(model="gpt-4o"),
    retriever=vectorstore.as_retriever(search_kwargs={"k": 3})
)

result = qa.invoke({"query": "这个产品的退款政策是什么？"})
print(result["result"])

// JavaScript/TypeScript 调用OpenAI
import OpenAI from 'openai';

const client = new OpenAI({ apiKey: 'sk-xxx' });

const response = await client.chat.completions.create({
    model: 'gpt-4o',
    messages: [
        { role: 'system', content: '你是一个前端开发助手' },
        { role: 'user', content: '写一个React组件' }
    ]
});

console.log(response.choices[0].message.content);

向量数据库对比

推荐资源