课程：基于大模型的Agent技术应用开发实践

咨询

工具

讲座

Model Center

汽车系统工程

模型库

学习助手

会员

成功案例

相关课程

全部课程 >人工智能

基于大模型的Agent技术应用开发实践

22 次浏览

2 次

刘老师
超过18年软件研发与企业培训经验

时间地点：北京、上海、深圳根据报名开班

课程费用：5000元/人

报公开课		要内训

企业内训：可以根据企业需求,定制内训,详见内训学习手册

认证方式：
培训前了解能力模型。
培训后进行能力评测：

在线考试

能力分析，给出学习建议

合格者颁发证书，作为职业技能资格证明

     当下信息技术迭代提速，人工智能已成为驱动社会进步与产业升级的核心动力。作为 AI 的重要分支，Agent 智能体正逐步释放其独特价值，应用空间持续拓宽。然而尽管需求旺盛，企业落地时仍普遍受制于技术、场景、安全三道门槛，系统化的培训学习由此成为破局的关键抓手。
     Agent 智能体是一类能够自主决策、与环境交互并完成任务的软件实体。它可感知环境、理解用户需求、制定并执行计划，从而提供智能化服务。伴随大数据、云计算与深度学习等技术的演进，基于大模型的 Agent 智能体已在智能家居、自动驾驶、智能客服、医疗辅助等众多领域发挥重要作用。
     学习 Agent 智能体开发，有助于深入理解人工智能的基本原理与核心技术。掌握其设计、实现与优化方法，能帮助学习者更完整地认识 AI 系统的构建过程，为后续研究与开发夯实基础；同时，Agent 智能体在智能家居、自动驾驶、智能客服、医疗辅助等领域的开发实践，也具有广泛的实用价值。

课程简介：

课程系统剖析多套主流智能体架构，内容涵盖 SubAgent 多智能体协同、MCP 工具对接、人机交互、混合检索 RAG、Skill 封装、全链路观测、工程化脚手架等核心模块，助力企业推进智能化转型、夯实核心竞争力、实现可持续发展。课程同时帮助学员深入掌握 Agent 技术开发方法，提升项目落地与复杂问题攻关能力，完成从传统业务思维到数字化、智能化思维的跃迁。

培训对象：

AI工程师、算法工程师、软件设计师、架构师、技术负责人、各类软件企业和研发中心的程序员等

课程安排：2天

主题	课程安排
Agent核心概念与技术框架	1. Agent定义、与传统软件/LLM的关系 2. Agent五大能力：记忆、规划、工具、自主决策、推理 3. 多智能体协作与企业级应用场景 4. Agent四大要素（角色/目标/记忆/工具） 5. Agent的规划决策、记忆机制与工具调用核心技能
ReAct推理框架实战	1. ReAct框架原理：思考→行动→观察循环 2. LangChain核心模块（Model/Chain/Tool/Memory等） 3. 通过create_react_agent构建Agent 4. AgentExecutor运行机制与断点调试 5. 实战：鲜花定价Agent（完整思考-行动-观察链路）
DeepAgents核心机制	1. DeepAgents定位：Agent Harness核心架构 2. 虚拟文件系统上下文管理与代码执行器/Sandbox 3. 长会话Token优化（自动压缩+Summarization） 4. Task/Todos结构化任务规划与SubAgent事件流式传输
SubAgents多智能体委托与隔离	1. 为何需要SubAgent：上下文隔离与膨胀解决方案 2. SubAgent Spec快速创建与CompiledSubAgent挂载LangGraph 3. 动态调度/并行执行与独立工具集权限隔离 4. 主Agent与SubAgent结构化输出与结果回传
Human-in-the-Loop人机协同	1. Checkpointer中断恢复与interrupt_on敏感工具拦截 2. Approve/Edit/Reject/Respond四种决策模式 3. 工具参数修改与历史消息修复 4. 文件系统读写权限与敏感路径保护
Agent + MCP高级智能体	1. RAG/Agent/MCP区别与联系，MCP与FunctionCall关系 2. MCP服务接入（STDIO协议）与自定义Client开发 3. LangGraph Agent接入Github MCP服务 4. LangChain MCP Adapters高德地图路径规划+可视化
RAG——Agent的外部记忆与知识检索	1. Agent为何需要RAG：静态记忆 vs 动态知识检索 2. RAG核心流程：文档加载→分块→向量化→检索→生成 3. 向量数据库选型（Chroma/FAISS/PGVector）与Embedding配置 4. 混合检索实战：BM25关键词检索 + 向量语义检索双路召回与权重调优 5. Rerank重排序：提升召回Top-K精准度 6. 将RAG检索器封装为Agent Tool，供Agent动态调用
RAG评估与Agent知识整合	1. RAGAS评估框架：检索质量、生成准确性、上下文相关性量化评测 2. 基于评估结果优化分块大小、检索Top-K与Rerank阈值 3. Agent+RAG完整链路：用户问句→Agent规划→调用检索Tool→融合上下文→生成最终答案 4. 实战：基于LlamaIndex构建企业文档问答Agent
Skill能力固化与流程标准化	1. Skill核心理念：从工具调用到专家经验流程化 2. Skill结构化指令规范与渐进式加载机制 3. 业务逻辑提炼为可复用Skill（代码示例） 4. 基于评测驱动的Skill闭环迭代与标准Skill库构建
Agent可观测性——从调试到上线	1. Agent调试困境：黑盒执行链 vs 白盒追踪 2. LangSmith集成：对Agent全链路（思考/工具调用/SubAgent委托）进行追踪与耗时分析 3. 基于Trace数据优化决策路径与工具调用轮次 4. 评估驱动上线：通过EvalScope对Agent进行回归评测，支撑版本发布决策
Harness Engineering打造可上线业务能力	1. Harness vs Loop Engineering核心概念 2. 构建稳定执行脚手架与环境约束 3. 主循环设计与控制流评估逻辑 4. 多轮迭代+自省机制提升任务成功率 5. 边缘情况处理与异常自动恢复策略 6. 将工程化控制逻辑引入生产环境
综合实战——企业级Agent项目全流程	1. 场景定义：选一个企业真实场景（如智能客服+知识库、自动化运维助手） 2. 端到端实现：环境搭建→模型接入→RAG知识库构建→Agent创建→Skill封装→MCP工具集成→人机协同配置 3. LangSmith全链路追踪与性能调优 4. EvalScope评测验证与上线部署决策 5. 项目路演与总结