1. 从CRUD到AI为什么后端程序员转型大模型应用开发有天然优势很多做业务后端的同学一提到大模型、LLM 就觉得门槛高觉得自己天天写增删改查跟算法、向量、推理这些词八竿子打不着。我一开始也是这么想的。但真正上手之后才发现从 CRUD 到 AI 应用工程师中间隔的不是一道鸿沟而是一层窗户纸。你已有的工程能力恰恰是很多纯算法背景的人最缺的东西。先说清楚这篇要解决什么问题。它面向的是零基础、有后端经验、想用 5 个月左右时间转型大模型应用开发的程序员。核心检索词就是「CRUD 程序员转型大模型」「LLM 应用开发学习路径」「大模型工程师实战」。我会把 5 个月拆成可执行的周计划并且交付一套能直接复制的 TaoToken 统一 Key 配置让你在本地就能跑通第一个 LLM 请求而不是停留在看视频、收藏资料的阶段。为什么说后端有优势因为 LLM 应用开发本质上还是软件工程。你要处理 API 调用、要做错误重试、要管理配置、要写服务层、要考虑并发和成本。这些全是后端的老本行。真正需要新学的是提示词工程、RAG 检索增强、Agent 工具调用、模型部署这几块。它们不是数学难题而是新的工程范式。你写 CRUD 时练出来的接口设计、异常处理、日志排查能力迁移过来几乎无缝。我自己的路径是这样的第一个月不碰训练只做 API 调用和提示词第二个月做 RAG 和向量检索第三个月做 Agent 和 MCP 工具调用第四个月做部署和服务化第五个月做一个完整项目并复盘。每一步都有可运行的代码和可验证的结果。下面我把这套路径和配置方法完整写出来你照着做就行。需要提醒的是转型不是把原来的技术扔掉而是叠加。你依然要会写后端只是多了一层「模型能力」的调用和编排。把 LLM 当成一个能力很强但不太稳定的远程服务你的工程直觉就全用上了。2. TaoToken 前置准备统一 Key 与 Base URL 配置解决多模型切换的接入难题在开始写代码之前先把「钥匙」和「门牌号」准备好。很多新手卡在第一步不是因为不会写代码而是因为每个模型厂商的 SDK、鉴权方式、Base URL 都不一样切一个模型改一次代码非常劝退。我的做法是用 TaoToken 做统一入口一个 Key 打通多个模型Base URL 固定模型 ID 按需切换。这样你的学习重心就能放在应用逻辑上而不是天天折腾鉴权。TaoToken 的定位是模型调用与 Coding Plan 的统一接入层。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 入口是 https://taotoken.net/api 。注意 API 地址不带 UTM 参数配置时直接用这个。你需要先在控制台创建一个 API Key控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content Key 管理页面在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。创建 Key 的步骤很简单登录后进入控制台找到 API Keys 页面点新建复制生成的 Key。这个 Key 只显示一次务必存好。然后你需要在本地配置环境变量不要硬编码到代码里。Linux 或 macOS 下可以写进~/.zshrc或~/.bashrcWindows 用系统环境变量或者.env文件。这里给一个通用的.env写法路径放在项目根目录# .env TAOTOKEN_API_KEYsk-你的实际Key TAOTOKEN_BASE_URLhttps://taotoken.net/api TAOTOKEN_MODELclaude-sonnet-4-5注意 Base URL 结尾不要多加/v1之类的路径具体以接入文档为准。文档地址是 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。如果你用的是 Claude Code 这类命令行工具配置方式略有不同需要设置ANTHROPIC_BASE_URL和ANTHROPIC_API_KEY具体参考 ClaudeCodeAnthropic 接入页 https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。为什么强调统一 Key因为你在 5 个月里会频繁切换模型做对比写提示词用便宜快的做复杂推理用强的做 embedding 用专门的。如果每个都单独配你的时间全花在配置上。统一入口之后切换模型只是改一个字符串。这就是工程思维带来的效率。另外Coding Plan 适合长期做编码和 Agent 的同学地址是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。如果你只是验证模型效果用模型对话页面就够了https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。3. 