LLM 应用工程师

✅[适合人群]

📅1对1指导周期

🙋[AI人才助力]

📜[指导收费]

✅1、把业务问题拆成「模型能做」与「不该交给模型」两部分
✅2、选型：什么任务用提示词、什么该上 RAG、什么才值得微调
✅3、提示工程：结构化输出、思维链、少样本、拒答与兜底
✅4、搭 RAG：切分策略、嵌入选型、召回条数与重排、引用出处
✅5、做模型评测：离线指标与线上指标的对齐、盲测集怎么留
✅6、控制成本：上下文裁剪、缓存、分级模型、token 预算
✅7、把 LLM 接进现有系统：重试、限流、降级、审计日志
✅8、输出可校验：JSON Schema 约束 + 服务端校验，不让模型直接落地数据
✅9、给 AI 功能定验收口径：零编辑通过率、人工改写率、拒答率
✅10、项目生产部署：服务器原生部署、Docker 部署

1、Codex

2、Claude

3、ChatGPT

4、Gemini

1、从「会聊天」到「能上线」：重点解决不确定性、成本与验收口径三件事

2、所有章节都基于真实业务场景，不给玩具 demo

3、专讲模型选型与成本账：怎么用最少的钱把效果做到可交付

4、把提示词当代码管理：版本、回归、A/B，方法直接搬进团队