AI Engineering Bootcamp: Building AI Applications (LangChain, LLM APIs + more)

AI工程训练营：构建AI应用（LangChain、LLM API及更多）
学习使用LLM API及前沿工具（包括LangChain/LangSmith/LangGraph）开发AI应用。这是新时代程序员的开发者培训，助你通过实践成为生成式AI工程师——不仅是AI使用者，更是AI构建者。

课程从提升Python技能开始，掌握模块化代码构建、API处理与数据操作。随后深入大语言模型（LLM）世界：理解运行原理、训练机制，并通过高级提示工程实现高效交互。

实战阶段将学习使用OpenAI和Gemini API构建实用AI应用，涵盖聊天、图像及音频功能。进一步掌握LangChain框架实现提示链与智能体构建，通过LangGraph编排多步骤工作流。运用嵌入技术与向量数据库为应用添加记忆功能，并利用LangSmith调试和扩展生产级系统。

课程注重实践：你将构建聊天机器人、智能图像工具、搜索驱动的问答系统等。最终通过毕业项目整合所有技能，开发能运用检索、工具与推理能力生成真实数据高质量摘要的研究智能体。

从AI实验到AI工程化——这就是你的进阶之路。

课程时长：18.5小时 1920X1080 mp4 语言：英语+中英文字幕 （精译）含课程文件

课程亮点
• 运用OpenAI和Gemini API开发实用AI应用
• 通过工程化技术构建高效提示词
• 开发聊天机器人、语音应用和图像生成工具
• 使用LangChain创建具备记忆与工具调用能力的智能体
• 结合嵌入技术与RAG实现智能搜索与问答
• 通过LangGraph和LangSmith构建多步骤智能体
• 分析、调试与优化LLM驱动型应用
• 从零打造全功能AI研究助手

AI Engineering Bootcamp: Building AI Applications (LangChain, LLM APIs + more)。Learn to build AI applications using LLM APIs and cutting edge tools including LangChain, LangSmith, and LangGraph. This is developer training for the new era of programming. This course is your hands-on path to becoming a Generative AI engineer…someone who doesn’t just use AI, but builds with it.

You’ll start by leveling up your Python skills, mastering how to structure modular code, handle APIs, and manipulate data. Then, you’ll dive deep into the world of large language models (LLMs)—how they work, how they’re trained, and how to talk to them effectively through advanced prompt engineering.

From there, it’s all about application. You’ll learn how to build real-world AI-powered apps using the OpenAI and Gemini APIs—working with chat, image, and audio features. You’ll go even further by learning frameworks like LangChain for chaining prompts and building agents, and LangGraph for orchestrating stateful, multi-step workflows. You’ll give your apps memory using embeddings and vector databases, and learn to debug and scale production-ready systems with LangSmith.

And it’s not just theory. Throughout the course, you’ll build chatbots, intelligent image tools, search-driven Q&A systems, and more. The final capstone brings everything together as you build a research agent that uses retrieval, tools, and reasoning to generate high-quality summaries of real-world data.

This is how you go from experimenting with AI… to engineering it. What you’ll learn
Use OpenAI & Gemini APIs to build real-world AI applications
Craft effective prompts using proven engineering techniques
Build chatbots, voice apps, and image generation tools
Use LangChain to create agents that use memory and tools
Work with embeddings & RAG for smarter search and Q&A
Build multi-step agents with LangGraph and LangSmith
Analyze, debug, and improve LLM-powered apps
Build a full-featured AI Research Assistant from scratch

Build a Conversational AI Agent with Gemini API
Create a chat-based AI assistant using Google’s Gemini API. Learn how to handle conversations, stream responses, and build a responsive, real-world chatbot interface.

