公开课

你每天都在听人说：大语言模型、ChatGPT、Agent、RAG、多模态、AI Coding……听起来好像 AI 已经进入了神仙打架的阶段。可是，如果有人突然问你：Transformer到底是什么？ 你会不会瞬间 Transformer成为一个沉默的人？

别担心，这场45分钟的入门讲座，就是专门来解决这个问题的。我们不准备把Transformer讲成一场数学博士资格考试，而是希望用直观、幽默、工程化的方式，带你看懂今天几乎所有主流大语言模型背后的核心架构。

为什么Transformer这么重要

因为今天GPT、Claude、Gemini、Llama等大语言模型，虽然性格不同、参数不同、训练方法不同，但它们背后的关键技术路线都与Transformer 密切相关。如果LLM是一辆超级跑车，那么Transformer就是你必须认识的发动机。很多人学习大模型时，一上来就研究Prompt、RAG、Agent，结果就像：已经开始研究自动驾驶了，但还不知道发动机为什么会转。这场讲座，我们就来打开引擎盖看看。

45分钟我们会聊什么？

1. 从一句话开始：LLM到底在干什么？

为什么大语言模型最核心的训练任务，可以简单理解为不断预测下一个 Token？模型到底是在思考，还是在做一个极其复杂的概率预测？

2. Transformer出现之前，AI是怎么处理语言的？

简单回顾 RNN、LSTM 的思路，以及为什么长文本、并行训练和长期依赖让传统方法越来越累。

3. Transformer 最关键的魔法：Attention

为什么一句话里的每个词都可以去“关注”其他词？Query、Key、Value 到底是什么？放心，我们不会让Q、K、V变成三个突然出现的陌生亲戚。

4. Self-Attention是怎么计算的

从Token → Embedding → Q/K/V → Attention Score → Softmax → 加权求和，用直观例子理解信息是怎样在Token之间流动的

5. 为什么要Multi-Head Attention？

一个Attention Head不够怎么办？那就多来几个。不同Head可以学习不同关系：语法、语义、指代、位置……有点像开会时终于允许大家从不同角度发言

6. Transformer 里面还有哪些关键零件

Positional Encoding、Feed Forward Network、Residual Connection、Layer Normalization，以及它们分别解决什么问题

7. Encoder、Decoder 和 GPT 有什么关系

为什么 BERT 更像“阅读理解高手”，GPT 更像“接着往下写高手”？Decoder-only 架构为什么成为现代生成式大模型的重要路线？

8. 从Transformer到今天的LLM

把Transformer和Prompt、RAG、Fine-tuning、Agent串起来，建立一张完整的大模型技术地图。

不需要先读完 Transformer原论文；不需要背矩阵求导；不需要拥有8张 H100；更不需要假装自己已经懂了。你只需要带着一个问题来：为什么 Transformer能让机器理解并生成语言

45分钟后希望你能做到

✓ 用自己的话解释Transformer是什么

✓ 理解Self-Attention、Q/K/V 和Multi-Head Attention的基本逻辑

✓ 看懂一张标准 Transformer 架构图，而不是看到图就开始寻找“关闭窗口”按钮

✓ 理解BERT、GPT与Encoder/Decoder的关系

✓ 为继续学习LLM、RAG、Agent、Fine-tuning 打下真正有用的基础

Transformer 并不神秘。它最精彩的地方，不是名字听起来像电影里的机器人，而是它改变了机器处理语言的方式，也直接推动了今天的大语言模型革命。

2026 AI 新热门岗位- LLM FDE 到底是做什么的？会写 Prompt、会做 RAG、会开发 Agent，下一步应该往哪里走？随着大模型逐渐进入企业生产环境，一个正在快速受到关注的 AI 岗位开始出现，LLM FDE — Forward Deployed Engineer。

FDE 可以理解为站在 AI 技术与真实商业场景交界处的工程师。它既不是传统的 Data Scientist，也不是单纯的 Software Engineer，更不是只负责训练模型的 ML Engineer。一个优秀的 LLM FDE，往往需要同时具备，LLM Engineer + AI Agent Engineer + Solution Architect + Customer-facing Engineer的综合能力。

企业真正需要解决的问题已经从“我们能不能使用 ChatGPT？”， 逐渐变成“怎么把 LLM 和 Agent 真正接入公司的数据、软件和业务流程？”

例如：

·如何用 RAG 构建企业知识库？

·如何让 AI Agent 调用数据库、API 和企业内部系统？

·如何设计 Multi-Agent Workflow？

·如何连接 Salesforce、SAP、Snowflake 等企业系统？

·如何控制 Hallucination？

·如何进行 LLM Evaluation？

·如何保证 AI 系统的 Security 和 Guardrails？

·如何把一个 Demo 真正变成 Production AI System？

这些，正是 LLM FDE 的核心工作。

- 专题讲座《LLM FDE：AI 时代的新型工程师》

本次讲座将从 技术、项目、职业发展和面试 四个角度，系统介绍 LLM FDE。

- 主要内容

1️⃣ 什么是 FDE？

为什么越来越多 AI 公司开始重视 Forward Deployed Engineer？

2️⃣ FDE 与其他 AI 岗位有什么区别？

我们将比较：

·LLM Engineer

·AI Engineer

·ML Engineer

·Solution Architect

·Forward Deployed Engineer

帮助你理解不同岗位未来的发展方向。

3️⃣ LLM FDE 到底需要哪些技术？

我们会介绍完整技术栈：Python → API → Cloud → LLM → RAG → Vector DB → Agent → Tool Calling → MCP → Evaluation → Guardrails → Deployment

