- 课程目录
- 课程介绍
-
在线阅读：开篇词｜借DeepSeek东风，开启AI应用开发之旅
作为普通程序员，你是否也想跑步入场，学习一下 AI ，拥抱一下DeepSeek呢……
-
01｜DeepSeek“民用级”程序员使用指北
普通程序员怎么迎接 DeepSeek 的东风，可以用它帮我们做那些事儿呢？
-
02｜特训套路：Function Calling和ReAct如何让大模型更加智能？
在这节课，我们聊聊Agent，并通过Python语言代码0框架搭建一个简单的Agent。
-
加餐1｜Agent的前辈：Function Calling
大模型不是万能的，大模型有自身的弱点以及无法解决的问题，体验一下什么是业界常说的“幻觉”
-
加餐2｜直播回放：如何借力DeepSeek入局AI应用开发
开课直播回放内容，带你快速了解如何借力DeepSeek入局AI应用开发。
-
03｜快速上手（一）：LobeChat+AI 网关+Ollama 打造高可用大模型集群
接下来的两节课，我会先介绍一种相对简单且在业界进行私有化模型的 AI 应用开发时极为常用的方案，即通过 LobeChat + 网关 + Ollama 打造高可用的部署方案。
-
04｜快速上手（二）：LobeChat+AI 网关 +Ollama打造高可用大模型集群
今天这节课，我们继续上一节课的思路，完成多 Ollama 实例的负载均衡的配置，使之成为一个高可用的 Ollama 集群。
-
05｜进阶部署（一）：Kubernetes资源创建与部署
我会花一节课的时间，利用青云公司开源的 KubeSphere 软件，带你快速入门Kubernetes，为后面学习DeepSeek的分布式部署方案打好基础。
-
06 | 进阶部署（二）：非量化版DeepSeek分布式部署方案实战
随着LLM 模型越来越大，单 GPU 已经无法加载一个模型，因此就需要分布式部署的方案。
-
07 | 进阶部署（三）：非量化版 DeepSeek 分布式部署方案实战
今天，我们将学习另一个组件——Ray。随后，我们将在一台配备双GPU（A100）的Kubernetes集群上，演示如何分布式部署DeepSeek-R1-Distill-Llama-70B模型。
-
加餐：使用 AutoDL 快速部署模型
今天我们来学习如何使用 AutoDL 上的 GPU 算力资源快速部署一个模型。
-
08 | llama.cpp部署：无GPU服务器如何部署DeepSeek？
今天我们来学习一种不用 GPU 卡也能部署 DeepSeek 模型的方式，这便是社区大神写的模型推理框架——llama.cpp。
-
09｜体验微调：微调DeepSeek-R1大模型，实现新闻分类器
这节课我会用LLama-Factory为你演示如何进行模型微调。
-
10｜体验蒸馏：如何蒸馏一个自己的DeepSeek-R1大模型
这节课我们就把目光投向另一个大模型里常用的技术——蒸馏。
-
11｜凤雏来了：什么是模型上下文协议MCP？
MCP 使得 AI 应用能够安全地访问和操作本地及远程数据，为 AI 应用提供了连接万物的接口。接下来，我们就深度学习一下 MCP，并体验一下它如何使用。
-
12｜动手实现一个简单的MCP Server
这节课我们就继续深入，尝试自己手写一个 MCP Server，为我们后续做应用开发打下基础。
-
13｜动手实现一个简单的MCP Client
我们将进一步学习如何使用 MCP Python SDK 来编写一个 MCP Client，以便更加灵活地与 MCP 服务器进行通信和集成。
-
14｜网络爬虫：无头浏览器抓取技术
从这节课开始，我们将正式开启求职助手项目的实战开发，今天先解决数据源获取的问题，
-
15｜找工作：如何让DeepSeek帮我们找工作？
我们今天就开发一个 MCP Server，然后测试一下，合 DeepSeek-R1 模型来完成岗位信息查找岗位的效果如何。
-
16｜写简历：如何让AI自动拿到我们的简历，并浓缩成精华
这节课我们继续做优化，让求职助手变得更加好用。
-
17｜写简历：如何根据岗位需求自动编写简历？
都说 DeepSeek 写作能力强，这节课我们就来试试成色，让 DeepSeek 根据岗位需求，辅助我们编写简历。
-
18｜加餐：MCP产品化！高德、百度、腾讯三大地图服务接入MCP
这节加餐，我将为你演示用 Agent 通过 OpenAPI 的方式接入和直接用 MCP 接入，方便你把两种方法做一下对比。
-
19｜平台化开发：零代码Agent+工作流开发
这节课，我们将以Dify平台为基础，学习零代码实现 Agent 和工作流的方法。
-
20｜平台化开发：工具开发套路
这节课，我们将一起学习平台化开发中为数不多的需要编码的环节，也就是工具开发。
-
21｜视觉模型：试卷题目分析解答
这节课，我们就进入项目实现环节。那在这一章呢，我为你准备的项目是“作业帮”。今天我们先从识别图片文字的方法开始说起。
-
加餐｜前沿速递：如何学习与理解Google智能体协议A2A？
oogle 发布了一个名为 Agent To Agent 的协议，简称 A2A，今天我会从原理开始讲，最后带你自己动手写代码体验一下 A2A。
-
