| 主题 |
课程安排 |
| Day 1： AI 思维启蒙与大模型入门（研发人员 AI 认知升级） |
| AI思维与行业启蒙 |
1) 各个行业AI应用趋势
2) 案例分析：智能客服、智能分拣、合规审查、报销自动化
3) AI思维在产品研发与运营优化中的应用 |
| 大模型原理与Ollama生态 |
1) GPT、LLM工作机制与主流模型对比（Llama3、DeepSeek、Qwen）
2) Ollama本地部署原理与安全优势
3) 内部模型调用策略与API封装结构 |
| 智能体（Agent）机制与应用场景 |
1) Agent核心组件：感知、决策、执行
2) 工作场景Agent案例：智能客服问答、工单智能派发
3) 实操：构建第一个“智能问答Agent” |
| 综合实战演练 |
1) 案例任务：基于工作场景，设计一个“信息查询Agent”
2) 工具：Ollama + LangChain + FastAPI |
| Day 2：大模型API调用与AI辅助编程（基于Ollama本地部署） |
| API调用基础与开发实践 |
1) Ollama SDK与API结构解析
2) 调用流程设计与请求优化
3) 实战：调用大模型生成结构化结果（JSON输出） |
| AI辅助编程与提示工程（Prompt Engineering） |
1) 提示词优化策略与上下文控制
2) 编码辅助：AI自动生成代码与单元测试
3) 案例：用AI生成“快件跟踪查询脚本” |
| 多轮对话与上下文管理 |
1) 对话状态保持与Session管理
2) 复杂任务分步执行与上下文推理
3) 实战：实现一个“AI客服对话流程管理模块” |
| 综合项目开发实战 |
1) 案例任务：开发“智能报销问答助手”
2) 目标：实现多轮问答、表格数据生成与错误校验 |
| Day 3：LangChain/LangGraph知识库与智能体应用实战 |
| LangChain/LangGraph框架原理 |
1) LangChain核心组件（LLM、Tools、Chains、Memory）
2) 语义检索与RAG（Retrieval-Augmented Generation）机制
3) LangGraph框架与核心组件 |
| 企业知识库构建实践 |
1) 从业务文档到知识库索引流程
2) 向量数据库（Chroma / Milvus）配置与使用
3) 实战：构建“政策知识库” |
| 智能体与工具集成 |
1) Agent Toolkits与多工具组合调用
2) 实战：构建“客服智能体”，集成查询+知识库检索功能 |
| 综合应用开发 |
1) 案例任务：基于LangChain/LangGraph实现“业务知识问答系统”
2) 输出：完整本地知识增强问答应用原型 |
| Day 4：智能体体系构建与多智能体协作（含 MCP 机制） |
| 智能体体系设计与任务编排 |
1) 单体Agent与多Agent协同模型
2) 意图识别与任务拆解逻辑（Intent Parsing）
3) 案例：运单异常分类智能体 |
| MCP （ Model Context Protocol ）机制原理 |
1) MCP在企业内部系统中的桥梁作用
2) 调用安全策略与接口设计规范
3) 实战：通过MCP访问内部数据库 |
| 多 Agent 通信与协作 |
1) 通信方式：事件驱动 / 消息队列 / HTTP协作
2) 案例：构建“客服Agent + 调度Agent”协同系统 |
| 综合实战开发 |
1) 案例任务：实现“多智能体协同派件调度系统”
2) 输出：具备任务分工与自动反馈的原型系统 |
| Day 5：多模态大模型应用开发与创新实践 |
| 多模态 AI 技术原理 |
1) 图像理解、OCR、语音识别与合成概述
2) Ollama本地多模态模型部署路径 |
| 图像与单据识别实战 |
1) 单据、发票、报销凭证OCR解析
2) 实战：图像到结构化数据转换
3) 输出：自动识别+字段抽取系统 |
| 语音识别与智能客服融合 |
1) 语音识别（ASR）与语音合成（TTS）技术流程
2) 案例：语音客服自动应答系统 |
| 综合实战开发与结营展示 |
1) 小组任务：整合多模态、智能体、知识库能力
2) 输出：智能办公助手原型（集报销识别+语音问答+知识检索）
3) 评审：专家点评与结业认证 |
