此前从事非 AI 岗位
已有积累：软件开发、数据、产品、业务流程或行业经验，都可以成为理解真实问题的起点。
补齐能力：编程与系统基础、LLM / Agent、工具与数据接入、部署、测试及运行维护。
目标方向：全栈 AI 应用研发，或结合行业经验承担 FDE 场景落地与技术交付。
Fullstack AI Engineer
& FDE Training Program
职业转型与能力进阶 · Career Transform & Upgrade
By Parallight Inc, San Mateo, CA.
把你的经验，
升级为 AI 时代的职业竞争力。
系统学习、真实项目、持续打磨。
从全栈 AI 系统构建，到客户与业务现场交付。
Build something that really matters.
10周项目集训 | 半年项目陪跑 | 1对1全程项目定制
半年陪跑与项目定制适用于「项目落地与半年陪跑方案」，报名交流时确认
Fullstack AI Engineer & FDE · Agentist01 / 41
中国与硅谷湾区，正在招聘怎样的 AI 工程师？
从具体招聘样本，看薪资、经验与交付要求。
| 公开岗位 · 地点 | 招聘薪资 | 经验与具体要求 |
|---|---|---|
| 中国 · Agent 全栈工程师TT 语音 / 趣丸科技 · 广州 [1] | ¥20–40K / 月15 薪 | 3 年以上软件研发；Agent 工具与任务编排、权限、部署与反馈迭代。 |
| 中国 · AI FDE帆软软件 · 杭州 [2] | ¥20–40K / 月14 薪 | 本科，招聘页标注经验不限；深入客户现场，将业务需求转成可落地的 Agent 方案并交付。 |
| 湾区 · Fullstack / AI EngineerPoka Labs · 旧金山 [3] | US$180–240K / 年股权另列 | 岗位标题要求 4+ 年经验；前后端、生产级 Agent、ERP / CRM 集成、客户流程与可靠性。 |
| 湾区 · FDE, AI InfraOpenAI · 旧金山 [4] | US$185–300K / 年基本工资；股权另计 | 5 年以上工程 / 技术交付经验；客户协作、生产部署、可复现评测；可能需最多 50% 出差。 |
这些岗位重视的，是把 AI 接入实际系统，并对结果持续负责的能力。
来源：[1] 企业招聘 · 牛客 [2] 企业招聘 · BOSS 直聘 [3] Poka Labs · YC [4] OpenAI Careers
核查日期：2026-10-28。K = 千；中国为人民币月薪及所列发薪月数，美国为美元年薪。仅为不同资历的招聘样本，不是行业平均，也不代表培训后薪资或录用承诺；以招聘方最新说明为准。
Fullstack AI Engineer & FDE · Agentist02 / 41
Fullstack AI Engineer、FDE，与传统 AI 岗位有何不同？
理解能力范围与交付责任，才能判断自己的进阶方向。
| 比较维度 | 传统 AI 岗位 以算法 / 建模岗位为例 | Fullstack AI Engineer 全栈 AI 工程师 | FDE Forward Deployed Engineer · 前线部署工程师 |
|---|---|---|---|
| 工作重心 | 数据、算法、训练与模型评测 | 把模型、Agent、前后端与数据连成完整系统 | 进入客户现场，解决业务与技术之间的落地问题 |
| 主要交付 | 模型、实验结论、算法组件与指标 | 可运行、可维护、可持续迭代的 AI 应用 | 接入现有环境、通过验收并被实际采用的方案 |
| 核心能力 | 统计与建模、数据质量、训练和实验设计 | 软件架构、Agent 编排、接口、部署、测试与观测 | 需求澄清、数据权限、系统集成、试点与交付沟通 |
| 如何证明价值 | 实验可复现，模型指标达到目标 | 功能有效，质量、成本与稳定性可验证 | 实际任务完成，客户使用，交接与持续运维可执行 |
从“我实现了一个模型”，走向“我能把 AI 系统做出来，并让它被用起来”。
上表为依据前页招聘要求整理的能力比较。岗位名称与职责存在交叉；传统 AI 也包含应用、平台和系统岗位，并非仅做算法。两条新路径都需要扎实工程能力，不能只靠工具操作。
Fullstack AI Engineer & FDE · Agentist03 / 41
我们自己的案例 I：OpenLabs：全栈 AI 系统实践
OpenLabs：让 AI 讲授、执行实验，并把结果带回学习过程。
AI 智能白板
把知识讲解、自动绘图、可运行代码与反馈串起来，让学习者改变条件、重复实验。
自动实验与环境管理
调度 CPU / GPU 与运行环境，执行实验、收集日志和结果，再据此推进下一步。
从项目里带进课堂的方法
DSL、层级结构、纯函数、State Machine：让 Agent 的生成和执行有清晰边界。
上千个累计管理的运行环境
100+ 门AI 智能白板讲授的课程
解释 → 执行 → 验证让学习与实验形成闭环
规模信息由项目负责人提供，按累计口径；不表示同时在线规模。产品画面来自 OpenLabs 项目材料。
Fullstack AI Engineer & FDE · Agentist04 / 41
我们自己的案例 II：KeploreAI：让工业视觉模型训练自动运行
客户实践 · 帮助某机器视觉设备生产商，构建端到端的全自动模型训练 Agent 系统。
Image 为原图，GT 为人工标注；公开数据集图片，非客户数据或本系统检测结果。
从专业软件操作，到 Agent 驱动的工作流程
自动完成模型训练，
释放工程师的工作带宽。
在客户的部分视觉任务中，替代原有 HALCON 工作流程，让工程师减少重复操作，把精力投入问题分析与方案验证。
