通过参加沐曦开源大模型应用软件工程实践课程，我获得了极具价值的经历，对大模型的应用开发有了系统性的认识，建立了完整的知识体系。课程内容紧密围绕智算技术前沿，将理论知识与工程实践完美结合，特别是对国产智算生态的理解更为深入。
在课程讲解方面，我深刻体会到：
课程对大模型与GPU硬件架构的深度融合进行了深入剖析。我们不仅学习了如何利用开源大模型进行应用开发，更重要的是，深入理解了沐曦自研GPU在底层硬件到应用层的软件工程实践，以及其在异构计算和大规模智算模型部署中的核心作用。特别是对MXC系列GPU的可扩展并行计算单元、定制化Tensor Core、高速片上互联等技术的讲解，让我认识到国产GPU已“可用”迈入“好用”阶段，通过硬件-软件协同设计，在LLM训练和扩散模型推理等场景展现出卓越的性能。这彻底重塑了我对智算基建的认知，理解了国产化软硬件协同设计对于推动智算产业发展的重要性。
此外，课程还详细介绍了沐曦智能Infrastructure提供的分层算力解决方案，包括GPU基座到集群再到云服务，通过资源解耦与弹性调度，能够显著降低百亿参数模型的推理成本。这让我对智算计算范式从单一算力向多层次算力协作的演进，以及“软件定义算力”的趋势有了更深刻的理解。
在课程实践项目中，我深切感受到：
数据处理的重要性: 高质量的数据是构建和优化大模型应用的基础。在实践中，我们通过构建RAG（检索增强生成）系统，验证了向量数据库和Embedding模型在解决知识时效性、生成幻觉等问题上的有效性，这让我对数据处理的重要性有了更直观的认识。
工程化思维的转变: 从单纯追求模型效果到平衡性能、成本和可维护性。在基于MCP协议的多层Agent开发实践中，我亲身体验了标准化工具链对复杂智算工作流编排的革命性提升，认识到工程化思维的重要性。
团队协作的价值: 大模型项目往往需要多角色协作完成。在Geeptest平台MaaS部署以及利用Scaling Law指导模型-数据协同扩展的实践中，我深刻理解了团队协作的重要性。特别是“Br智算n/Controller”架构的实践，让我认识到如何利用LLM作为智能中枢调度内存、规划器等组件，为企业级智算Agent提供可靠框架，这是一种超越单一技术点的创新。
通过对DeepSeek模型的深度适配，我亲身体验了全栈协同解决方案的实际操作，这让我对将理论知识应用于实际问题的工程实践能力有了显著提升。
总而言之，此次课程不仅加深了我对异构计算与大模型协同优化的理解，更揭示了国产智算产业落地的技术突破路径。未来我将把课程中习得的硬件感知优化、多阶段训练策略、Agent框架设计等核心方法论，应用于实际业务场景，助力企业把握智能算时代的主动权。