可复制配置settings.json、auth.json 与 MCP 三件套完整片段这一节是全文最「硬」的部分直接给你能复制粘贴的配置。很多同学在接入 Claude Code、Cline、Codex 这类工具时报错都出在配置文件格式或字段名上。我把常见的三件套——Base URL、Key、Model ID——都写全你对照自己的工具改。先看 Claude Code 的配置。它读取的是环境变量通常在 shell 配置里写# ~/.zshrc 或 ~/.bashrc export ANTHROPIC_BASE_URLhttps://taotoken.net/api export ANTHROPIC_API_KEYsk-你的实际Key export ANTHROPIC_MODELclaude-sonnet-4-5如果你用的是 settings.json 形式的配置部分工具支持可以这样写{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-你的实际Key, ANTHROPIC_MODEL: claude-sonnet-4-5 } }再看 Codex 的 auth.json。Codex 类工具通常把鉴权信息放在~/.codex/auth.json格式如下{ OPENAI_API_KEY: sk-你的实际Key, OPENAI_BASE_URL: https://taotoken.net/api, model: gpt-4o }注意字段名要和工具要求一致有的工具用api_key有的用OPENAI_API_KEY以官方文档为准。Base URL 统一用https://taotoken.net/api不要带多余路径。然后是 MCP 配置。MCP 是让模型调用外部工具的协议配置一般写在mcp.json或工具的 MCP 设置里。一个典型的 MCP server 配置片段{ mcpServers: { filesystem: { command: npx, args: [-y, modelcontextprotocol/server-filesystem, /Users/yourname/projects], env: { TAOTOKEN_API_KEY: sk-你的实际Key, TAOTOKEN_BASE_URL: https://taotoken.net/api } } } }这里要特别提醒MCP 直连生产数据库是禁忌。练手阶段只连本地文件系统或测试库不要图省事把生产库暴露给模型。这是安全底线。如果你用 Cline 或 CC Switch 这类工具配置逻辑一样找到设置里的 API Provider选自定义或 Anthropic 兼容填 Base URL、Key、Model ID 三项。CC Switch 的配置通常是一个 JSON 文件字段包括baseUrl、apiKey、model对应填上即可。把上面这些配置存好之后先别急着写业务代码。下一步是验证请求能不能通。配置对不对跑一条命令就知道。4. 验证请求与成功结果用 curl 和 Python 跑通第一个 LLM 调用配置写完必须验证。很多人配置完就直接写项目结果报错时不知道是配置问题还是代码问题。先用最简单的 curl 确认链路通不通。打开终端执行curl https://taotoken.net/api/v1/messages \ -H Content-Type: application/json \ -H x-api-key: $TAOTOKEN_API_KEY \ -H anthropic-version: 2023-06-01 \ -d { model: claude-sonnet-4-5, max_tokens: 256, messages: [ {role: user, content: 用一句话解释什么是CRUD} ] }如果返回 JSON 里包含content字段和模型生成的文本说明链路通了。如果返回 401说明 Key 不对返回 404说明路径或 Base URL 不对。这一步能帮你快速定位问题。接着用 Python 写一个最小可运行脚本这也是你后续所有项目的基础模板import os import requests API_KEY os.getenv(TAOTOKEN_API_KEY) BASE_URL os.getenv(TAOTOKEN_BASE_URL, https://taotoken.net/api) MODEL os.getenv(TAOTOKEN_MODEL, claude-sonnet-4-5) def chat(prompt: str) - str: url f{BASE_URL}/v1/messages headers { Content-Type: application/json, x-api-key: API_KEY, anthropic-version: 2023-06-01, } payload { model: MODEL, max_tokens: 512, messages: [{role: user, content: prompt}], } resp requests.post(url, headersheaders, jsonpayload, timeout60) resp.raise_for_status() data resp.json() return data[content][0][text] if __name__ __main__: print(chat(用三句话说明后端工程师转型大模型应用开发的优势))运行python demo.py如果终端打印出模型回答恭喜你环境通了。