FDE 的核心实践：把训练方法、执行工具、GPU 环境与设备接口整合成可运行的客户系统。
客户实践与成效由项目负责人提供；HALCON 替代范围限于该客户的部分任务。
系统实现结构数据与任务 → 自动训练 → 评测反馈 → 模型与设备接口
01 · Skills 构建沉淀训练方法
→
任务知识 · 操作规范
02 · Tools 优化封装执行工具
→
数据处理 · 训练与评测
03 · Agent 流程编排训练任务
→
步骤 · 状态 · 反馈迭代
04 · Runtime 管理管理运行环境
→
GPU · 依赖 · 任务生命周期
05 · 软硬件整合连接实际设备
模型接口 · 设备协议
结构图为工程环节示意。配图：Huang、Qiu、Yuan，Magnetic Tile Defect Dataset · “Saliency of magnetic tile surface defects” ↗
Fullstack AI Engineer & FDE · Agentist05 / 41
导师 | 高老师（Marvin Gao）
教育、学术与 AI 工程
教育经历
毕业于浙江大学和约翰霍普金斯大学计算机科学系。
论文发表
曾在 AAAI、ICRA 等国际会议，以及 TPAMI、JMLR 等学术期刊发表论文。
IBM · AI Scientist
担任项目技术负责人，完成多项企业 B2B AI 项目，包括 PCB 智能化、银行运钞车调度、金融智能客服系统等。
创业与商业化经历
浙江大学期间 · 创业起步
获得浙江大学创业比赛金奖，并获得学校启动资金。
2019 · 企业收购
创立的教育企业被北京一家独角兽企业收购，并成为该企业合伙人。累计培养超过 2,000 名 AI 工程师，分布于全球知名企业。
2025 · KeploreAI 开普勒人工智能
赴美后创办 KeploreAI，获得硅谷投资，投后估值 1,600 万美元。
2026 · Agentist + OpenLabs
在硅谷推进 Agent System 创业，Agentist 与 OpenLabs 累计付费用户超过 500 人。
Fullstack AI Engineer & FDE · Agentist06 / 41
职业升级的关键：做出经真实场景检验的 AI 系统
从工具使用与局部实现，走向端到端交付：
能构建，能验证，能维护，能持续负责。
Demo
能演示一个想法
真实可用的 AI 系统
稳定运行 · 可维护 · 可扩展
Fullstack AI · FDE技术系统课 + 产品系统落地课 + 1对1指导
从会做演示，到能交付系统工程深度 · 真实约束 · 交付证据
课程负责人高老师的独特优势
8年的创业经验 | 10年的 AI工程经验 | 13年的AI科研经验用持续实践，建立能被看见的职业能力
项目指导方案：第 2 周起，每周至少一次可预约交流
第 2 周 · 定项目
明确问题、使用者与验收目标
项目定义与验收清单第 8 周 · 首版上线目标
完成核心闭环，供用户试用
部署链接与测试记录第 10 周 · 验收与迭代
验证可靠性、成本与反馈
验收报告与迭代计划半年 · 持续使用与迭代
持续验证价值，按目标发展
实验、使用与业务反馈
项目指导适用于 US$1,180 / US$1,880 方案；首版目标一对一约定。半年陪跑仅含于 US$1,880 方案。
Fullstack AI Engineer & FDE · Agentist07 / 41
把已有经验，转化为 AI 时代的职业竞争力
对希望转入 AI 的专业人士，以及希望扩大影响力的 AI 从业者，这是值得认真投入的职业升级方向。
此前已从事 AI 岗位
已有积累：模型、算法、实验与数据经验，为系统的效果判断提供基础。
延伸能力：前后端与服务架构、Agent Runtime、可观测性、成本性能，以及客户系统集成。
目标方向：从局部模块推进到完整系统与场景交付，承担更大范围的技术与业务责任。
共同的进阶产出：一套能接受真实检验的 AI 系统
结合个人背景选题 → 端到端构建 → 测试与部署 → 真实使用反馈 → 持续优化与复盘。
转型路径取决于原有基础、投入与岗位要求。非技术背景需要补足编程和软件工程能力；课程与项目实践不等同于录用、职级或薪资保证。
Fullstack AI Engineer & FDE · Agentist08 / 41
职业竞争力：用真实系统与个人贡献说话
AI 可以快速生成简历、代码与项目介绍。重复性的项目经历，越来越难体现一个人的能力。
真正有分量的，是你反复打磨、
经真实场景检验的 AI 系统。
在真实场景中接受检验
让真实用户完成真实任务。用测试结果、使用反馈与前后对比，说明系统解决了什么问题、带来了什么改变。
在持续迭代中建立深度
把架构、数据、部署与运维做扎实。保留 GitHub 代码、失败记录与优化过程，呈现自己的判断和实际贡献。
形成有辨识度的代表作
结合自己的领域经验，做出独特、可维护的系统。简历与 LinkedIn 指向真实成果，面试中讲清设计取舍与验证过程。
全职集中投入最快约 2–3 个月
兼顾工作或学业通常至少半年
越容易“速成”的经历，
越难形成长期竞争力。
这是我们对项目打磨的投入预期，实际进度取决于基础与项目范围。10 周集训建立基础，半年陪跑适用于对应方案；求职结果取决于项目质量与招聘要求。
Fullstack AI Engineer & FDE · Agentist09 / 41
能力地图：全栈 AI 构建 + FDE 场景交付
10 周技术系统课 + 6 周产品系统落地课，在 10 周集训中组合推进；以真实项目积累工程与交付能力。
技术系统线
AI Agent Native Development
T01–T04 · 多 Agent 协作、MCP、工具与硬件
