从访问控制、可靠性、成本、可观测性、评估与数据治理等维度，建立可审计、可回滚的生产级大语言模型应用体系。

围绕 Agent 执行循环、MCP 工具接入、状态控制、人工审批与可观测性，构建具备明确权限边界的多步骤 AI 系统。

介绍 Embedding、语义检索、文档切片、向量存储与 RAG 的完整链路，并讨论检索优化、权限、评估和 OpenAI File Search。

介绍 Token 的基本概念、Responses API 的 Usage 与 Token Counting、上下文窗口、Prompt Caching、成本计算和工程化 Token Budget。

介绍如何使用历史消息、previous_response_id 与 Conversations API 管理多轮对话，并讨论上下文裁剪、长期记忆、持久化和安全边界。

介绍如何使用 Function Calling 让大语言模型选择并调用业务工具，以及参数校验、权限控制、多工具循环和生产实践。

介绍如何使用 Structured Outputs、JSON Schema 与 Pydantic，将大语言模型输出转换成可校验、可维护的业务数据。

以 OpenAI Responses API 与 Python 为例，介绍从基础调用到结构化输出、工具调用、RAG 和生产实践。