第02章：技术栈准备——你需要会什么才能接单

你不需要是AI科学家。你需要的是：能把现有的开源工具组装成一个能跑的系统，然后教会客户的人用它。这是工程能力，不是研究能力。

---

FDE的最小技术栈

必须精通（不会就接不了单）：
├── Python（后端开发主力）
├── LLM API调用（OpenAI / 通义 / 文心 / DeepSeek）
├── RAG基础（Embedding + 向量搜索 + Prompt Engineering）
├── 一种向量数据库（ChromaDB / Milvus / Qdrant）
├── PostgreSQL（结构化数据）
└── Linux基础（部署在客户服务器上）

应该了解（不会也能接单，但做不好）：
├── Docker（容器化部署）
├── FastAPI（构建API服务）
├── 文档处理（PDF/Word/Excel解析）
├── 监控告警（Prometheus/Grafana）
└── 基本网络知识（防火墙、反向代理）

加分项（有就更容易接到单）：
├── 特定行业知识（制造/金融/医疗/法律）
├── Agent框架（Hermes / LangChain / CrewAI）
├── 前端（React/Vue，做管理界面）
└── MCP（Model Context Protocol）

---

核心技术详解

1. Python——你的主力武器

# 你不需要会高级Python。
# 你需要的是"能快速把东西拼起来"的能力。

# 必须会的：
import asyncio          # 异步编程（LLM调用很慢，不能同步等）
import httpx            # HTTP客户端
from fastapi import FastAPI  # Web框架
from pydantic import BaseModel  # 数据验证
import sqlalchemy       # 数据库ORM

# 不需要会的：
# - 机器学习框架（PyTorch/TensorFlow）
# - 数据科学（Pandas/NumPy的高级用法）
# - Python C扩展

2. LLM API——会调用就行

# 你不需要训练模型，你只需要会调用API。

# 最简单的LLM调用
import openai

client = openai.OpenAI(
    api_key="sk-xxx",
    base_url="https://api.deepseek.com"  # 国产模型通常兼容OpenAI格式
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你是一个专业的客服助手。"},
        {"role": "user", "content": "退货流程是什么？"}
    ]
)

# 你需要掌握的LLM知识：
# 1. System Prompt怎么写（决定AI的行为）
# 2. Temperature怎么调（0=确定性，1=创造性）
# 3. Token是什么（影响成本和速度）
# 4. Streaming怎么用（让用户不用等太久）
# 5. 不同模型的特点（GPT-4o贵但强，DeepSeek便宜但够用）

3. RAG——核心交付能力

# RAG = Retrieval Augmented Generation
# = 先搜索相关文档，再让LLM基于文档回答

# 最简单的RAG流程
class SimpleRAG:
    def __init__(self):
        self.vector_db = chromadb.Client()
        self.collection = self.vector_db.get_or_create_collection("docs")
    
    def add_document(self, text: str, metadata: dict):
        """入库"""
        self.collection.add(
            documents=[text],
            metadatas=[metadata],
            ids=[str(uuid4())]
        )
    
    def query(self, question: str) -> str:
        """查询"""
        # 1. 搜索相关文档
        results = self.collection.query(
            query_texts=[question],
            n_results=5
        )
        
        # 2. 拼接上下文
        context = "\n".join(results["documents"][0])
        
        # 3. 让LLM基于上下文回答
        response = self.llm.chat(
            system="基于以下文档回答用户问题。如果文档中没有相关信息，说'抱歉，我没有找到相关信息'。",
            user=f"文档：\n{context}\n\n问题：{question}"
        )
        
        return response

# 你需要掌握的RAG知识：
# 1. 文档怎么分块（分块策略）
# 2. Embedding模型怎么选
# 3. 检索参数怎么调
# 4. Prompt怎么写才能减少幻觉
# 5. 怎么评估效果

4. 文档处理——最脏但最重要的活

# 企业给你的文档是什么样的？
# 
# ├── 100个Word文件（有些是doc不是docx）
# ├── 50个PDF（有些是扫描件）
# ├── 30个Excel（每个结构都不一样）
# ├── 20个PPT
# └── 10个手机拍的照片

# 你需要会用的工具：
from docx import Document           # Word文件
import pdfplumber                     # PDF（文本型）
from pdf2image import convert_from_path  # PDF（扫描件→图片）
import openpyxl                       # Excel
from pptx import Presentation         # PPT

