在 ai-engineer-notebooks 中，Capstone 毕业设计是整个课程的最后一关：把一个真实用户的问题，做成一个可部署、可评测、写进简历的 LLM 项目。本文完整拆解 Capstone 的硬性要求、现代技术栈选型、Agile 流程模拟和面试准备清单，帮新手用一套"实习级"叙事，快速做出能拿给面试官看链接的简历级 LLM 项目。

为什么你的 LLM 项目不能只是一个 Notebook

很多人把毕设做成一个 Notebook，但在筛选中这会暴露"周末黑客"的信号，而不是生产级判断力。仓库里 CAPSTONE.md 开宗明义：

The notebooks teach the skills; this project is what goes on your resume.

🎯核心原则：把它建成一个真实的代码仓库，部署上线、可以链接，能经受 15 分钟"敌意提问"。

先照着看一遍：四个端到端案例研究

在动手之前，建议先读（并运行）案例研究 01-customer-support-assistant.ipynb，它演示了一个客服助手从模糊需求到部署上线、再到生产环境调试的完整弧线。

12-case-studies-and-capstone/README.md 中列出了四个案例：

⭐ 关键洞察：面试和真实工作从不给你"实现一个 RAG 管线"，而是给你"我们的客服团队快淹死了，帮忙"。这两句话之间的差距，就是这份工作。

Capstone 的五个不可妥协项（Non-negotiables）

这是简历级 LLM 项目与玩具 Demo 的分水岭，逐项对照检查：

1. 真实数据—— 一份混乱的语料或工作流，而不是教科书级数据集（可参考 data/README.md 中的共享语料设计思路）
2. 一个不是你的真实用户—— 朋友的公司、团队、开源社区。面试官会追问你如何把对方模糊的需求翻译成系统
3. 一个 Serving 组件—— API 或应用，已部署、可链接，且你能在负载下推理其行为（对应 09-serving-inference/ 与 10-ml-system-design/ 章节）
4. 一套评测方法—— 书面评测报告，随时间跟踪；"它能跑"不算评测（对应 04-evals/ 章节）
5. 一份写作说明—— 用户问题、系统、评测结果、下一步计划

现代技术栈选型：从手写循环到框架

教学 Notebook 刻意"无框架"——你自己写 Agent 循环、RAG 和评测，理解每个库在做什么。Capstone 正是反转的时刻：组装真实技术栈，并准备好解释每个工具"它做什么、你为什么选它"。

这个"先手写、再上框架"的弧线本身就是一个强面试答案。按层选型（按需取用，不必全上）：

你不是算法方向的候选人，没人期待你发明新模型。招聘信号是AI 分布式系统 / 应用工程：把现代技术栈接进一个已部署、已评测、可运维的系统，并有意识地做成本/延迟/质量权衡。

三种高胜率项目形态

📌 选一个你最容易拿到真实数据的形态：

1. 基于真实混乱语料的 RAG—— API 后面提供服务，附带 MLflow 跟踪的评测报告，展示你测量了什么、因为测量改了什么
2. 自动化真实多步工作流的 Agent—— 带护栏和成本预算，用 LangGraph 编排，端到端可追踪
3. 当前工作中的内部 AI 工具—— 采纳率数字比架构图更有说服力

用系统思维的数字说话：QPS、成本与性能

这一层决定了你是"调了个 API"还是"拥有 Serving 层"。在写作说明中放一个简短的系统设计小节：

• 容量估算（Sizing）—— 沿用 10-ml-system-design/01-designing-an-inference-service.ipynb 的"餐巾纸算法"：预期 QPS、每请求 Token 数，因此需要多少 GPU（或托管端点成本），以及 10 倍流量时哪里会先崩
• 性能—— 你实际拉动的一个性能杆及其测量效果（batching 吞吐、量化的质量/延迟权衡、Prompt 缓存），必须绑定一个数字
• 可靠性与成本—— 重试/超时/降级（08-operations/02-reliability-and-fallbacks.ipynb），以及月成本和你会调哪个旋钮来削减它

面试官会追数字。"约 40 峰值 QPS、70% 利用率下约 2 张 GPU、月成本约 $3k，量化后砍半"是及格答案；"部署在云上"不是。

Agile 流程与角色分工：让项目读起来像实习经历

这段经历要在简历上读起来是实习级项目，意味着你需要一个工作过程的故事，而不只是交付物。面试官会问："你的角色是什么？团队怎么协作？需求变更怎么处理？"

双周 Sprint 节奏

• 用两周一个 Sprint：Backlog、Sprint 计划会、每日站会节奏、回顾会
• 工作以 Ticket 形式跟踪（Issues/Projects 即可）
• 即使是单人项目，也按 Sprint 叙述——这正是面试中讨论工作的方式

角色表：即使一人分饰多角，也要知道每个角色拥有什么

选一个你要写在简历上认领的角色（通常是 AI/ML Engineer），把它做深，并说清你如何与其他角色交接、依赖他们——这就是协作问题的答案。

💡 推荐 Mentor 角色扮演：让 Mentor 扮演 PM/利益相关方，给你模糊需求、Sprint 中途改需求、在 Demo 时质疑、在模拟评审中追问"为什么这个架构"。排练过程问题和排练技术问题同样重要——大多数候选人能描述系统，却在"团队是怎么做决定的？"上卡壳。

简历上的写法：流程 + 影响

CAPSTONE.md 给出了可直接套用的模板句式：

"为 [真实用户] 构建并部署了一个基于 [真实语料] 的 RAG 助手；在双周 Sprint 中负责 AI/评测层，用 vLLM 提供服务，配合 MLflow 跟踪的评测门禁；通过检索调优和量化把回答成本降低 40%，并用 50 条 Golden set 验证。"

结构是：范围 + 部署事实 + Sprint 过程 + 技术栈 + 一个数字化的改进。

上线前检查清单：面试准备清单（Interview Readiness Check）

上线前，逐行走一遍 docs/best-practices-and-anti-patterns.md，确认你的项目落在每一行的 ✅ 一侧。它是"构建这个时要注意什么？"这道面试题的标准答案表。

最终，确保你能"冷启动"回答以下六轮问题：

任何一个答案不扎实，对应章节的 Notebook 就是你要回去的地方。

学习路径速查：从 00 到 12 的路线

按顺序完成即可，每个 Notebook 都自带依赖安装与练习：

1. 00–01：环境配置（00-setup/00-environment.ipynb）与模型 API 基础（Prompting、结构化输出、Tool Calling）
2. 02–04：评测是主干——"先测量，再调优"的习惯在这里养成
3. 03：RAG 五连：是什么、嵌入检索、混合+重排、分块、失败诊断
4. 05：Agent 六连：从零手写循环、工具设计、护栏与预算、MCP、Skills、Harness 工程
5. 06–07：LoRA 微调的决策边界、Prompt 注入与信任边界
6. 08–10：LLMOps、可靠性与 MLflow、Serving 框架、推理性能、系统设计
7. 11–12：客户工程（Scoping）与 Capstone 毕业设计

🏁最后提醒：所有 Notebook 都跑在免费的 Groq API 上（无需信用卡），LoRA 与自托管 Serving 两个 Groq 无法覆盖的主题，提供概念先行 + 可选 Colab-GPU 附录。学习是免费的，而你的 Capstone 应该读起来像一份实习经历——这就是 ai-engineer-notebooks 从第 00 章到第 12 章为你铺好的路。