这一步的成功结果就是你能在本地用代码调用模型并且拿到结构化返回。这是后面所有 RAG、Agent、部署的地基。我建议你把这段代码封装成一个llm_client.py加上重试和超时处理。因为模型服务偶尔会慢或抖动工程上必须容错。比如用tenacity做重试或者简单写个循环。这些细节就是后端经验的价值。验证通过后你就可以按周推进学习计划了。下面给一个 5 个月的分阶段清单每阶段都有可交付物。5. 本篇常见错误排查401、local proxy failed、reading choices、OAuth 报错对照这一节把新手最常撞的坑列出来对照报错找原因。你遇到问题时先来这里查能省很多时间。401 Unauthorized。最常见。原因通常是 Key 没读到、Key 写错、或者环境变量没生效。排查方法在终端执行echo $TAOTOKEN_API_KEY看有没有输出。如果没有说明环境变量没加载重新 source 配置文件。如果 Key 里有空格或换行也会导致 401。另外注意有的工具用Authorization: Bearer有的用x-api-key头字段写错也会 401。local proxy failed。这个报错通常出现在工具尝试走本地代理但代理没启动或端口不对。检查你的工具设置里有没有配置 proxy 字段如果有确认本地代理服务在运行。练手阶段建议直接连 TaoToken 的 Base URL不要额外套代理层减少变量。reading choices 相关报错。这类错误一般出现在解析返回结构时比如代码里写data[choices][0]但实际返回的是content数组。不同模型的返回结构不一样Anthropic 风格是content[0].textOpenAI 风格是choices[0].message.content。你要根据实际返回调整解析代码。建议先打印完整 JSON 再取值。OAuth 报错。如果你用 Claude Code 或类似工具它可能默认走 OAuth 登录流程。如果你要用 API Key 方式需要在配置里显式关闭 OAuth 或选择 API Key 模式。具体看工具的鉴权设置。报错信息里通常有oauth字样看到就检查鉴权方式。Model not found。模型 ID 写错。不同模型的 ID 不一样去接入文档里核对。别凭记忆写。Timeout。请求超时。模型推理有时较慢把 timeout 设大一点比如 60 到 120 秒。同时加重试。Rate limit。请求太频繁。练手阶段一般不会遇到如果遇到就降低频率或加退避。把这些问题记下来你排查的速度会越来越快。工程能力就是这么练出来的。6. 5 个月分阶段练手项目清单与进度自查最后给你一份可执行的周计划。不追求理论完备追求每周都有能跑的东西。第 1 个月API 调用与提示词工程。目标是把模型当成一个函数用起来。练手项目命令行问答工具、批量文本摘要脚本、简单的情感分类器。自查标准你能用代码稳定调用模型能写出结构化提示词能处理返回解析和异常。第 2 个月RAG 与向量检索。目标是让模型基于你的私有文档回答。练手项目本地 PDF 问答、个人笔记检索助手。技术点文本切分、embedding、向量库如 Chroma 或 FAISS、检索拼接。自查标准问一个文档里的细节模型能答对并给出出处。第 3 个月Agent 与 MCP 工具调用。目标是让模型能调用外部工具。练手项目能查天气、能读写本地文件的助手。技术点工具定义、函数调用、MCP 配置。自查标准模型能根据用户意图选择正确工具并返回结果。第 4 个月部署与服务化。目标是把模型能力变成 API 服务。练手项目用 FastAPI 包装一个问答服务加鉴权和限流。技术点服务封装、并发、成本控制、日志。自查标准本地起服务用 curl 能调通能看日志排查。第 5 个月完整项目与复盘。目标是把前面所有能力串起来。练手项目一个带前端界面的知识库问答应用或一个自动化工作流工具。自查标准能演示完整流程能说清每个模块的作用和踩过的坑。每周花 8 到 10 小时按这个节奏走5 个月后你对 LLM 应用开发会有完整的体感。转型不是一蹴而就但每一步都算数。遇到卡点就去文档里查或者用模型对话页面快速验证想法。把工程习惯带进来你会比想象中走得快。
