课程：LLM大模型与智能体开发实战（LLM+Agent+LangGraph +RAG+MCP）

咨询

成功案例

相关课程

全部课程 >人工智能

LLM大模型与智能体开发实战（LLM+Agent+LangGraph +RAG+MCP）

89 次浏览

3 次

刘老师
哈佛大学人工智能方向博后/高级访问学者，德高包豪斯大学媒体学员计算机视觉方向访问学者前华为公司数据科学家，浙江大学计算机专业工学博士

时间地点：北京+在线：11月13-14日；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

课程简介：

本课程目标是为学员提供一个基于大模型与智能体开发的应用架构蓝图，包括：LLM大模型、Agent、MCP、RAG、LangGraph、LangChain。让学员了解如何设计一个LLM的应用架构，把如上的技术集成在一起，实现协同工作。学员将学习并掌握在在一个完整的项目目标基础上各个技术的原理和应用方法。

培训目标：

     1) 理解大模型原理、Ollama 本地部署方法、模型 API 调用方式，掌握 AI 辅助编程的实际操作。
     2) 掌握 LangChain /LangGraph框架核心模块，搭建企业级 RAG 知识库系统（私有文档问答）。
     3) 掌握智能体架构设计、意图识别技术、MCP（多能力协议）封装企业接口。
     4) 理解多智能体（Multi-Agent）体系及协作机制，构建可通信的多智能体工作流。
     5) 掌握图像、OCR、语音识别与合成的本地实现，完成企业票据/报销单据结构化识别系统。

培训对象：

AI 智能体应用开发工程师

学员基础：

了解大模型及其相关的技术MCP、RAG

授课方式：

1. 为了提高培训效果，培训课程包括4个部分：
      1) 理论讲解：给出知识地图、透彻解析每个知识点，并结合案例解读知识。
      2) 案例分析：展示具体的应用案例，分析案例的应用需求、设计原理和应用效果。
      3) 实战演练：带领学员本地部署大模型，每个章节通过案例实践练习所学知识和技能。
      4) 互动交流：课程中每个章节安排交流活动，学员提问、讲师解答，并组织专题讨论。
2. 提供充实的学习资料，包括：课件、学员教材、学习参考资料。
3. 提供实践指南资料，包括：
      1) 实验手册：说明试验的目的、内容、操作步骤、预期结果。
      2) 示例代码：每个实验提供示例代码。

课程安排：2天

主题	课程安排
大模型与推理架构概览	1) 大模型发展历程 2) 大模型当前的进展 3) 大模型的典型应用 4) 大模型核心技术基础：Transformer、上下文、Token、量化 5) 当前主流大模型选型
大模型本地化部署	1) 大模型本地部署 vs 云端调用的区别与优劣 2) 大模型本地化部署适用的场景 3) Ollama 本地运行机制 • 模型管理 (ollama pull/run/list/serve) • GPU/CPU 推理与性能优化 4) API 体系与工具集成 • HTTP 调用接口 • Python SDK / JS SDK 调用方式 5) AI 辅助编程概念与生态 • GitHub Copilot、Cursor、Code Interpreter • 本地模型辅助开发（如 Ollama + VSCode）
本地知识库的构建	1) 本地知识库的使用场景 2) 向量检索与知识增强生成（RAG）原理 3) 构建本地知识库的核心框架：LLM、Prompt、Chain、Memory、Tool、Agent 4) 向量数据库选型（pgvector / Qdrant / Milvus） 5) 本地模型 + 向量库的一体化方案（Ollama Embedding）案例实践：构建“基于本地知识库的问答机器人”
智能体、意图识别与 MCP 能力接入	1) 智能体的定义 2) 智能体和大模型的关系 3) 智能体（Agent）核心：感知–决策–行动 4) 意图识别原理与实现（零样本/少样本/Embedding混合） 5) MCP（Multi-Capability Protocol）定义与设计原则 • 能力描述（JSON Schema / API Schema） • 工具封装与权限控制 2) 企业智能体架构：意图识别 + 工具调用 + 安全治理 1) 案例实践：构建一个智能体：自动根据意图调用报销/人事/会议系统
多智能体系统、协作与通信机制	1) 多智能体的适用场景 2) 单智能体 vs 多智能体系统 3) 典型角色模型：Planner / Executor / Reviewer / Critic / Coordinator 4) 协作模式：串行、并行、竞争与仲裁 5) 通信方式：消息传递、共享黑板、队列机制 6) LangGraph / AutoGen 框架简介 7) 案例实践：基于 Ollama + LangChain 实现多智能体协作
多模态大模型应用与开发	1) 多模态的适用场景与核心技术 2) 多模态模型分类：视觉+语言、音频+语言 3) Qwen 模型能力（文档理解、图表识别、版式OCR） 4) OCR 与结构化信息提取方法（Qwen + PaddleOCR 混合） 5) 语音识别（Whisper）与语音合成（CosyVoice 2） 6) 多模态统一接口设计（文本+图像+音频路由） 7) 案例实践：上传一张企业报销单 →模型识别姓名、部门、金额、单号、日期 →输出 JSON →语音播报结果