生成式AI课程模块清单：从入门到实战的完整路径 ​

魔当实验室 · 2026年10月

本文是"AI课程设计指南"系列第二篇。第一篇讨论了AI课程体系的整体设计框架，本文往下钻一层——生成式AI课程具体应该包含哪些模块？每个模块学什么、需要什么工具、对环境有什么要求？

如果说第一篇的三层框架是"骨架"，那这一篇就是"血肉"。

很多学校和培训机构想上生成式AI课程，但面临一个实际问题：到底教什么？

直接拿大学计算机系的AI课程吧，太理论了，非专业学生听不懂。只教怎么用ChatGPT吧，又太浅了，学生学完感觉"什么都会又什么都不会"。市面上的课程更是五花八门——有的叫"AI应用工程师"，有的叫"大模型开发实战"，有的叫"生成式AIGC大师班"，名字一个比一个响，但内容到底有什么差异，很难说清。

魔当实验室整理了市面上主流的生成式AI课程体系，包括企业内训的分层架构、Bootcamp的完整链路、职业培训的模块设计，再结合教学实践中的环境需求，提炼出一套模块化的生成式AI课程清单。

这套清单不是给某一个特定课程用的，而是一个"模块库"——学校、培训机构、企业内训部门可以根据自己的目标人群和课时安排，从中挑选模块组合成课程。每个模块都包含：学什么、学完能做什么、需要什么工具、本地部署要求是什么。

三个方向，按需选择 ​

生成式AI课程可以按受众和深度分为三个大方向。不是从低到高的线性关系，而是不同的学习路径——有的人只需要走到"应用"，有的人需要走到"开发"。

下面分方向列出具体模块。

一、通识类：AI素养模块 ​

这是最基础的一层，面向所有人。目标不是培养AI工程师，而是让每个人都具备基本的AI素养——知道AI能做什么、不能做什么，会用AI工具提升效率，理解AI的边界和风险。

模块1：AI基础认知 ​

学什么：

• 什么是生成式AI？和传统AI有什么区别
• 大模型、扩散模型、多模态——核心概念通俗解释
• AI发展的关键节点和里程碑
• 主流AI产品和服务概览（对话、图像、视频、语音、代码）

学完能做什么：

• 看懂AI相关的新闻和讨论
• 知道不同类型的AI工具分别适合什么场景
• 不会被"AI万能论"或"AI无用论"带偏

所需工具：

• 在线AI服务（用于演示，不需要本地部署）

本地部署要求：无

模块2：提示词工程基础 ​

学什么：

• 好的提示词长什么样
• 结构化提示（角色设定、任务描述、输出格式、约束条件）
• 上下文管理和对话技巧
• 常见的提示词误区和优化方法
• 提示词的评估和迭代

学完能做什么：

• 用AI高效完成写作、翻译、总结、头脑风暴等任务
• 写出清晰有效的提示词，获得质量稳定的输出
• 知道什么时候AI回答不可靠，怎么验证

所需工具：

• 对话类AI工具

本地部署要求：

• 可用在线工具教学
• 如需本地实践：Ollama + 一个7B级别量化模型（约6-8GB显存）

模块3：AI伦理与合规 ​

学什么：

• AI生成内容的版权问题
• 数据隐私和个人信息保护
• 深度伪造和内容真实性
• 算法偏见和公平性
• 不同国家和地区的AI监管趋势
• 负责任使用AI的原则

学完能做什么：

• 在工作中合规使用AI工具
• 识别AI生成内容的风险
• 知道哪些数据不能随便喂给AI

所需工具：无（讨论为主）

本地部署要求：无

模块4：AI与工作效率 ​

学什么：

• AI辅助文档写作和处理
• AI辅助数据分析和表格处理
• AI辅助信息检索和整理
• AI辅助学习和知识管理
• 工作流中AI工具的嵌入方式

学完能做什么：

• 在日常工作中用AI提升效率
• 针对具体工作场景设计AI辅助工作流
• 知道哪些任务适合交给AI，哪些不适合

所需工具：

• 对话AI + 办公软件AI插件

本地部署要求：

• 通识阶段可用在线工具
• 进阶可本地部署大模型处理敏感文档

二、应用类：AI工具与创作模块 ​

这一层面向需要用AI产出具体成果的从业者——设计师、内容创作者、运营人员、产品经理等。核心是"用AI工具做出东西"，不需要理解底层原理，但要熟练掌握工具和工作流。

