北京
InfoQ公布了三门线上认证班的具体安排，开课时间集中在2026年11月：11月12日的AI工程课由Adi Polak主讲（太平洋时区），11月13日的AI工程课由Lan Chu主讲（中欧时区），11月17日的高绩效团队课由Olimpiu Pop主讲。三门课切的是工程工作的不同侧面，从可靠的检索与智能体编排，到交付依赖、人与AI的责任划分，再到团队绩效的衡量方式。
生产级AI：检索、智能体与运行证据
AI应用远不止选模型这一步。检索可能给出过时或不完整的上下文；智能体越自主，控制和验证上的决策就越多；共享的AI基础设施则会带出归属权和推理成本的问题。InfoQ认证AI工程课覆盖的正是这些决策，内容包括检索增强生成（RAG）、上下文与记忆管线、智能体设计、AI基础设施、评估以及可靠性。
Adi Polak是《Scaling Machine Learning with Spark》的作者，也是一位搭建过机器学习和实时流处理管线的工程负责人，她带11月12日这一班。课程大纲借用QCon上关于上下文工程的材料，对比向量检索与Graph RAG，并讨论智能体如何共享状态与上下文。后几周涉及编排、控制、推理网关以及上线前的就绪评估。
Lan Chu是首席工程师，有七年多构建生产级数据与机器学习系统的经验，她带11月13日这一班。大纲来自她在QCon伦敦分享的案例：一套建立在超过1万份文档之上、被超过300人使用的RAG系统。课程内容包括追踪检索与索引决策、对比向量检索与Graph RAG、评估单智能体与多智能体设计，以及挑选生产就绪检查项。两个班各按主讲人公布的大纲推进，练习内容并不相同。
AI改变工作流之后的团队设计
代码产出变快，不一定意味着交付时间变短。评审、审批、基础设施依赖或者返工，都可能成为新的瓶颈。引入AI智能体还会改变谁准备上下文、谁评审输出、谁对决策负责。InfoQ认证高绩效团队课把这些互动放在同一套团队运作模型里考察。
11月17日这一班由Olimpiu Pop主讲，他是InfoQ播客联合主持人，在软件架构、工程管理和技术领导方面有20年经验。学员会考察团队边界与交付流、梳理依赖关系、思考哪些任务可以交给AI而哪些仍需人的判断，并评估熟悉的产出指标是否还有参考价值。小组结业项目要开发并展示一套目标运作模型，把责任、交付流、AI角色和度量方式串起来。
和其他公司的实践者一起把决策走一遍
这些班把来自不同公司的高级工程师和架构师聚在一起，把QCon演讲里的材料用到当下的工程决策上。学员在直播线上课中与主讲人一起工作，讨论不同做法背后的约束条件，再带着实际应用后的结果回到小组。课程不录像。每个班每周包含四小时直播，外加最多两小时的独立作业。认证取决于出勤情况和相应结业项目的完成质量；部分作业可能被考虑在InfoQ上发表，但发表并非自动。
完整的日期、各主讲人的大纲和参与方式，可在InfoQ线上认证课程网站上查到。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
