| 主题 |
课程安排 |
| 第一部分:大模型驱动的Agent智能体概述 |
智能体的定义与特点
智能体与传统软件的关系
智能体与LLM的关系
从ChatGPT到智能体
智能体的五种能力
记忆，规划，工具，自主决策，推理
多智能体协作
企业级智能体应用与任务规划
智能体开发 |
| 第二部分:
基于大模型的Agent技术框架 |
Agent的四大要素
Agent的规划和决策能力
Agent的各种记忆机制
Agent的核心技能：调用工具
Agent的推理引擎：ReAct框架
何谓ReAct
用ReAct框架实现简单Agent
基于ReAct框架的提示
构建ReAct Agent |
| 第三部分:
基于LangChain构建智能体 |
何谓LangChain
LangChain中的六大模块
LangChain和Agent开发
LangChain构建智能体的类型
LangChain构建工具
何谓LlamaIndex
说说LlamaIndex
LlamaIndex和基于RAG的AI开发
简单的LlamaIndex开发示例
|
| 第四部分:
推理与行动的协同——通过LangChain中的ReAct框架实现 |
复习ReAct框架
LangChain中ReAct Agent 的实现
LangChain中的工具和工具包
create_react_agent创建鲜花定价Agent
深挖AgentExecutor的运行机制
在AgentExecutor中设置断点
思考：模型决定搜索
行动：工具执行搜索
思考：模型决定计算
行动：工具执行计算
思考：模型完成任务 |
| 第五部分:
计划和执行的解耦-通过LangChain中的Plan-and-Execute实现 |
Plan-and-Solve策略的提出
LangChain中的Plan-and-Execute Agent
通过Plan-and-Execute Agent实现物流管理
为Agent定义一系列进行自动库存调度的工具
创建Plan-and-Execute Agent并尝试一个“不可能完成的任务”
完善请求，让Agent完成任务
从单Agent到多Agent |
| 第六部分:
Agent智能体实战--贴身管家：出行订票智能体 |
探索智能体：让代码思考起来
解析LangChain与ReAct的核心思想
智能体如何简化出行订票流程
从0到1构建你的第一位出行助手Agent
搭建开发环境：Agent工具与环境配置详解
智能体核心模块解析：代码实现与逻辑设计
案例总结 |
| 第七部分:
Agent智能体实战-智能翻译Agent |
翻译需求分析与设计规划
多语言支持与术语一致性设计
输入输出格式与核心模块规划
核心逻辑与代码原理：多语言模型与翻译算法详解
多语言模型的调用与上下文保持
翻译优化与错误处理机制
Prompt设计与多轮交互实现
代码实现与智能体集成：从开发到部署的全流程
翻译系统的代码实现与模块测试
智能翻译系统的部署与优化 |
| 第八部分:
多Agent 最佳实践—langGraph框架 |
为什么选择多智能体架构？
常见的多智能体架构
LangGraph架构和应用
LangGraph 核心组件：节点与可控制性
节点与可控制性-第一个LangGraph
节点与可控制性-基本控制：串行控制&分支控制&条件分支与循环
节点与可控制性-精细控制：图的运行时配置&map-reduce
LangGraph 核心组件：持久化与记忆
记忆：短期记忆的实现&长期以及实现&使用总结技术优化记忆
LangGraph 核心组件：人机交互)
LangGraph 核心组件：时光旅行
LangGraph 核心组件：流式输出
LangGraph 核心组件：工具调用
基于LangGraph 构建代码助手
基于LangGraph 的提示词生成小助手 |
| 第九部分:
基于多模态构建Agent |
多模态技术原理讲解
常用的多模态模型介绍、原理解析
多模态典型应用场景举例，以及技术实现
多模态技术实战
多模态需求输入：图像、语音、文本
语音输入集成模块
图像输入集成模块
核心需求理解与多轮输入整合模块
语音输入处理
利用多模态技术实现多模态智能聊天对话
基于多模态大模型的Agent开发 |
| 第十部分:
Agent智能体实战-智能邮件助理 |
需求分析：邮件助手的核心功能与用户痛点
任务分类与优先级排序的需求分析
实现多任务邮件管理的技术架构
集成LLM处理自然语言邮件回复
LLM在多轮对话中的语境保持
个性化与情感分析在邮件回复中的应用
模板化与自定义语句生成的实现设计
错误处理与异常情况的回复策略
个性化优化：学习用户风格的邮件写作
用户行为追踪与语言模型的训练优化
自适应个性化邮件模板的设计与实现 |
| 第十一部分:
CrewAI: 一款主流的多Agents开发框架 |
CrewAI架构和原理
CrewAI安装与第一个示例
CrewAI 核心组件讲解
CrewAI 核心组件：Agents
CrewAI 核心组件：Task
CrewAI 核心组件：Crew & flow
CrewAI 核心组件：知识库 & 记忆
基于CrewAI 的游戏开发助手最近学习
基于CrewAI 的营销策略大师 |
| 第十二部分:
基于低代码平台--字节Coze 构建智能体 |
Coze：零基础开发对话机器人
Coze功能概述
Coze基础能力
Coze插件
Coze工作流
Coze记忆库
用工作流优化输出结果
基于字节Coze构建开发软件开发智能体
构建研发工程师agent案例 |
| 第十三部分:
基于低代码平台—开源DIfy构建智能体 |
Dify：零基础开发对话机器人
Dify：功能概述
Dify：基础能力
Dify：插件
Dify：工作流
Dify：记忆库
综合实战：基于Dify的数据库查询实现
Dify本地化与Agent各终点发布(网页嵌入、微信、API) |
| 第十四部分:
Agent实战--企业专属领域的智能客服 |
打造专属领域的客服聊天机器人
客服聊天机器人概述
客服聊天机器人价值简介
客服聊天机器人研发工具
AI课程客服聊天机器人总体架构
前端功能设计
后端功能设计
AI课程客服聊天机器人应用实例 |
| 第十五部分:
Manus产品分析和OpenManus源代码分析 |
Manus产品架构解析：云端智能体、多工具调用、任务分解与自主执行
Manus在职场的应用：文档智能处理、任务自动化、代码编写与调试
Manus实操训练：任务自动化演练、网页数据采集、代码执行挑战
Manus办公赋能：会议纪要自动总结、
Manus 办公赋能：邮件自动分类与回复
Manus 办公赋能：PPT生成对比
OpenManus架构分析
OpenManus设计思路分析
OpenManus开源代码分析 |
| 第十六部分:
MCP原理与实战：高效AI Agent智能体开发 |
什么是MCP
MCP的起源与发展
掌握MCP的好处
MCP的工作原理
MCP的核心架构
MCP的核心组件
MCP与API的区别
MCP与Function Calling的区别
MCP与A2A协议的区别
MCP的本地搭建
MCP案例分析
构建MCP案例 |
| 第十七部分:
Agent智能体实战--智能写作助手 |
需求分析与功能设计
内容生成的应用场景与需求挖掘
多语言支持与语义校准的必要性
个性化写作与用户偏好定制
模块设计与核心算法：搭建智能写作系统的逻辑框架
内容生成与续写算法的实现原理
多轮交互与上下文保持策略
智能写作系统的核心代码实现
API集成与功能扩展方案
Agent系统部署与性能优化
案例小结 |
| 第十八部分:
Agent智能体实战--智能推荐Agent |
推荐系统的需求分析与数据来源
用户行为数据的采集与分析策略
推荐系统中的特征工程与数据标注
协同过滤与内容推荐算法的应用
基于用户和物品的协同过滤算法
基于内容的推荐算法实现
算法优化与模型训练
案例小结 |
