深入学习如何将 AI 部署到 AWS、GCP、Azure 和 Vercel，利用 MLOps、Bedrock、SageMaker、RAG、Agents 和 MCP—从零开始构建可扩展、安全且高度可观测的 AI 系统。
课程学习内容
- 使用 Clerk，将 SaaS LLM 应用程序部署到 Vercel、AWS、Azure 和 GCP 的生产环境
- 使用 Lambda、S3、CloudFront、SQS、Route 53、App Runner 和 API Gateway 设计云架构方案
- 与 Amazon Bedrock 和 SageMaker 集成，并利用 GPT-5、Claude 4、OSS、AWS Nova 和 HuggingFace 进行开发
- 使用 Terraform 自动将应用部署到开发、测试和生产环境，同时通过 GitHub Actions 实现持续交付
- 提供可扩展、安全、可监控、可解释、可观察且具备护栏控制功能的企业级 AI 解决方案
- 利用 Amazon Bedrock AgentCore 和 Stands Agents 构建多智能体系统与智能体闭环
课程学习要求
虽然最好你具备 Python 编程能力和一些与 LLMs 合作的经验，但这个课程是为各种背景的人设计的。我提供了一整个文件夹的自学实验，帮助你掌握基础的技术和编程技能。如果你是编程新手，唯一的要求就是要有足够的耐心！
这个课程最适合预算有限的学员，只需少量资金（几美元）用于 API 和云服务提供商。我们会全程监控费用，最终决定权在于个人。
课程核心描述
这是我的学生中，比任何其他课程都更频繁地要求我开设的课程——这门课程已经准备就绪。
缺门的 AI 课程。
本课程适合创业者、企业级工程师以及中间的每一个人。
不仅仅是 RAG——尽管我们会用到 RAG；它不仅涉及代理，未来将会有大量代理；这不仅仅关乎 MCP——当然会有大量的 MCP。
本课程主要介绍：RAG、代理、MCP 等更多技术，成功部署到生产环境。课程采用直播形式，打造企业级、可扩展、有弹性、安全、可监控的 AI 应用。你将利用 LLMs 和代理，在 Vercel、AWS、GCP 和 Azure 上部署真正用于生产环境的 AI，重点深入 AWS 平台。
在四周的学习中，你将完成四个产品的生产并推向市场。
四周课程学习规划
第一周
你将在 Vercel 和 AWS 平台上部署一个 Next.js SaaS 产品，利用 AWS App Runner 和 Clerk 实现用户管理与订阅功能。
第二周
你将成长为 AWS 平台的 AI 平台工程师，使用无服务器架构进行部署，包含 Lambda、Bedrock、API 网关、S3、CloudFront、Route 53；使用 Terraform 实现基础设施即代码；使用 GitHub Actions 建立 CI/CD 流水线，用于自动化部署和快速上线。
第三周
您将掌握 GenAI 在生产环境中的应用所需的各种行业技能，在 Azure 和 GCP 平台上部署配备 MCP 的网络安全分析师代理，建立 SageMaker 推理服务，建立数据导入至 S3 向量的流程，使用 OpenAI 开源模型在 Bedrock 和 MCP 平台上部署研究型代理。
第四周
你将全面进入生产中的完全自主状态，构建多智能体系统架构（Aurora 无服务器、Lambda、SQS），搭建基于 JWT 身份验证的 CloudFront 前端服务，实现 LangFuse 的监控与可观测性，学习 AWS Agent Core 简介。
最后，你将学会如何选择正确的架构、加强安全防护、监控费用、进行持续更新，掌握在生产环境中运行可扩展、可靠的 AI 应用的所有必要条件。
课程章节与实战项目
第一周
学习内容：使用 Vercel、AWS、Next.js、Clerk 和 App Runner 在生产环境中部署 SaaS 应用程序
实战项目：SaaS 医疗应用
第二周
学习内容：在 AWS 上结合 Bedrock、Lambda、API Gateway、Terraform 和 CI/CD 进行 AI 平台工程实践
实战项目：数字孪生第二代
第三周
学习内容：在 Azure、GCP、AWS SageMaker 和 S3 向量上部署生成式 AI 进行生产
实战项目：网络安全分析师
第四周
学习内容：在生产环境中构建并部署多智能体系统（AWS Aurora Serverless、Lambda、SQS），通过 LangFuse 和 Bedrock AgentCore 实现优化
综合项目：SaaS 财务规划工具
课程适配人群
如果您对在生产环境中部署生成式 AI 和智能体充满热情，那么这门课程正是为您量身打造的。