What you’ll build

The best way to learn about AI is to actually build AI applications. Not just watch endless tutorials. That’s why a key part of this course is the real-world projects that you’ll build. Plus they’ll look great on your portfolio. Build a Conversational AI Agent with Gemini API Create a chat-based AI assistant using Google’s Gemini API. Learn how to handle conversations, stream responses, and build a responsive, real-world chatbot interface. Build a Healthy Daily Meal Planner with OpenAI API Use the OpenAI API and DALL·E to generate a full day of healthy meals, complete with recipes and original images. Learn prompt design and multi-modal AI workflows. Build a Q&A App for Private Documents using RAG and LangChain Build a smart Q&A system that answers questions from your own private documents using LangChain, embeddings, and vector databases for powerful, retrieval-based reasoning. Build an AI Essay Writer and Reviser using LangGraph Design an AI essay writer that reflects, revises, and improves its drafts. Learn how to build iterative, agentic workflows with LangGraph and custom logic. Build a Master Research Agent with LangGraph, GPT-4o, RAG, Pinecone, ArXiv, and Google SerpAPI Build a full-stack research assistant that finds, summarizes, and structures insights from ArXiv and the web—powered by GPT-4o, LangGraph, RAG, and real-time tools. + 4 more exciting projects to practice your new skills