4️⃣ 一个真实的 FDE 项目是怎么做出来的？

从客户的一句话：“我们想用 AI 自动处理客服问题。”

开始分析如何一步一步完成：Business Requirement → System Design → RAG → Agent → Tools → Evaluation → Deployment

5️⃣ FDE 面试会考什么？

重点介绍：

·Python / Coding

·LLM Fundamentals

·RAG

·AI Agent

·Tool Calling

·LLM System Design

·AI Evaluation

·Customer Case Study

·Behavioral Interview

以及如何准备自己的 FDE Project Portfolio。

哪些人特别适合参加？

Software Engineer

Backend Engineer

Full-stack Engineer

Data Engineer

Data Scientist

ML Engineer

Solution Architect

或者正在准备转型：AI Engineer / LLM Engineer / Agent Engineer

那么 FDE 是一个非常值得了解的职业方向。

尤其对于已经有几年软件、数据或企业 IT 经验，希望进入 Generative AI 行业的工程师，FDE 提供了一条非常值得关注的转型路径。

AI 时代需要的不只是“会调用 LLM 的程序员”。未来企业真正需要的人，是能够Understand Business → Design AI Solution → Build Agent → Deploy to Production → Deliver Business Value 的工程师。这正是 Forward Deployed Engineer 的核心价值。

过去两年，Prompt Engineering（提示词工程）成为每一位 AI 开发者的必修课。但到了 2026 年，AI 社区正在讨论一个全新的概念——Loop Engineering（循环工程）。

越来越多的 AI Agent 已经不再是"输入一次 Prompt，输出一次答案"这么简单，而是能够不断规划（Plan）、执行（Execute）、检查（Evaluate）、反思（Reflect）、修正（Refine），最终完成复杂任务。这正是 Loop Engineering 的核心思想。

从 OpenAI、Anthropic 到 Google DeepMind，再到 Hermes、Claude Code、OpenHands、OpenAI Codex、Cursor 等最新 AI Coding Agent，几乎所有先进的 AI Agent 都采用了 Loop（循环）机制。未来 AI 的竞争，不再只是模型能力，而是谁能够构建出更加智能、更可靠、更自主的 Agent Loop。

为什么 Loop Engineering 如此重要？

现实世界中的任务几乎没有一步完成的。

例如开发一个网站：

●阅读需求

●制定开发计划

●编写代码

●编译运行

●自动测试

●修复 Bug

●再次运行

●持续优化

整个过程实际上就是一个不断循环优化的过程。

AI Agent 也是如此。

优秀的 AI Agent 并不会因为第一次回答错误就停止，而是能够：

●自动发现错误

●自动重新规划

●自动调用工具

●自动搜索资料

●自动修复问题

●不断迭代直到完成目标

这就是 Loop Engineering 的真正价值。

在本次技术讲座中，我们将系统介绍 Loop Engineering 的完整技术体系，包括：

Loop Engineering 的基本原理。

●什么是 AI Loop？

●为什么 Prompt Engineering 已经不足够？

●Agent 如何实现持续推理与自主决策？

●Loop 与 Reasoning 的关系

AI Agent 的经典循环架构

深入讲解目前最主流的 Loop 模式，包括：

●Plan → Execute → Observe → Reflect

●ReAct Loop

●Self-Reflection Loop

●Tree of Thoughts

●Retry & Recovery Loop

●Multi-Agent Collaboration Loop

●Human-in-the-Loop

帮助你理解各种Agent框架背后的共同设计思想。

主流AI Agent如何实现Loop？课程将结合真实案例，分析：

●OpenAI Codex

●Claude Code

●Hermes

●OpenHands

●LangGraph

●CrewAI

●AutoGen

看看这些热门AI Agent如何通过Loop提升任务完成率、稳定性和自主能力。

如何设计自己的AI Loop？

我们将分享大量工程实践经验，包括：

●如何避免无限循环（Infinite Loop）

●如何设计停止条件（Stopping Criteria）

●如何进行错误恢复（Recovery）

●如何实现自动评估（Evaluation）

●如何优化 Agent 的执行效率

●如何降低Token成本

这些都是构建企业级AI Agent的关键技术。

谁适合参加？

本次Webinar特别适合：

✅ AI Engineer

✅ LLM Engineer

✅ AI Agent Developer

✅ 软件工程师

✅ Python 开发者

✅ 产品经理

✅ 技术负责人

ChatGPT 能够识别图片、Gemini 可以理解视频、GPT-4V 能分析图表和文档……AI 正从“理解文字”迈向“理解世界”。

在本周 100 Days to Master LLM 系列课程中，我们将带您深入学习 Multimodal LLM（多模态大语言模型） 的核心技术，全面解析 AI 如何同时理解 文字与图像，以及这一技术如何推动下一代 AI 应用的发展。

本次课程将系统介绍：

✅ 为什么多模态是未来 AI 的核心方向

✅ CLIP 与 Vision Transformer (ViT) 如何让模型“看懂”图片

✅ LLaVA、GPT-4V、Gemini 等主流多模态模型架构解析

✅ 多模态模型训练流程与 Vision-Language Alignment 技术

✅ OCR、Document AI、图表分析、Visual QA 等企业级应用场景

✅ 开源与商业模型的能力、成本及部署方案比较

如果您希望成为 AI Engineer / LLM Engineer，未来不仅需要掌握文本模型，更需要理解多模态 AI 的设计与实现。本课程将帮助您建立完整的多模态技术体系，理解目前业界最先进模型背后的设计思想，并掌握实际项目中的技术选型。

欢迎参加本周 Webinar，与我们一起进入 AI 的下一个时代——让模型不仅能够思考，更能够“看见”世界。