魔当实验室提示：生成式AI模型迭代很快，文中提到的具体模型只是当前阶段的代表性选项。课程设计应以原理和方法为主（扩散模型原理、工作流设计、提示词方法论等），具体模型选型可以每学期更新一次，参考Hugging Face、Civitai等平台的最新榜单。工具和方法论是稳定的，模型是流动的。

模块5：图像生成基础与进阶 ​

学什么：

• 扩散模型基本原理（概念层面，不需要数学）
• 文生图、图生图、局部重绘的用法
• 提示词技巧（正向/负向、权重、风格描述）
• ControlNet控制（线稿、深度、姿态、分割等）
• LoRA模型的概念和使用
• IP-Adapter、InstantID等角色一致性方案
• 图像后处理与优化

学完能做什么：

• 用AI生成高质量的插画、海报、概念图
• 用ControlNet控制构图和结构
• 用LoRA生成特定风格或特定人物
• 完成从概念到成品的AI图像创作工作流

所需工具：

• ComfyUI（核心工具）
• 图像生成模型（FLUX.2系列、Qwen-Image等）
• ControlNet模型组
• LoRA模型（风格类、角色类）

本地部署要求：

• GPU：RTX 3060 12GB起步，推荐RTX 4070/5070 12GB以上，预算充足可选RTX 5080/5090或专业显卡
• 模型文件：总计30-80GB（基础模型+ControlNet+若干LoRA）
• 依赖：Python、CUDA、PyTorch、ComfyUI及自定义节点
• 难度：中等——依赖多，模型管理复杂

模块6：视频生成与AI剪辑 ​

学什么：

• 文生视频、图生视频的基本原理
• 主流视频生成模型的特点和适用场景
• 视频生成提示词技巧
• 多镜头视频的生成与拼接
• AI辅助剪辑（自动剪辑、转场、字幕）
• 视频风格转换和修复

学完能做什么：

• 用AI生成短视频片段
• 设计多镜头AI视频的工作流
• 用AI工具提升视频剪辑效率
• 完成从脚本到成片的AI辅助视频制作

所需工具：

• 视频生成模型（MiniMax-H3、LTX 2系列、Wan 2.2等）
• ComfyUI + 视频生成节点
• AI剪辑工具
• 语音合成工具（配音用）

本地部署要求：

• GPU：RTX 4080/5080 16GB起步，推荐RTX 4090/5090 24GB以上，实验室可配工作站或服务器显卡
• 模型文件：单个视频模型10-30GB
• 磁盘：160GB以上可用空间
• 难度：较高——视频模型对硬件和环境要求更高

模块7：AI语音合成与处理 ​

学什么：

• TTS（文本转语音）基本原理
• 主流TTS模型的特点和音质对比
• 语音克隆（Voice Clone）的原理和使用
• 语音风格控制（情感、语速、语调）
• 多语言语音生成
• 语音后期处理（降噪、修复、混音）

学完能做什么：

• 用AI生成高质量的配音和旁白
• 克隆特定音色并生成个性化语音
• 调整语音的情感和风格
• 完成视频配音、有声书、播客等音频内容制作

所需工具：

• TTS模型（IndexTTS、GPT-SoVITS、CosyVoice等）
• 语音克隆工具
• 音频处理软件

本地部署要求：

• GPU：RTX 3060 12GB即可
• 模型文件：几百MB到几GB不等
• 难度：中等——部分TTS工具安装较复杂

模块8：RAG应用入门（面向非开发者） ​

学什么：

• 什么是RAG？为什么需要RAG
• RAG的基本工作流程（文档→切片→向量化→检索→生成）
• 知识库的构建和管理
• 检索效果的优化方法
• RAG应用的典型场景（智能客服、文档问答、知识管理）
• 用低代码工具搭建RAG应用

学完能做什么：

• 理解RAG的原理和价值
• 能用低代码工具搭建简单的知识库问答系统
• 知道什么时候该用RAG，怎么评估效果

所需工具：

• 大模型推理工具（Ollama或在线API）
• 向量数据库（ChromaDB、FAISS等）
• RAG平台（MaxKB、Dify等低代码工具）

本地部署要求：

• GPU：RTX 3060 12GB可跑7B量化模型
• 软件栈：Ollama + 向量数据库 + RAG前端
• 难度：中等——需要理解多个组件的协作

模块9：AI内容创作工作流 ​

学什么：

• 从选题到成稿的AI辅助写作工作流
• 从脚本到成片的AI视频工作流
• 从概念到设计稿的AI设计工作流
• 多工具协同的内容生产流程
• AI产出的人工审核和质量把控
• 版权合规与内容真实性