22｜RAG技术：如何利用RAG技术提升题目解答准确率？
这节课的内容还是蛮多的，有理论也有实操，其中还有我自己使用知识库时的配置经验。
-
23 | 校验机制：如何通过校验提升题目解答准确率？
通过 MaxKB 发布了问答助手后，我们如何在基于 Dify 构建的“作业帮”工作流中调用它呢？
-
24｜热门AI开发脚手架：一节课快速入门LangGraph
代码级的掌控力，才是我们应对多样化 AI 开发挑战的核心能力。
-
25｜使用LangGraph定制编写Web后端项目
这节课，我们来试试使用 LangGraph + Prompt 的手法生成 Golang 的 Web 后端代码。
-
26｜如何根据数据表文档生成实体？
这节课，我们将会学习如何在LangGraph中使用 Agent，以及如何利用RAG写代码。
-
27｜如何根据代码库代码生成新的代码？
这节课，我们再来思考另一件有意思的事，那就是历史代码的复用与借鉴。
-
28｜思路拓展：如何使用GraphRAG分析代码结构？
今天这节课，我们做了一个思路拓展，也就是如何用 GraphRAG 来表示一个项目中各文件或者各函数实体等之间的联系。
-
29｜如何抓取金融市场数据？
在金融量化开发领域，数据是进行量化分析的基石。所以我们自然要先解决数据抓取的问题。
-
30｜如何用自然语言查询股票名称与代码？
这节课，我们将结合股票的业务背景，再次对如何应用 LangGraph 实现 Agent 做了梳理。
-
31｜如何抓取全部沪深A股的日K数据？
这节课，我们将学习如何并发抓取全部沪深 A 股日线数据的方法，还会了解增量抓取新增股票或者新增日期数据的方法。
-
32｜计划模式：如何让Agent有计划地进行股票数据分析？
这节课我们来学习如何利用计划模式Agent来分析股票的数据。
-
33 | 简易量化策略之量能策略
这节课，我就为你介绍几种非常简单的量化策略，让你对这个知识有一个直观的感受。
-
结束语｜近水知鱼性，近山识鸟音
AI 时代，技术更新的速度太快了，每天都得学习。希望这门课能给你带来一些启发，也希望你举一反三，把课程所学运用到工作和学习当中。
-
结课测试｜来赴一场满分之约！
为了帮你检验自己的学习成果，我特意准备了一套结课测试题，快来挑战吧。
课程介绍
前沿速递 你将获得 掌握 DeepSeek 模型使用、部署与应用方案 实战演练，基于 DeepSeek 开发四大 AI 项目 DeepSeek、RAG、LangGraph 等前沿技术速递 举一反三，提升 AI 应用开发工程化能力...前沿速递
你将获得
- 掌握 DeepSeek 模型使用、部署与应用方案
- 实战演练，基于 DeepSeek 开发四大 AI 项目
- DeepSeek、RAG、LangGraph 等前沿技术速递
- 举一反三，提升 AI 应用开发工程化能力
讲师介绍
课程介绍
随着 DeepSeek 系列模型的发布，国内终于有了一款能够比肩 GPT 的模型，这将极大推动国内应用 AI 化的发展进程。2025 年 AI 应用发展的步伐会变得更快。
无论是否是计算机或 AI 专业出身，每个人都有机会在 AIGC 浪潮中找到自己的位置。为了帮助你与时俱进，快速拥抱 DeepSeek 等前沿技术，我们邀请了云阳老师开设这门课程，带你学习如何基于 DeepSeek，综合提升自己的 AI 应用开发工程化能力。
本课程将会涉及当前业界最主流的 AI 应用开发思想、套路、工具以及框架，设计的实战项目也会聚焦 DeepSeek 模型的某个特点。对于 AI 开发老鸟，可以与时俱进，查漏补缺，掌握业界前沿的开发思想和工具；而对于 AI 开发新手，则可以绕过过去几年我摸爬滚打的弯路，借力 DeepSeek，快速入门 AI 应用开发领域。
课程分为六个章节，具体设计思路如下：
前置课程：探讨普通程序员如何使用和学习 DeepSeek，有哪些探索方向，并学习 AI 应用开发不可或缺的 Agent 技术。
第一章：揭秘云厂商针对不同的客户群体，私有化部署 DeepSeek 的几种不同方案。包括单卡的量化版部署、多卡的高可用负载均衡方案、多卡的分布式部署方案以及在消费级硬件，比如纯 CPU 上部署 DeepSeek 的方案等等。最后还将体验如何微调和蒸馏 R1 大模型。
第二章：利用 DeepSeek 的深度思考能力以及超强的写作能力，开发一个求助助手。本项目还会引入模型上下文协议（MCP）来让模型连接本地文件系统、数据库、调用工具等等。
第三章：利用 DeepSeek 出色的数学理解力，用平台化开发的方式，构建一个 AI 版“作业帮”，该项目还将涉及多模态、RAG、工作流等热点技术。
第四章：代码能力是 DeepSeek 的亮点之一，目前已经有多个智能编程软件宣布接入了 DeepSeek。所以这个项目我们不打算重复造轮子，而是以构建 Golang 的 Web 后端项目为例，利用目前非常热门的 LangGraph 框架，让 AI 稳定生成固定项目代码风格的代码。
第五章：探索 AI 与金融领域的结合，我们将以 A 股市场为主题，做一下探索性的开发，包括股票名称代码查询、数据分析统计、简单量化策略等。
本周内容已更新完毕，下周开始每周一/三/五更新。
课程目录