1. 从CRUD到AI为什么后端程序员转型大模型应用开发有天然优势很多做业务后端的同学一提到大模型、LLM 就觉得门槛高觉得自己天天写增删改查跟算法、向量、推理这些词八竿子打不着。我一开始也是这么想的。但真正上手之后才发现从 CRUD 到 AI 应用工程师中间隔的不是一道鸿沟而是一层窗户纸。你已有的工程能力恰恰是很多纯算法背景的人最缺的东西。先说清楚这篇要解决什么问题。它面向的是零基础、有后端经验、想用 5 个月左右时间转型大模型应用开发的程序员。核心检索词就是「CRUD 程序员转型大模型」「LLM 应用开发学习路径」「大模型工程师实战」。我会把 5 个月拆成可执行的周计划并且交付一套能直接复制的 TaoToken 统一 Key 配置让你在本地就能跑通第一个 LLM 请求而不是停留在看视频、收藏资料的阶段。为什么说后端有优势因为 LLM 应用开发本质上还是软件工程。你要处理 API 调用、要做错误重试、要管理配置、要写服务层、要考虑并发和成本。这些全是后端的老本行。真正需要新学的是提示词工程、RAG 检索增强、Agent 工具调用、模型部署这几块。它们不是数学难题而是新的工程范式。你写 CRUD 时练出来的接口设计、异常处理、日志排查能力迁移过来几乎无缝。我自己的路径是这样的第一个月不碰训练只做 API 调用和提示词第二个月做 RAG 和向量检索第三个月做 Agent 和 MCP 工具调用第四个月做部署和服务化第五个月做一个完整项目并复盘。每一步都有可运行的代码和可验证的结果。下面我把这套路径和配置方法完整写出来你照着做就行。需要提醒的是转型不是把原来的技术扔掉而是叠加。你依然要会写后端只是多了一层「模型能力」的调用和编排。把 LLM 当成一个能力很强但不太稳定的远程服务你的工程直觉就全用上了。2. TaoToken 前置准备统一 Key 与 Base URL 配置解决多模型切换的接入难题在开始写代码之前先把「钥匙」和「门牌号」准备好。很多新手卡在第一步不是因为不会写代码而是因为每个模型厂商的 SDK、鉴权方式、Base URL 都不一样切一个模型改一次代码非常劝退。我的做法是用 TaoToken 做统一入口一个 Key 打通多个模型Base URL 固定模型 ID 按需切换。这样你的学习重心就能放在应用逻辑上而不是天天折腾鉴权。TaoToken 的定位是模型调用与 Coding Plan 的统一接入层。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 入口是 https://taotoken.net/api 。注意 API 地址不带 UTM 参数配置时直接用这个。你需要先在控制台创建一个 API Key控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content Key 管理页面在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。创建 Key 的步骤很简单登录后进入控制台找到 API Keys 页面点新建复制生成的 Key。这个 Key 只显示一次务必存好。然后你需要在本地配置环境变量不要硬编码到代码里。Linux 或 macOS 下可以写进~/.zshrc或~/.bashrcWindows 用系统环境变量或者.env文件。这里给一个通用的.env写法路径放在项目根目录# .env TAOTOKEN_API_KEYsk-你的实际Key TAOTOKEN_BASE_URLhttps://taotoken.net/api TAOTOKEN_MODELclaude-sonnet-4-5注意 Base URL 结尾不要多加/v1之类的路径具体以接入文档为准。文档地址是 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。如果你用的是 Claude Code 这类命令行工具配置方式略有不同需要设置ANTHROPIC_BASE_URL和ANTHROPIC_API_KEY具体参考 ClaudeCodeAnthropic 接入页 https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。为什么强调统一 Key因为你在 5 个月里会频繁切换模型做对比写提示词用便宜快的做复杂推理用强的做 embedding 用专门的。如果每个都单独配你的时间全花在配置上。统一入口之后切换模型只是改一个字符串。这就是工程思维带来的效率。另外Coding Plan 适合长期做编码和 Agent 的同学地址是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。如果你只是验证模型效果用模型对话页面就够了https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。3. 