课程总体设计思路

第一篇　理论筑基：补齐数学与深度学习原理，用 PyTorch 从零手写前向传播、损失函数、优化器，完成「统计/循环语言模型 → Transformer/BERT」的范式跃迁，避免「调包黑盒」。
第二篇　大模型入门与 NLP 任务实战：跨入大模型时代，用「BERT 微调 vs LLM zero-shot vs LLM SFT(LoRA)」三路对比的固定结构，吃透 NLP 三大经典任务（分类 / 标注 / 匹配），产出可写进简历的项目。
第三篇　LLM 应用工程化与 Agent 体系）：从「会调 API」到「会落地」到「会造 Agent」——推理部署、约束解码、RAG、工具调用、Agent 循环、Skills、记忆与自主调度，业务后端跨项目复用。
第四篇　自进化、Graph 与前沿模型理论：让 Agent 自我改进、用知识图谱补关系推理、回到模型内部看新一代结构演进、用强化学习与分布式训练把模型训强。偏理论、无配套项目。
第五篇　复习与职业发展：收束全课，把所学转化为求职竞争力。

人工智能第三十期