# 扫描件PDF的处理（需要OCR）
# 方案1：Tesseract（免费，效果一般）
# 方案2：PaddleOCR（免费，中文效果好）
# 方案3：云端OCR API（付费，效果最好）

# 真实的文档处理代码示例
class DocumentProcessor:
    async def process_file(self, file_path: str) -> list:
        ext = file_path.split(".")[-1].lower()
        
        if ext == "pdf":
            return await self.process_pdf(file_path)
        elif ext in ("doc", "docx"):
            return await self.process_word(file_path)
        elif ext in ("xls", "xlsx"):
            return await self.process_excel(file_path)
        elif ext in ("ppt", "pptx"):
            return await self.process_ppt(file_path)
        elif ext in ("jpg", "png"):
            return await self.process_image(file_path)
        else:
            raise ValueError(f"不支持的文件格式：{ext}")

5. 部署——从你的电脑到客户的服务器

# 最简部署：Docker Compose
# 你不需要会Kubernetes。

# docker-compose.yml
version: '3.8'
services:
  app:
    build: .
    ports:
      - "8000:8000"
    environment:
      - LLM_API_KEY=${LLM_API_KEY}
      - DB_URL=postgresql://user:pass@db:5432/rag
    depends_on:
      - db
      - chromadb

  chromadb:
    image: chromadb/chroma:latest
    ports:
      - "8001:8000"
    volumes:
      - chroma_data:/chroma/chroma

  db:
    image: postgres:15
    environment:
      POSTGRES_PASSWORD: ${DB_PASSWORD}
    volumes:
      - pg_data:/var/lib/postgresql/data

volumes:
  chroma_data:
  pg_data:

# 部署步骤：
# 1. ssh到客户服务器
# 2. 安装Docker
# 3. 复制代码
# 4. docker-compose up -d
# 5. 测试
# 6. 配置Nginx反向代理（如果需要域名访问）

---

技术学习路线图

第1个月：基础
├── Python异步编程
├── LLM API调用
├── ChromaDB基本使用
├── 写一个最简单的RAG Demo
└── 里程碑：能跑通一个问答Demo

第2个月：深入
├── 文档处理（PDF/Word/Excel）
├── 分块策略
├── Embedding模型选择
├── FastAPI构建服务
└── 里程碑：能处理真实文档并构建问答系统

第3个月：部署
├── Docker基础
├── Linux基本操作
├── PostgreSQL
├── 基本的日志和监控
└── 里程碑：能在云服务器上部署完整系统

第4个月：实战
├── 找一个真实场景练手（帮朋友/小公司免费做一个）
├── 完善你的部署脚本
├── 积累行业知识
├── 写技术博客
└── 里程碑：有一个可展示的案例

---

你不需要会的东西（别浪费时间）

❌ 不需要：
- 训练大模型（你调API就行）
- 写CUDA内核（你不做推理优化）
- 前沿论文复现（你做工程不做研究）
- Kubernetes（Docker Compose够用）
- 微服务架构（单体够用）
- 前端框架（除非客户要管理界面）

把时间花在：
- 文档处理（这是最脏最花时间但最有价值的技能）
- Prompt Engineering（直接决定AI回答质量）
- 客户沟通（技术只占50%，沟通占50%）

---

准备你的"武器库"

在接第一个单之前，你应该有：

1. 一个RAG模板项目（GitHub仓库）
   → 包含基本的文档处理、向量入库、搜索、LLM回答
   → 能在30分钟内跑起来一个Demo

2. 一套部署脚本
   → Docker Compose配置
   → 初始化脚本
   → 备份脚本

3. 一份评估工具
   → 自动测试检索质量
   → 自动测试回答质量
   → 生成评估报告

4. 一个Demo
   → 用公开数据做的RAG系统
   → 能给客户演示"这就是你们的系统大概的样子"

5. 一份方案模板
   → 项目概述
   → 技术方案
   → 时间计划
   → 报价

---

本章核心结论

1. FDE的技术门槛不高——你需要的是工程能力（组装），不是研究能力（发明）。
2. 核心技能：Python + LLM API + RAG + 文档处理 + Linux部署。
3. 不需要会训练模型、不需要会K8s、不需要懂前沿论文。
4. 准备一个可复用的模板项目是你的核心竞争力——每个新项目只是"换数据"。
5. 学习路线4个月：基础→深入→部署→实战。

---

下一章：定价策略——你的技术值多少钱？怎么报价不亏也不吓跑客户？