学完能做什么：

• 设计适合自己岗位的AI辅助工作流
• 用AI工具链提升内容产出效率
• 建立AI内容的质量把控机制

所需工具：

• 上述各模块工具的组合
• 工作流编排工具

本地部署要求：取决于具体工作流用到哪些工具

三、开发类：AI应用开发模块 ​

这一层面向有编程基础的学习者——计算机专业学生、程序员、技术岗。目标是能从零构建AI应用，理解底层原理，掌握从开发到部署的全链路。

模块10：大模型基础与原理 ​

学什么：

• Transformer架构与注意力机制
• Tokenization与词表
• 大模型的训练过程（预训练、微调、对齐）
• 主流大模型家族（GPT、Llama、Qwen、Mistral、DeepSeek等）
• 推理优化基本概念（量化、KV缓存、批处理）
• 模型评估方法和基准测试

学完能做什么：

• 理解大模型的工作原理
• 能看懂技术文档和论文的核心概念
• 能根据需求选择合适的模型
• 能解读模型评估榜单和性能数据

所需工具：

• Python环境
• Hugging Face Transformers
• 模型推理框架

本地部署要求：

• GPU：推荐RTX 4070/5070以上（7B量化模型也可在3060上跑），科研级可配A100等服务器GPU
• 模型：至少一个7B级别模型用于实验
• 难度：中高——需要Python和深度学习基础

模块11：提示工程进阶与评估 ​

学什么：

• 高级提示词技术（思维链、思维树、少样本学习）
• 上下文工程与Token管理
• 提示词模板的设计与复用
• 输出格式控制（JSON、XML、Markdown）
• 提示词的系统性评估方法
• 自动提示词优化

学完能做什么：

• 设计复杂任务的提示词策略
• 建立提示词的评估和迭代流程
• 为AI应用设计可靠的输出格式

所需工具：

• 大模型API或本地模型
• Python（用于自动化评估）

本地部署要求：同模块10

模块12：RAG系统开发 ​

学什么：

• RAG完整架构与组件
• 文档解析与处理（PDF、Word、网页、多格式）
• 文本分块策略（固定分块、语义分块、递归分块）
• Embedding模型与向量化
• 向量数据库选型与使用（Chroma、FAISS、Pinecone、Weaviate）
• 检索策略（关键词检索、向量检索、混合检索、重排序）
• RAG评估方法（RAGAS等）
• Agentic RAG与高级RAG架构

学完能做什么：

• 从零构建一个RAG问答系统
• 针对不同场景优化检索效果
• 评估和迭代RAG系统的质量
• 设计复杂的RAG应用架构

所需工具：

• 大模型推理框架
• 向量数据库
• LangChain / LlamaIndex 等RAG框架
• 文档处理库

本地部署要求：

• GPU：RTX 4070/5070 12GB以上，实验室可配更高配置
• 完整软件栈：大模型 + Embedding模型 + 向量数据库 + RAG框架
• 难度：高——组件多，调试复杂

模块13：AI Agent开发 ​

学什么：

• Agent的基本概念与核心组件（规划、记忆、工具调用、行动）
• ReAct框架与思考-行动循环
• Function Calling与工具使用
• 多Agent协作与编排
• Agent框架（LangGraph、AutoGen、CrewAI等）
• Model Context Protocol（MCP）
• Agent的评估与调试

学完能做什么：

• 设计和实现单Agent应用
• 构建多Agent协作系统
• 为Agent集成外部工具和API
• 调试和优化Agent的表现

所需工具：

• Agent框架（LangGraph等）
• 大模型推理
• 工具集成SDK

本地部署要求：

• GPU：同RAG模块
• 额外依赖：Agent框架、工具集成库
• 难度：高——概念抽象，调试难度大

模块14：模型微调 ​

学什么：

• 为什么需要微调？什么时候该微调？
• 参数高效微调（PEFT）技术（LoRA、QLoRA、IA3等）
• 微调数据的准备与清洗
• 微调训练流程与超参数调优
• 微调后的模型评估与测试
• 模型合并与导出
• 多轮对话微调

学完能做什么：

• 用LoRA对开源模型进行领域微调
• 准备和清洗微调数据集
• 评估微调效果
• 将微调后的模型部署使用

所需工具：

• 微调框架（LLaMA-Factory、PEFT等）
• 训练GPU
• 数据集处理工具

本地部署要求：

• GPU：RTX 4090/5090 24GB起步（7B模型LoRA微调），预算充足可配4090D/5090或专业计算卡
• 显存需求越高越好，建议24GB+，科研级可配A100/A6000等
• 训练时间：几小时到几天不等
• 难度：高——需要深度学习基础，显存要求高