可复制配置settings.json、auth.json 与 MCP 三件套完整片段这一节是全文最「硬」的部分直接给你能复制粘贴的配置。很多同学在接入 Claude Code、Cline、Codex 这类工具时报错都出在配置文件格式或字段名上。我把常见的三件套——Base URL、Key、Model ID——都写全你对照自己的工具改。先看 Claude Code 的配置。它读取的是环境变量通常在 shell 配置里写# ~/.zshrc 或 ~/.bashrc export ANTHROPIC_BASE_URLhttps://taotoken.net/api export ANTHROPIC_API_KEYsk-你的实际Key export ANTHROPIC_MODELclaude-sonnet-4-5如果你用的是 settings.json 形式的配置部分工具支持可以这样写{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-你的实际Key, ANTHROPIC_MODEL: claude-sonnet-4-5 } }再看 Codex 的 auth.json。Codex 类工具通常把鉴权信息放在~/.codex/auth.json格式如下{ OPENAI_API_KEY: sk-你的实际Key, OPENAI_BASE_URL: https://taotoken.net/api, model: gpt-4o }注意字段名要和工具要求一致有的工具用api_key有的用OPENAI_API_KEY以官方文档为准。Base URL 统一用https://taotoken.net/api不要带多余路径。然后是 MCP 配置。MCP 是让模型调用外部工具的协议配置一般写在mcp.json或工具的 MCP 设置里。一个典型的 MCP server 配置片段{ mcpServers: { filesystem: { command: npx, args: [-y, modelcontextprotocol/server-filesystem, /Users/yourname/projects], env: { TAOTOKEN_API_KEY: sk-你的实际Key, TAOTOKEN_BASE_URL: https://taotoken.net/api } } } }这里要特别提醒MCP 直连生产数据库是禁忌。练手阶段只连本地文件系统或测试库不要图省事把生产库暴露给模型。这是安全底线。如果你用 Cline 或 CC Switch 这类工具配置逻辑一样找到设置里的 API Provider选自定义或 Anthropic 兼容填 Base URL、Key、Model ID 三项。CC Switch 的配置通常是一个 JSON 文件字段包括baseUrl、apiKey、model对应填上即可。把上面这些配置存好之后先别急着写业务代码。下一步是验证请求能不能通。配置对不对跑一条命令就知道。4. 验证请求与成功结果用 curl 和 Python 跑通第一个 LLM 调用配置写完必须验证。很多人配置完就直接写项目结果报错时不知道是配置问题还是代码问题。先用最简单的 curl 确认链路通不通。打开终端执行curl https://taotoken.net/api/v1/messages \ -H Content-Type: application/json \ -H x-api-key: $TAOTOKEN_API_KEY \ -H anthropic-version: 2023-06-01 \ -d { model: claude-sonnet-4-5, max_tokens: 256, messages: [ {role: user, content: 用一句话解释什么是CRUD} ] }如果返回 JSON 里包含content字段和模型生成的文本说明链路通了。如果返回 401说明 Key 不对返回 404说明路径或 Base URL 不对。这一步能帮你快速定位问题。接着用 Python 写一个最小可运行脚本这也是你后续所有项目的基础模板import os import requests API_KEY os.getenv(TAOTOKEN_API_KEY) BASE_URL os.getenv(TAOTOKEN_BASE_URL, https://taotoken.net/api) MODEL os.getenv(TAOTOKEN_MODEL, claude-sonnet-4-5) def chat(prompt: str) - str: url f{BASE_URL}/v1/messages headers { Content-Type: application/json, x-api-key: API_KEY, anthropic-version: 2023-06-01, } payload { model: MODEL, max_tokens: 512, messages: [{role: user, content: prompt}], } resp requests.post(url, headersheaders, jsonpayload, timeout60) resp.raise_for_status() data resp.json() return data[content][0][text] if __name__ __main__: print(chat(用三句话说明后端工程师转型大模型应用开发的优势))运行python demo.py如果终端打印出模型回答恭喜你环境通了。