课程目录：

1. AI工程训练营：使用LLM API、LangChain等构建AI应用！使用Jupyter Notebook
2. 使用Jupyter Notebook
3. 使用虚拟环境（venv）
4. Python中requests和httpx库入门
5. 处理HTTP错误
6. 管理HTTP认证和请求头（OpenAI API）
7. 环境设置：Jupyter Notebook与Pandas
8. Pandas Series和DataFrames简介
9. 导入和导出数据：处理CSV文件
10. 将数据导出为不同格式（Excel、JSON、SQL、YAML）
11. 修改数据：添加与删除列和行
12. 使用df.iloc[]和df.loc[]访问数据
13. 使用df.sample()和df.head()进行数据抽样与预览
14. 过滤数据：掩码(Masks)与pandas.Series.between()
15. 排序数据：理解Pandas排序方法
16. 处理缺失数据
17. 数据聚合与分组
18. 项目：分析网站流量数据
19. Pandas中的时间序列数据操作
20. LLM与生成式AI基础
21. 词元(Tokens)、上下文窗口与成本
22. 探索LLM API：AI即服务
23. OpenAI Playground、Google AI Studio与Anthropic Workbench
24. LLM的挑战与局限
25. AI现状与未来——优势与弊端
26. 预训练数据（互联网）
27. 词元化(Tokenization)
28. 训练神经网络
29. 训练后监督微调（SFT）与强化学习（RL）
30. 强化学习（RL）
31. 通过RL变得比人类更强大：AGI与ASI
32. 人类反馈强化学习（RLHF）
33. 如何应对幻觉(Hallucinations)问题
34. 使用工具：互联网搜索、代码解释器与深度搜索
35. 核心思想回顾（核心摘要）
36. 使用Python Dotenv进行OpenAI认证
37. 聊天补全(Chat Completions)端点
38. 开发者消息
39. 流式传输API响应
40. 使用本地Base64图像作为输入
41. 使用在线图像作为输入
42. 聊天补全API参数：Temperature（温度）与Seed（种子）
43. 聊天补全API参数：Top P、Max Tokens、Penalties（惩罚）
44. 深入OpenAI推理模型（o1与o3）
45. 推理模型提示的最佳实践
46. 使用Whisper进行转录
47. 使用Whisper进行翻译
48. 文本转语音（TTS）API
49. 使用DALL-E 3生成原创图像
50. 使用DALL-E创建图像变体
51. 使用DALL-E编辑图像
52. 提示工程入门
53. 策略1：使用分隔符清晰定位指令
54. 策略2：为上下文提供详细指令
55. 策略3：使用富文本格式（RTF）
56. 策略4：少样本提示（Few-Shot Prompting）
57. 策略5：指定完成任务所需的步骤
58. 策略6：给予模型思考时间
59. 其他更优提示的策略与原则
60. 使用防护(Guarding)避免幻觉
61. 总结
62. 项目介绍
63. 使用OpenAI API创建每日膳食计划
64. 创建提示
65. 运行程序
66. 使用DALL-E为食谱生成原创图像
67. 使用文本转语音模型为餐食配音
68. 设置Python SDK并进行Gemini API认证
69. 根据文本提示生成文本
70. 流式传输Gemini响应
71. 根据图像生成文本
72. Gemini API生成参数：控制模型生成响应的方式
73. Gemini API生成参数详解
74. 构建聊天对话
75. 项目：使用Gemini Pro构建对话智能体
76. 系统指令
77. 文件API：使用媒体文件进行提示
78. 词元(Tokens)
79. 使用音频提示
80. 项目需求
81. 构建应用程序
82. 测试应用程序
83. Streamlit：将Jupyter Notebook转换为交互式Web应用
84. 使用Streamlit创建Web应用布局
85. 使用Streamlit会话状态保存和显示历史记录
86. 练习：冒名顶替综合症
87. 项目介绍
88. 使用生成器获取图像
89. 使用Gemini重命名图像
90. LangChain演示
91. LangChain简介
92. 使用OpenAI模型
93. 缓存LLM响应
94. LLM流式传输
95. 提示模板(Prompt Templates)
96. 聊天提示模板(ChatPromptTemplate)
97. 理解链(Chains)
98. 安装Gemini的Python库并进行Gemini认证
99. 将Gemini与LangChain集成
100. 使用系统提示并启用流式传输
101. 多模态AI与Gemini
102. LangChain工具：DuckDuckGo和Wikipedia
103. 创建ReAct智能体
104. 测试ReAct智能体
105. OpenAI文本嵌入(Embeddings)入门
106. 生成简单嵌入
107. 为相似性搜索嵌入数据集
108. 使用Tiktoken估算嵌入成本
109. 执行语义搜索
110. 项目介绍
111. 加载您的自定义（私有）PDF文档
112. 加载不同格式的文档
113. 公共和私有服务加载器
114. 分块策略与文档分割
115. 向量存储(Vector Stores)入门与Pinecone认证
116. 使用Pinecone索引(Indexes)
117. 处理向量(Vectors)
118. Pinecone命名空间(Namespaces)
119. 嵌入并上传至向量数据库（Pinecone）
120. 提问并获取答案
121. 使用Chroma作为向量数据库
122. 为RAG系统添加记忆（聊天历史）
123. 使用自定义提示
124. 智能体(Agents)与ReAct简介
125. 创建智能体类
126. 创建ReAct提示
127. 创建工具(Tools)
128. 测试智能体
129. 自动化智能体
130. LangGraph概念与核心组件
131. 构建聊天机器人
132. 可视化图(Graph)
133. 运行聊天机器人
134. Tavily AI
135. 使用工具增强聊天机器人
136. 为聊天机器人添加记忆
137. 反思(Reflection)入门
138. 生成(Generate)
139. 反思与重复(Reflect and Repeat)
140. 定义图（第1部分）
141. 定义图（第2部分）
142. 运行应用程序
143. LangSmith入门
144. 设置LangSmith
145. 使用LangSmith进行追踪(Tracing)
146. 追踪反射式智能体应用
147. 项目概述
148. 定义智能体状态和提示
149. 实现智能体与节点(Nodes)
150. 定义条件边(Conditional Edge)
151. 定义图(Graph)
152. 运行应用程序
153. 使用LangSmith追踪应用
154. 注意
155. 应用概述
156. 使用Pandas从ArXiv提取数据
157. 下载研究论文
158. 加载、分割和扩展数据
159. 为RAG构建知识库
160. 创建Pinecone索引
161. 加载知识库并部署至Pinecone
162. 开发自定义工具
163. 实现ArXiv获取工具
164. 使用Google SerpAPI解锁网络搜索
165. 构建Google SerpAPI工具
166. 创建RAG工具
167. 实现最终答案生成工具
168. 初始化Oracle LLM
169. 测试生态系统
170. 构建决策管道
171. 定义智能体状态
172. 定义图(Graph)
173. 生成报告
174. 构建最终研究报告
175. 项目总结
176. 理解Python模块
177. OS模块
178. 高级导入技术与最佳实践
179. 使用 name == “main” 实现模块化与可重用代码
180. 使用pip掌握Python包管理
181. 感谢！