模块15：模型量化与推理优化 ​

学什么：

• 模型量化的基本原理（INT8、INT4、FP8等）
• 量化格式对比（GGUF、AWQ、GPTQ、FP8）
• 量化工具的使用
• 量化对模型质量的影响评估
• 推理加速技术（KV缓存、批处理、投机解码）
• 不同硬件的推理优化策略

学完能做什么：

• 根据硬件选择合适的量化版本
• 自己动手量化模型
• 优化推理速度和显存占用
• 在有限硬件上跑更大的模型

所需工具：

• 量化工具（llama.cpp、AutoGPTQ等）
• 推理框架（Ollama、vLLM、SGLang等）
• 模型基准测试工具

本地部署要求：

• GPU：RTX 3060以上即可（量化后模型更小）
• 难度：中高——需要理解硬件和底层原理

模块16：AI应用部署与运维 ​

学什么：

• 本地部署 vs 云端部署的选择
• Docker容器化部署
• API服务封装（FastAPI等）
• 前端界面开发（Gradio、Streamlit等）
• 性能监控与日志
• 多用户并发与资源管理
• 模型更新与版本管理
• 安全与权限控制

学完能做什么：

• 将AI应用打包部署
• 提供API接口供其他系统调用
• 监控和维护AI服务
• 管理多用户环境

所需工具：

• Docker
• API框架（FastAPI、Flask等）
• Web UI框架（Gradio、Streamlit等）
• 监控工具

本地部署要求：

• 开发环境：个人电脑即可
• 生产部署：服务器或云主机
• 难度：中高——需要后端开发和运维知识

模块17：AI安全与合规开发 ​

学什么：

• 大模型的安全风险（幻觉、注入攻击、数据泄露）
• Prompt Injection防护
• 输出内容过滤与安全审计
• 数据隐私保护方法
• AI应用的合规要求
• 开源模型许可证与商用限制

学完能做什么：

• 识别AI应用的安全风险
• 实现基本的安全防护措施
• 确保AI应用符合数据隐私法规
• 正确选择开源模型的许可证

所需工具：

• 安全评估工具
• 内容过滤库

本地部署要求：无特殊要求

怎么用这份清单 ​

1. 先确定目标人群和深度 ​

是给全体学生做AI通识教育？还是给设计专业上AI创作课？还是给计算机专业开AI应用开发课？不同的目标，选的模块完全不同。

2. 从模块库中挑选和组合 ​

几个常见的组合示例：

3. 根据硬件条件调整 ​

没有足够的GPU？没关系——

• 通识类模块完全可以用在线工具教
• 应用类模块可以从云服务开始，再逐步过渡到本地
• 开发类模块的入门部分也可以用在线Colab环境

但魔当实验室想强调：如果条件允许，尽早引入本地实践。 只学在线工具，学生永远不会真正理解模型的大小、显存的限制、量化的意义——这些都是AI应用开发中非常重要的概念。

4. 实践环境是基础设置 ​

不管选哪些模块，有一件事是共通的：实践环境的搭建和管理是所有AI课程的基础设置。

模型的安装、依赖的配置、版本的管理、环境的统一——这些不是教学内容，但直接影响教学质量。老师花大量时间帮学生排查环境问题，学生因为装不上工具而放弃——这些都是AI教学中真实存在的浪费。

市面上已经能看到一些工具在尝试解决这个问题——Ollama简化了大模型的本地运行，ComfyUI把图像生成做成了节点式界面，还有一些一站式的AI应用部署工具支持常见模型原版、量化、加速版本的快速部署。对学校和培训机构来说，这类工具的价值是：把环境搭建的事情交给专业工具，让老师把时间花在教学上，让学生把时间花在学习上。

最后：模块化的价值 ​

为什么要做成模块而不是一套固定课程？因为AI技术变化太快了——今天的热门模型明年可能就过时了，今天的前沿技术明年可能就成了基础。如果课程是"一整块"的，更新一次就要推倒重来。

模块化的好处是：

• 灵活 — 不同人群选不同模块，按需组合
• 可更新 — 某个技术更新了，只换对应模块，不用改整个课程
• 可扩展 — 新技术出现了，加一个新模块就行
• 可验证 — 每个模块有明确的学习目标和产出，容易评估效果

生成式AI的课程设计，本质上不是"设计一门课"，而是"搭建一个可以持续迭代的课程体系"。模块是积木，怎么搭、搭多高，取决于你的目标和资源。但不管怎么搭，有一件事是确定的——实践环境是地基，地基打好了，上面的建筑才能稳。