这一步的成功结果就是你能在本地用代码调用模型并且拿到结构化返回。这是后面所有 RAG、Agent、部署的地基。我建议你把这段代码封装成一个llm_client.py加上重试和超时处理。因为模型服务偶尔会慢或抖动工程上必须容错。比如用tenacity做重试或者简单写个循环。这些细节就是后端经验的价值。验证通过后你就可以按周推进学习计划了。下面给一个 5 个月的分阶段清单每阶段都有可交付物。5. 本篇常见错误排查401、local proxy failed、reading choices、OAuth 报错对照这一节把新手最常撞的坑列出来对照报错找原因。你遇到问题时先来这里查能省很多时间。401 Unauthorized。最常见。原因通常是 Key 没读到、Key 写错、或者环境变量没生效。排查方法在终端执行echo $TAOTOKEN_API_KEY看有没有输出。如果没有说明环境变量没加载重新 source 配置文件。如果 Key 里有空格或换行也会导致 401。另外注意有的工具用Authorization: Bearer有的用x-api-key头字段写错也会 401。local proxy failed。这个报错通常出现在工具尝试走本地代理但代理没启动或端口不对。检查你的工具设置里有没有配置 proxy 字段如果有确认本地代理服务在运行。练手阶段建议直接连 TaoToken 的 Base URL不要额外套代理层减少变量。reading choices 相关报错。这类错误一般出现在解析返回结构时比如代码里写data[choices][0]但实际返回的是content数组。不同模型的返回结构不一样Anthropic 风格是content[0].textOpenAI 风格是choices[0].message.content。你要根据实际返回调整解析代码。建议先打印完整 JSON 再取值。OAuth 报错。如果你用 Claude Code 或类似工具它可能默认走 OAuth 登录流程。如果你要用 API Key 方式需要在配置里显式关闭 OAuth 或选择 API Key 模式。具体看工具的鉴权设置。报错信息里通常有oauth字样看到就检查鉴权方式。Model not found。模型 ID 写错。不同模型的 ID 不一样去接入文档里核对。别凭记忆写。Timeout。请求超时。模型推理有时较慢把 timeout 设大一点比如 60 到 120 秒。同时加重试。Rate limit。请求太频繁。练手阶段一般不会遇到如果遇到就降低频率或加退避。把这些问题记下来你排查的速度会越来越快。工程能力就是这么练出来的。6. 5 个月分阶段练手项目清单与进度自查最后给你一份可执行的周计划。不追求理论完备追求每周都有能跑的东西。第 1 个月API 调用与提示词工程。目标是把模型当成一个函数用起来。练手项目命令行问答工具、批量文本摘要脚本、简单的情感分类器。自查标准你能用代码稳定调用模型能写出结构化提示词能处理返回解析和异常。第 2 个月RAG 与向量检索。目标是让模型基于你的私有文档回答。练手项目本地 PDF 问答、个人笔记检索助手。技术点文本切分、embedding、向量库如 Chroma 或 FAISS、检索拼接。自查标准问一个文档里的细节模型能答对并给出出处。第 3 个月Agent 与 MCP 工具调用。目标是让模型能调用外部工具。练手项目能查天气、能读写本地文件的助手。技术点工具定义、函数调用、MCP 配置。自查标准模型能根据用户意图选择正确工具并返回结果。第 4 个月部署与服务化。目标是把模型能力变成 API 服务。练手项目用 FastAPI 包装一个问答服务加鉴权和限流。技术点服务封装、并发、成本控制、日志。自查标准本地起服务用 curl 能调通能看日志排查。第 5 个月完整项目与复盘。目标是把前面所有能力串起来。练手项目一个带前端界面的知识库问答应用或一个自动化工作流工具。自查标准能演示完整流程能说清每个模块的作用和踩过的坑。每周花 8 到 10 小时按这个节奏走5 个月后你对 LLM 应用开发会有完整的体感。转型不是一蹴而就但每一步都算数。遇到卡点就去文档里查或者用模型对话页面快速验证想法。把工程习惯带进来你会比想象中走得快。