做出可运行、可部署的原型Complexity Management
T05–T08 · 状态机、DSL、分层接口与验证
把复杂行为变得可控、可测、可追踪Performance & Robustness
T09–T10 · 模型服务性能、Token 工厂与运维
让产品稳定运行，并持续优化成本产品系统落地线
问题识别与系统接入
B01–B02 · 行业判断、真实问题与系统接入
明确接入位置、范围与验收目标试点验证与使用推广
B03–B04 · 效果与成本、试点与使用推广
用试点验证效果、成本与采用障碍行业落地与持续交付
B05–B06 · 持续交付、行业问题与应对
形成可维护、可迁移的行业落地方案3 个系统级项目练习
Enterprise AI Agent / LLM-Server / Embodied AI
提供 GPU、训练环境、数据集、模型、自动测评系统及项目指导。
持续 6 个月的 1 对 1 定制项目陪跑
围绕你希望构建的项目，推进设计、开发、上线与迭代。
适用于项目落地与半年陪跑方案。
Fullstack AI Engineer & FDE · Agentist10 / 41
课程结构：技术系统课 + 产品系统落地课
T 系列建立全栈 AI 工程能力；B 系列训练 FDE 需要的问题识别、系统接入、试点验证与持续交付。两条线分开介绍。
T 系列
技术系统课
T01–T04：Agent 开发、工具协作与硬件
T05–T08：状态机、DSL、系统设计与验证
T09–T10：模型服务、Token 工厂与运维
构建能运行、可验证、可维护的 AI 系统B 系列
产品系统落地课
B01–B02：行业机会、真实问题与已有系统接入
B03–B04：效果成本、试点反馈与使用推广
B05–B06：持续交付、行业典型问题与应对方案
把系统接入真实场景，验证效果并持续改进完整课纲与学习资源 · 9 次项目构建练习 · 20 门选修课程精选
Fullstack AI Engineer & FDE · Agentist11 / 41
AI Agent Native Development
技术系统课 · T01–T04
阶段产出
能够组织多 Agent 协作，接入模型、工具与 MCP，将一个想法或开源项目改造成可运行、可部署的 AI 应用，并将 AI 控制延伸到硬件或仿真环境。
- 修改并上线带自定义功能的 VS Code 在线版本，通过 MCP 调用部署工具。
- 构建本地 Agent + MCP Server 的视频合成、剪辑与发布流程。
- 完成可自主学习的智能小车实践，采用实体或仿真方式。
Fullstack AI Engineer & FDE · Agentist12 / 41
T01 · 研发范式的改变：用 AI 构建与运营复杂产品
本节内容
- 从使用 AI 编写代码，到组织 Agent 完成产品研发、部署、运维、市场调研与用户分析：以 OpenLabs 为案例，展示一个复杂系统如何被拆解、推进并持续迭代。
- 示例：用 AI 动态管理服务器、数据库与 GPU 的配置、部署和运行；从任务需求出发调动资源，读取日志、处理故障并验证结果，展示从“回答问题”到实际执行的完整闭环。
- 从第一性原理理解 Agent 系统：当前 AI 能完成什么、不能完成什么，哪些任务容易、哪些任务难，能力边界与难度来自哪里；为什么演示成功不等于稳定交付。
- Jev 与 World Model 的实现原理与应用分析：理解模型结构、训练目标与推理机制，结合 NanoJev 分析快速决策，讨论世界模型如何用于状态预测与规划，以及与 Agent 的结合方式。
- 这种研发范式如何影响工作方式、岗位需求与产品研发？讨论从单项职责到完整交付的角色变化，以及人与 Agent 的分工和协作。
- 如何在这次技术变革中建立技术优势？结合复杂产品的开发过程，识别仍需积累的工程判断、任务组织与验证能力，持续提升自身价值。
Fullstack AI Engineer & FDE · Agentist13 / 41
T02 · 面向 Agent 的开发：任务组织、MCP 与多 Agent 协作
本节内容
- 如何选择开发起点？判断哪些项目适合二次开发、哪些需要从头开始；根据改造范围和维护成本确定任务边界。
- 什么是面向 Agent 的开发？将软件能力设计成 AI 可以发现、调用和检查的接口，让 Agent 成为产品的实际使用者。
- MCP、Skills 与 Agent-to-Agent 协议如何分工？分别理解工具接入、可复用操作指引与 Agent 间协作，避免混用概念。
- 如何用 Specification 组织开发？表达需求、拆分任务、约定接口与验收标准，让 Agent 知道做什么、如何判断完成。
- 如何高效实现自己的 MCP Server 和 Tool？设计工具职责、输入输出、调用反馈与错误处理，将已有程序能力开放给 Agent。
- Routine、Hooks 与云端 Project 如何管理持续任务？组织项目上下文、事件触发和可重复执行的流程。
- 多 Agent 如何实际协作？组织 Codex、Claude 与多个 session 并行开发，交接上下文、协调任务依赖、检查并集成成果；练习权限边界、冲突处理与失败恢复。
Fullstack AI Engineer & FDE · Agentist14 / 41
T03 · 现代 Agent、AI 工具与能力全景概览
本节内容
- 主流模型与服务如何选型？以 Claude Fable、Claude Opus、GPT Extra、GPT 6.1 Soul、DeepSeek、Gemini、Kimi、GLM 为例，比较适用任务、能力边界、成本与接入方式。
- 什么是决策模型？以 Jev 为例，理解如何使用决策模型，并把它接入产品的决策流程。
