地产+AI工具系列报告之六：面向Agent时代的工程师训练路径与国产大模型实践

投资要点 　　Agent应用落地的核心约束正从模型能力转向工程化能力：据Gartner预测，到2028年，33%的企业软件应用将包含Agentic AI；预计到2027年底，超过40%的Agentic AI项目将被取消，主要原因包括成本上升、商业价值不清晰和风险控制不足。两组判断共同表明：企业侧对Agent应用的需求仍在提升，但真实落地过程中，可靠性、成本控制、风险治理和系统运维等工程问题将成为重要约束。我们认为，Agent项目的关键挑战正在从“模型能否调用”逐步转向“组织是否具备将模型能力嵌入稳定业务链路的工程能力”。 　　切入AI教育“中间层”，补上系统化工程训练：当前AI学习资源较为丰富，但更多分布在入门科普与论文/学术课程两端。前者有助于快速跑通Demo，后者能够解释模型原理，但二者之间仍缺少将理论、代码、部署和业务可靠性串联起来的系统化工程训练。“AI大模型学习之路”以4阶段、32模块、10个动手实验、8个Capstone业务场景案例和4个毕业项目组织内容，覆盖数学基础、模型原理、推理优化、RAG、Agent、Agent Infra与生产架构等主题，核心目标是帮助具备编程基础的开发者从“API使用者”迁移至“AI系统构建者”。 　　从零构建+失败排查，补足Demo到生产的关键断层：平台设置4个毕业项目，形成“理解架构—训练模型—构建应用—部署优化”的能力链，具体包括从零实现Transformer、预训练小参数模型、搭建完整RAG系统以及使用vLLM部署开源模型并进行压测。与此同时，平台在部分实验中引入调试挑战，覆盖注意力分数未缩放、梯度未裁剪、KV Cache更新异常、RAG切分策略导致召回污染等典型问题。该训练方式不只强调“跑通正确路径”，更强调问题定位、原因解释和修复能力，指向真实AI系统上线后常见的可靠性、成本、评估与运维挑战。 　　国产大模型深度适配，降低生态迁移成本：国产模型生态正在从能力追赶逐步进入工程落地深化阶段。平台将DeepSeek、GLM、Kimi、混元等国产模型相关实践嵌入AI助教、推理部署、Agent开发、长上下文、模型评估和量化优化等模块，关注Function Calling差异、推理框架适配、量化后的精度—吞吐取舍、长上下文工程策略以及成本曲线管理等问题。其价值并非简单证明某类模型更优，而是将分散的工程经验沉淀为可复用知识，降低工程团队采用国产模型时的隐性迁移成本。 　　平台自身即AgentInfra教学样本：平台并非仅通过课程讲解AgentInfra，而是将学习过程本身组织为一个简化版Agent系统：AI助教承担推理服务，边缘函数完成上下文注入，知识地图记录学习状态，间隔重复系统保存知识点掌握情况并触发复习，D1承载学习进度与复习队列，边缘架构支持按需调用和低固定成本部署。学习者使用平台的过程，本身也在体验一个包含推理、上下文、状态、记忆、触发和成本治理等要素的最小化Agent系统样本。 　　工程知识基础设施是国产大模型下一阶段的关键补位：从产业视角看，值得持续关注三类环节：一是围绕国产模型的推理框架、量化、Agent编排等工具链完善程度；二是工程知识资产（课程、评估、案例）能否形成标准；三是相关能力认证、企业培训与人才供给链的对接。这些环节或比“模型参数榜单”更接近实际落地。 　　风险提示：内容过时风险、成本口径风险、国产模型生态变化风险。