- 多模态能力如何组合？梳理图像生成、视频生成与合成、语音合成、自动作曲和剪辑工具，以社交媒体视频制作为例串联完整流程。
- 如何让 AI 获得并操作外部信息？结合浏览器自动操作、API、订阅与定时采集，持续获取数据并保持信息更新。
- World Model、Physical AI 在解决什么问题？理解其核心用途、应用边界，以及与生成内容、执行工具和控制物理设备的区别。
- 如何把能力选型变成产品方案？分析现代 AI 工具带来的技术产品变化，按任务、效果、成本和接入条件组合模型与服务，明确哪些能力直接接入、哪些部分需要自己实现。
Fullstack AI Engineer & FDE · Agentist15 / 41
T04 · AI 控制硬件
本节内容
- 嵌入式与板卡开发的基本原理：以 Arduino、树莓派为例，理解板卡如何运行程序、连接外设并与外部系统通信。
- 传感器与执行器的工作原理：如何采集环境信息，以及如何驱动电机等设备执行动作。
- AI 控制硬件的两种路径：由 AI 编写控制代码并运行；或让 AI 模型根据观测进行决策，再由控制程序执行动作。
- 复杂场景如何仿真：介绍 ROS 与 Gazebo，了解机器人系统的组织方式，以及仿真环境中的传感器、执行器与任务。
- 如何让 AI 配置、启动、控制和管理 ROS 与 Gazebo，运行实验、读取反馈并调整方案。
Fullstack AI Engineer & FDE · Agentist16 / 41
Complexity Management
技术系统课 · T05–T08
阶段产出
能够将复杂、难以控制的 AI 程序重构为有状态约束、清晰接口和验证机制的系统，让人能够监督 Agent、定位问题，并用测试证据判断输出是否可信。
- 用状态机优化 AI 销售流程，用自定义 DSL 控制视频、3D 或游戏生成。
- 以 OpenLabs 为例完成分层重构，加入权限、可观察反馈与故障隔离。
- 提交不变量、自动化测试与模拟环境验证结果，说明通过条件与尚未覆盖的边界。
Fullstack AI Engineer & FDE · Agentist17 / 41
T05 · 数据结构与操作系统思想：优化 AI Native 开发架构
本节内容
- State Machine 状态机如何管理复杂逻辑与复杂 AI 逻辑？以 AI 销售、AI 助理为例，组织状态、事件与任务流程。
- 如何通过不变量（Invariant）管理复杂程序？什么是纯函数、什么是副作用？以 AI 绘图程序为例，让 AI 重构代码，消除不必要的副作用，将必要的输入输出与核心逻辑分离。
- 前缀、共享结构、递归与分形分别起什么作用？讨论它们如何帮助组织序列任务与流式任务，以及适用边界。
- 如何选择搜索方案？比较 RAG、动态 Memory 管理与动态 Context 管理的区别、配合方式及适用场景。
Fullstack AI Engineer & FDE · Agentist18 / 41
T06 · 如何通过自建程序设计语言管理复杂逻辑与复杂任务
本节内容
- 什么是领域专用语言（Domain-Specific Language，DSL）？如何用面向特定领域的表达方式描述任务与逻辑。
- 自定义程序设计语言在控制复杂任务中的优势和意义：明确表达规则、约束执行方式，并连接任务描述与实际执行。
- 比较现有的各种 DSL：它们各自的优点、特点、不足与适用范围。
- 如何借助 AI 快速、高效地设计并实现自己的程序设计语言，包括语法、语义、解析、校验与执行。
- 以 AI 自动 PPT 创作、AI 自动绘图和自动游戏构建程序为例，分析 DSL 在其中的作用与价值。
Fullstack AI Engineer & FDE · Agentist19 / 41
T07 · Agent 驱动的复杂 AI 系统的 System Design
本节内容
- 基于实际案例，分析软件架构设计在 Agent 开发中的作用与意义：如何通过模块化、依赖关系设计与系统质量保证，避免局部功能不断堆叠、整体系统逐渐失控。
- 以自动绘图、文档书写与解析程序为例，如何通过重构为多层结构优化程序性能，管理系统复杂性。
- 类似 TCP/IP 的分层协议，对开发复杂系统、管理复杂任务有什么意义和借鉴价值？如何划分层次、定义接口并约束跨层调用。
- 什么时候该重构，如何高效重构？讨论 Agent 驱动的开发为什么更需要持续重构，以及重构范围、渐进迁移、行为保持、回归检查和回滚等注意事项。
- 如何给 AI 增加可观察状态、可反馈信息与可复现条件？结合 Langfuse、自建 AI 调用看板和 AI 状态机可视化三个示例。
- 如何管理 AI 可执行操作的权限？明确工具、数据和环境的访问边界，为关键操作设置必要的授权与审计。
- 如何管理多 Agent 的上下文与任务依赖？协调并行任务、解决修改冲突、集成成果，避免各自完成的局部实现破坏整体架构。
Fullstack AI Engineer & FDE · Agentist20 / 41
T08 · Agent 系统的验证：如何解决 Agent 的幻觉问题，如何相信自己 Agent 产出的东西
本节内容
- 什么是不变量（Invariant）？如何引入并检查不变量，约束程序执行的正确性；区分事实幻觉、逻辑错误、工具失败与业务违例，用来源、测试和实际状态核验。
- 黑盒与白盒测试：比较外部行为验证与内部实现检查，理解各自的作用、覆盖范围与边界。
- 端到端自动化与模拟用户测试：通过实际界面执行完整流程，覆盖异常路径，检查可观察结果并记录可复现的失败轨迹。
- 形式化验证：用 Lean 证明小型程序性质与不变量，检查规格和假设；局部证明不代表整个产品正确。
- 现实验证：用真实环境、传感器或独立测量检查执行结果，对比仿真与实测，明确误差和适用边界。
- 模拟环境：如何定义任务、状态、动作与反馈，建立有效的模拟环境；通过真实数据校准、扰动与边界测试减少 Sim-to-Real Gap。
Fullstack AI Engineer & FDE · Agentist21 / 41
Performance & Robustness
技术系统课 · T09–T10
阶段产出
能够把 AI 产品部署为可持续运行的系统：支持并发模型调用、按需调度 CPU / GPU 与数据库，并以实测数据优化性能、调用成本和运行可靠性。
- 部署 SGLang + Qwen 服务，提交优化前后的吞吐、延迟与显存压测报告。
- 构建「Token 工厂」，统一管理供应商路由、密钥、配额与调用预算。
- 打通自动部署、健康监控、备份与回滚，演示故障恢复和资源回收。
Fullstack AI Engineer & FDE · Agentist22 / 41
T09 · 模型管理工程与 Token 效率
本节内容
- 如何构建稳定、高效、经济的 Token Server，实现调用请求的自动分配与供应商自动选择。
- 比较商用 API（OpenRouter、Bedrock 等云服务）与开源模型自部署的质量、性能和成本，以 GLM、DeepSeek 等模型为例。
- 在服务端如何为客户高效管理供应商 Token、密钥、配额、模型版本与调用预算。
- 减少无关上下文与重复调用，合理使用缓存、检索、任务拆分和模型路由；在同一验收标准下比较成本、质量与延迟。
- 理解批处理、KV Cache、并发、吞吐与延迟，以及 Flash Attention、RadixAttention。
- vLLM、Ollama 和 SGLang 的模型部署与性能优化。
Fullstack AI Engineer & FDE · Agentist23 / 41
T10 · Token 工厂：构建可持续运行的模型服务系统
本节内容
- 基于 Daytona、Render、DigitalOcean、Vercel、Supabase 和 Cloudflare 的现代化运维部署体系。
- 通过 AI 自动化管理测试、部署、密钥管理与数据库迁移等工作。
- AI 如何进行健康监控、健康检查与数据备份。
- 如何实现版本回滚与自动化部署，并结合 Git、GitHub Actions、Supabase Realtime、Vercel Cron、Render Service 等示例，理解版本管理、CI/CD、实时数据、定时任务和服务运行的分工。
- 通过 Lambda API 自动管理 GPU 资源。
Fullstack AI Engineer & FDE · Agentist24 / 41
问题识别与系统接入
产品系统落地课 · B01–B02
阶段产出
理解行业与使用者，梳理已有系统、数据和流程；确定 AI 接入位置、第一版范围、验收标准及风险边界。
以真实产品与客户交付经历为驱动，拆解实际案例。
把需求、数据、接口、使用者与维护责任纳入方案；与对应阶段的技术系统课结合，完成可验收的项目产出。
Fullstack AI Engineer & FDE · Agentist25 / 41
B01 · AI 如何重塑经济与各个行业：什么值得做，如何避免在流沙上建房子
本节内容
- AI 在各行业发展到哪一步？覆盖医疗 AI、脑机接口、AI4Science（药物、蛋白质、材料、气象）、机器人与具身智能、自动驾驶、工业制造与能源。
- AI 在日常业务中的应用全景：金融、教育、法律、电商、内容创作、软件研发与企业运营；比较它们解决的问题、实际使用者与落地条件。
- 如何判断发展阶段？按具体场景区分研究验证、临床或业务试点、有限部署与规模化应用；以脑机接口试验、获准上市的医疗 AI 设备、AlphaFold 科研工具为例，比较能力证据、数据、监管、成本与可靠性门槛。
- AI 如何改变生产成本、竞争、定价与价值分配？
- 理解 AI 的“锯齿状技术前沿”：区分演示能力与可靠交付。
- 模型进步压力测试：如果模型原生支持核心功能，产品还剩什么？
- 识别可积累的价值：客户理解、业务集成、数据、渠道与服务能力。
- 对比案例：通用 AI 文案生成器与特定商家的内容运营系统。
Fullstack AI Engineer & FDE · Agentist26 / 41
B02 · AI 在已有系统落地接入、AI 解决真实问题：挑战与问题分析
本节内容
- 先理解现有流程：谁提出需求、谁操作系统、谁承担结果？区分表面诉求与真正的业务问题，建立当前效果、耗时与错误率的基线。
- 已有系统如何接入？盘点 API、数据库、文档、设备与人工环节，识别数据孤岛、历史系统、接口限制和信息不完整的问题。
- 数据与权限有哪些阻力？分析数据质量、更新频率、身份认证、访问范围与敏感信息边界，明确哪些数据与操作可以交给 AI。
- 模型能力如何转化为业务动作？划分确定性程序、AI 判断与人工审批，处理不确定输出、工具失败、重复执行及异常补偿。
- 怎样验证确实解决了问题？把目标写成验收指标和测试集，以只读接入、影子运行、小范围试点逐步推进，并设计回退路径。
- 如何协调交付？与业务、IT、运维和使用者确认范围、责任与依赖；以 KeploreAI 工业视觉项目分析模型、工具、Runtime 与设备接口。
Fullstack AI Engineer & FDE · Agentist27 / 41
试点验证与使用推广
产品系统落地课 · B03–B04
阶段产出
完成效果、成本与延迟的实测；组织小范围试点，收集使用反馈，明确预算、采用障碍与推广条件。
以真实产品与客户交付经历为驱动，拆解实际案例。
把需求、数据、接口、使用者与维护责任纳入方案；与对应阶段的技术系统课结合，完成可验收的项目产出。
Fullstack AI Engineer & FDE · Agentist28 / 41
B03 · AI 系统的成本、效果与交付边界
本节内容
- 拆分模型调用、CPU / GPU、数据库、人工复核与维护成本，按一次成功完成的任务核算，而不只比较 Token 单价。
- 在相同验收标准下比较质量、响应时间与成本，分析轻度、典型和重度使用的负载与预算。
- 哪些步骤值得使用 AI？选择模型路由、缓存、批处理、规则程序与人工处理，避免重复调用和无效自动化。
- 如何约定服务边界？明确支持的任务、输出质量、修改次数、超时与失败处理，以及超预算时的行为。
- 企业或内部项目如何验证收益？比较节省的工时、错误率、处理能力与持续维护成本，区分预期收益和实测结果。
- 商业化项目如何收费？比较按用量、任务、席位、订阅加额度与验收结果收费，用小范围试用验证价格与交付成本。
Fullstack AI Engineer & FDE · Agentist29 / 41
B04 · 让 AI 系统被真正使用：试点、反馈与推广
本节内容
- 确定首批使用者与业务负责人：谁有持续发生的问题，谁能够提供反馈，谁能推动系统进入日常流程？
- 如何设计小范围试点？选择真实任务，缩短首次获得价值的路径，安排培训、反馈入口与人工接管。
- 为什么上线后没人用？分析流程变化、使用成本、信任、激励与责任归属，避免只有演示、没有日常使用。
- 如何收集有效反馈？结合访谈、操作记录、失败案例与完成率，区分功能缺失、可靠性问题和不成立的需求。
- 如何从试点扩大应用？确定进入下一阶段的标准，逐步增加团队、任务与负载，并保留回退和支持机制。
- 公开产品如何找到用户？按需要使用演示、社区、内容、SEO / GEO 与用户推荐，记录“了解—试用—反馈—再次使用”的过程。
Fullstack AI Engineer & FDE · Agentist30 / 41
行业落地与持续交付
产品系统落地课 · B05–B06
阶段产出
形成交付与持续运行手册，针对行业约束设计数据、权限、可靠性与人工接管方案；明确维护责任、预算与扩展条件。
以真实产品与客户交付经历为驱动，拆解实际案例。
把需求、数据、接口、使用者与维护责任纳入方案；与对应阶段的技术系统课结合，完成可验收的项目产出。
Fullstack AI Engineer & FDE · Agentist31 / 41
B05 · AI 系统的持续交付、维护与规模化
本节内容
- 如何定义交付完成？明确验收证据、数据与代码归属、部署配置、操作文档、使用培训和维护责任。
- 怎样把试点变成持续运行的服务？约定监控指标、问题分级、响应流程、模型或依赖更新与变更验收。
- 如何管理交付成本？核算计算、人工支持与维护负担，判断任务量和客户数增长时，成本与质量如何变化。
- 定制需求如何复用？区分通用能力、行业适配和客户配置，管理版本与接口，避免每接一个项目就复制一套难以维护的系统。
- 何时需要扩大团队？根据任务依赖、服务负荷和能力缺口，明确研发、产品、现场交付与客户团队的分工。
- 商业项目如何持续？结合预算、收入、回款与维护承诺制定投入计划；内部项目则明确预算来源与长期负责人。
Fullstack AI Engineer & FDE · Agentist32 / 41
B06 · AI 应用在不同产业中遇到的典型问题及应对方案
本节内容
- 工业制造与机器视觉：缺陷样本稀缺、误检漏检、现场光照变化与设备协议不一致；通过数据分层、独立测试、现场校准与接口适配逐步验证。
- 企业运营、零售与物流：系统割裂、业务口径不一致、重复执行与责任不清；采用流程梳理、权限隔离、幂等操作、人工审批与审计。
- 科研与 AI4Science：数据来源、实验可复现性、计算预算与结论可靠性；保留实验配置、对照组、执行记录与独立验证。
- 医疗、金融与法律：错误代价高、信息敏感、专业责任明确；先界定使用边界，安排专业复核、权限控制与追溯，按场景确认适用要求。
- 教育、内容与 ToC 产品：质量波动、个性化偏差、版权与用户留存；建立样例标准、内容审核、来源记录与真实使用反馈。
- 如何迁移方案？比较各行业的错误成本、数据条件、实时性与接管要求，识别可复用的系统结构和必须重新验证的行业假设。
Fullstack AI Engineer & FDE · Agentist33 / 41
免费选修课程 · 1/2
超过 50 门课程，以下精选 20 门；配套源代码实验、计算环境与持续答疑。
01 · LLM Agents：从推理到智能体系统
来源：参考 Berkeley LLM Agents 公开课框架
02 · Agent 第一性原理：循环、上下文与 harness
来源：参考 Thorsten Ball、OpenAI Codex agent loop 与 Anthropic 上下文工程文档
03 · Agentic 设计模式（一）：提示链、路由与并行
来源：参考 Antonio Gulli《Agentic Design Patterns》第 1–3 章
04 · Agent 工程：循环、状态图与自我改进
来源：参考 Anthropic、12-Factor Agents 与 LangChain Academy
05 · 给 Agent 装能力：工具、Skill 与 MCP
来源：参考 Hugging Face MCP Course、MCP 规范与 Anthropic Agent Skills
06 · 评测 LLM Agent：pass@k、模型评委与可靠性
来源：参考 Anthropic 评测文档、τ-bench 与 LLM Evals FAQ
07 · 从零构建大语言模型
来源：参考 Stanford CS336 课程框架
08 · 从数词频到大模型
来源：OpenLabs 自编学习路线与实验
09 · 精读《深度学习》：网络怎样一层层学出有用的表示
来源：独立解读 Goodfellow、Bengio、Courville《Deep Learning》
10 · 手写自动微分引擎：造你的迷你 PyTorch
来源：OpenLabs Academy 自动微分课程；参考《Deep Learning from Scratch》等
OpenLabs 整理或独立开发；高校名称为参考框架。所列 Canvas 课程已开放首章实验，后续章节持续更新。
Fullstack AI Engineer & FDE · Agentist34 / 41
免费选修课程 · 2/2
超过 50 门课程，以下精选 20 门；配套源代码实验、计算环境与持续答疑。
11 · 扩散与流匹配：生成模型从零
来源：OpenLabs Academy 生成模型课程整理
12 · 生产环境的 LLM 推理服务：指标、成本与扩缩容
来源：参考 BentoML / Modular 推理手册、Google Cloud GKE 与《Inference Engineering》
13 · 精读《AI 系统性能工程》：让 GPU 的每一秒都干有用的活
来源：独立解读 Chris Fregly《AI Systems Performance Engineering》
14 · GPU 并行编程：从 SIMT 到写出快的 kernel
来源：参考 Kirk & Hwu《Programming Massively Parallel Processors》等
15 · 机器学习工程化：从模型到生产系统
来源：参考 CMU ML in Production 课程框架
16 · 具身智能：让程序长出身体，在世界里把事做成
来源：OpenLabs Academy 具身智能课程与模拟实验
17 · 现代机器人学：让机器人动起来的几何
来源：OpenLabs Academy 现代机器人学课程整理
18 · 自动驾驶入门：从循迹到 mini 规划栈
来源：OpenLabs Academy 自动驾驶课程整理
19 · 深度强化学习：从 MDP 到策略梯度与探索
来源：参考 Stanford CS234 强化学习课程框架
20 · 计算机视觉：从像素到卷积
来源：OpenLabs Academy 视觉课程；参考 Szeliski、Forsyth & Ponce 相关教材
OpenLabs 整理或独立开发；高校名称为参考框架。所列 Canvas 课程已开放首章实验，后续章节持续更新。
Fullstack AI Engineer & FDE · Agentist35 / 41
往期学员项目 · 内容与办公自动化
Cohort 1 / 2 · 项目成果与技术栈分析
自动录制与剪辑视频助理
把主题变成口播稿，控制 OBS 录制，再完成语义剪辑和字幕。
- 主题与资料 → 口播稿 / 提词器
- OBS 录制 → 转录与选段
- 剪辑 → 字幕 → 视频成片
技术栈与设计
Python Agent Loop · OBS WebSocket · FFmpeg
模型选择文本片段，工具读取真实时间戳；超额删减先确认，减少误剪。
实验报告记录：38.55 秒素材 → 7.217 秒剪辑片段。
飞书周报与月报助理
拉取工作数据，自动整理部门、团队周报，并按日期触发月报。
- 飞书工作数据
- 部门周报 / 团队周报 / 月报
- 定时检查 → 已生成则不重复
技术栈与设计
Feishu Open API · Skills · Cron / Heartbeat
把日期规则、历史状态和格式模板分开，减少重复提醒与手工整理。
学员复盘：8 月 6 日实际生成；省去手动整理。
个性化行业资讯播报
把通用播报改成个人关注的行业主题，持续推送到邮箱或飞书。
- 个人主题 → 资料抓取
- 筛选、摘要与来源链接
- 邮箱 / 飞书 → 定时送达
技术栈与设计
MCP 检索工具 · LLM 摘要 · 邮件 / 飞书 · Cron
把内容来源、摘要与推送拆开；数据源受限时调整采集方式。
有个人开发日志；学员直接回复确认收到推送。
依据往期实验报告与评测记录整理（2026.10）；流程图为成果结构示意，不是产品截图。
Fullstack AI Engineer & FDE · Agentist36 / 41
往期学员项目 · 模型训练与软件研发
Cohort 1 / 2 · 项目成果与技术栈分析
能够自动训练微调 GPU 视觉模型的 Agent 系统
让 Agent 驱动 GPU 视觉模型的训练与微调，读取评测结果，比较和调整训练策略。
afoxlin86.86%86.86%
yangye032983.59%83.59%
技术栈与设计
Agent 工具调用 · GPU 训练 · 微调 / TTA
用评测反馈比较训练策略。两位学员分别留下 11 次、8 次挑战提交记录。
分数来自平台评分；优化方法以各自实验报告为准。
mini Claude Code
自己构建 Coding Agent，让它读取代码、调用工具、修改并测试修复。
- 任务 → 上下文与工具调用
- 修改代码 → 执行测试
- 本地课程修复任务：3 / 3
技术栈与设计
Agent Loop · 工具路由 · 权限策略 · 子 Agent
模型生成能力之外，还要管理上下文、工具分发与执行权限。
有本地成绩上传与实验报告；服务器未独立重跑。
WPS 文档自动化助理
给常驻助理增加办公能力，生成文档与演示内容，并导出 PDF。
- 任务请求 → 本机助理
- Windows WPS COM 自动化
- 文档 / 演示内容 → PDF
技术栈与设计
Windows · WPS COM · 本机工具 · 守护任务
区分平台接口、约束输出目录，并增加重启与恢复机制。
报告包含 WPS 接口适配和自动化扩展过程。
依据往期实验报告与评测记录整理（2026.10）；流程图为成果结构示意，不是产品截图。
Fullstack AI Engineer & FDE · Agentist37 / 41
往期学员项目 · 业务系统与可靠性
Cohort 1 / 2 · 项目成果与技术栈分析
常驻邮件与 Slack 助理
筛选重要邮件，推送给用户；在 Slack 修改回复草稿并人工确认发送。
- 邮件监听 → 重要性判断
- Slack 草稿 → 人工确认
- 发送 / 状态保存 / 断线恢复
技术栈与设计
IMAP IDLE · Slack · 状态文件 · 任务守护
用处理位置和状态文件避免重复消费；守护进程负责持续运行。
多份实验报告，以及学员对邮件筛选的具体反馈。
企业零售客服 Agent
连接业务环境与 GitHub CI，用业务测试检查 Agent 的实际行为。
集成任务1 / 1 通过
另一业务套件10 / 11
技术栈与设计
业务 API · GitHub Actions · 自动化业务评测
连通性验证与业务验收分开；测试暴露硬编码和不符合业务约束的实现。
有仓库、CI 与平台评测回执；展示迭代过程。
可恢复与自我改进 Agent
让任务能停、能续、能人工审批，并用独立评测检查每次修改。
- 执行 → 检查点 → 中断恢复
- 候选修改 → 独立 Judge
- 通过才保留；失败不晋级
技术栈与设计
检查点 · 人工审批 · 独立 Judge · 留出测试
将执行状态与评分边界隔离，避免重复调用，也避免 Agent 修改记分规则。
有恢复实验与自改反思，不把每轮修改视为提升。
依据往期实验报告与评测记录整理（2026.10）；流程图为成果结构示意，不是产品截图。
Fullstack AI Engineer & FDE · Agentist38 / 41
往期学员反馈
“我觉得，高老师的每一堂课都是精品。讲的都是自己实战中获得的经验，深入浅出，理论结合实战做得很好。”
“我也上过其他相关课程，感觉偏科普，讲得比较浅。还是高老师专业。”
“我看到 Manus 2.0 时，感觉就是高老师教我们的内容——一个 Agent 综合体。”
“用了自动化测试，我才发现之前 Agent 写的代码里很多地方都硬编码了，也发现了之前实现中的问题。”
根据学员原话轻微整理，保留第一人称语气；樱同学的测试体会结合导师补充说明。
Fullstack AI Engineer & FDE · Agentist39 / 41
资源价值账单：把项目做起来需要哪些支持
| 资源与支持 | 本计划提供 | 独立采购 / 核算参考 |
|---|---|---|
| GPU 算力 | 每人最多 100 GPU 小时；机型按任务分配 | 示例：100 小时 H100 SXM × US$4.29/小时 = US$429 |
| 模型 Token | 每位学员 US$50 Token 额度 | US$50；按模型和实际调用用量消耗 |
| 项目与学习材料 | 9 项课程练习 + 3 项专题实战（配环境与指导） | 选修免费开放，配套源码、环境与答疑 |
| 产品与研发指导 | 16 次直播；答疑与个人项目指导按方案安排 | 按服务周期与约定交流安排确认 |
| 半年部署与陪跑 | 项目落地与半年陪跑方案提供 CPU、数据库、GPU 自动运维部署与 Stripe 接口，持续 6 个月 | 课程方估算 US$100–200/月 × 6 个月 = US$600–1,200 |
半年陪跑方案 · 示例资源预算 US$1,079–1,679
另含 16 次直播、一对一指导与 9 个项目源码；50+ 门选修课程免费开放。
参考：Lambda H100 SXM 单卡价格（2026-10-20，未含税）。合计按 100 小时全部使用 H100 的假设测算；实际机型与用量不同，不能视为现金返还或保证节省金额。合计含半年服务，仅对应 US$1,880 方案；运维估算含 CPU、数据库及服务，不重复计 GPU 与 Token。
Fullstack AI Engineer & FDE · Agentist40 / 41
Fullstack AI Engineer & FDE Training Program
训练营正式开始时间：2026年11月14日导师：高老师（Marvin Gao） · OpenLabs / Agentist
| 费用与支持 | 课程与实战方案 | 项目集训方案 | 项目落地与半年陪跑方案 |
|---|---|---|---|
| 项目学费 | US$735约合人民币 ¥4,800 | US$1,180约合人民币 ¥7,800 | US$1,880约合人民币 ¥12,800 |
| 共同学习支持 | 完整直播课程 · 完整项目练习 · 计算资源支持 自动化评测系统使用 · 20 多门精品课程 本期三项实战 · Enterprise AI Agent / LLM-Server / Embodied AI（配环境与指导） | ||
| 1 对 1 支持 | 课程与项目练习答疑 | 课程期间 一对一个人项目指导 | 一对一定制项目指导 与落地陪跑 |
| 定制项目陪跑 | 不含定制项目陪跑 | 课程期间指导个人项目 不含半年持续陪跑 | 含 6 个月 定制项目陪跑 |
| 半年部署服务 与支付接入 | 不含此项半年服务 | 不含此项半年服务 | 服务器、数据库、GPU 自动运维部署及 Stripe 接口 |
| 报名退费 | 报名后 15 天内，可无理由全额退费。（三种报名方案均适用） | ||
| 项目上线保障 | 不含上线专项保障 | 不含上线专项保障 | 未达约定上线目标，按约定条件 退还 ¥5,000 或 US$700 学费 |
以美元计价，人民币为参考金额，随当日汇率变化。上线期限与验收标准、半年服务起止时间与资源范围、交流安排及退费流程，在报名确认时书面约定。
Fullstack AI Engineer & FDE · Agentist41 / 41