课程：基于大模型的Agent技术应用开发实践

咨询

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

10 次浏览

1 次

Schroeder
微软人工智能认证架构师，阿里云AI人工智能训练师

时间地点：北京、上海、深圳根据报名开班

课程费用：4500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：

       在当今快速发展的信息技术时代，人工智能（AI）已成为推动社会进步和产业升级的关键力量。其中，Agent智能体作为AI领域的一个重要分支，正逐渐展现出其独特的价值和广泛的应用前景。因此，学习Agent智能体的开发不仅具有深远的理论意义，更具有重要的实用价值。
       Agent智能体是一种能够自主决策、与环境进行交互并完成任务的软件实体。它们能够感知环境、理解用户需求、制定并执行计划，从而为用户提供智能化的服务。随着大数据、云计算和深度学习等技术的不断发展，大模型Agent智能体已经能够在众多领域发挥重要作用，如智能家居、自动驾驶、智能客服、医疗辅助等。
       学习Agent智能体的开发，首先可以帮助我们深入理解人工智能的基本原理和核心技术。通过掌握Agent智能体的设计、实现和优化方法，我们可以更全面地了解AI系统的构建过程，为未来的研究和开发工作打下坚实的基础。
       此外，学习Agent智能体开发还具有广泛的实用价值。在智能家居领域，Agent智能体可以实现智能家居设备的自动化控制和智能化管理，提高家庭生活的便捷性和舒适性。在自动驾驶领域，Agent智能体可以感知车辆周围的环境，制定并执行驾驶策略，从而确保行车安全和效率。在智能客服领域，Agent智能体可以自动处理用户咨询和投诉，提高客户满意度和服务效率。在医疗辅助领域，Agent智能体可以协助医生进行疾病诊断和治疗方案制定，提高医疗服务的准确性和效率。
       综上所述，学习Agent智能体的开发不仅有助于我们深入理解人工智能的核心技术，还能够为我们提供广泛的实用价值和应用前景。
       本课程面向零基础LLM应用开发者，不需要了解复杂数学算法，机器学习原理。建议具备基础的Python知识，但即使你对 Python 不太熟悉，也完全没有关系。课程主要阅读讲解部分案例代码。

培训收益：

1. 企业级 AI Agent智能体原理
2. 基于LangGrapg和CrewAI构建多Agent智能体
3. Agent智能体模式和核心模块
4. 基于低代码平台开发Agent智能体
5. Agent智能体协议和Skill
6. OpenClaw和Claude Code，Manus智能体原理

培训对象：

LLM应用开发者，智能体工程师

学员基础：

具备基础的Python知识

课程安排：2天

主题	课程安排
第一模块：企业级 AI Agent智能体原理
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 • 从大模型到智能体 • 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
第二模块：基于LangGrapg和CrewAI构建多Agent智能体
第一部分:基于LangChain中框架实现Agent	• ReAct框架 • LangChain中ReAct Agent 的实现 • LangChain中的工具和工具包 • 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
第二部分: 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
第三部分: LangGraph应用开发模板	• LangGraph模板简介 • 模板中常见的目录结构和编码风格 • 使用LangGraph模板 • 新项目模板 • ReAct智能体模板 • 充实数据智能体模板 • 记忆智能体模板 • RAG模板 • RAG研究智能体模板
第四部分: LangGraph应用案例分析	• 案例1-开放画布 • 主要功能和架构概览 • 控制流与智能体工作流模式 • 核心代码结构及其实现 • 案例2-报告大师 • 主体功能和架构概览 • 工作流 • 核心代码结构及其实现 • 案例3-AgentInbox • 功能和架构概览 • 控制流与环境智能体架构 • 核心代码结构及其实现
第五部分: 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
第三模块：Agent智能体模式和核心模块
第一部分: AI智能体系统的架构设计与模式应用	• 常见工作流 • 工作流的基础构建模块：增强型LLM • 提示链/路由/并行化 • 协调器——工作者 • 评估器——优化器 • 多智能体架构 • 主管架构/分层架构/网络架构 • 情境感知智能体架构 • 架构模式 • 人机环路交互设计 • 实现情境感知智能体架构
第二部分: 上下文工程基础理论	• 上下文工程概述 • 上下文的定义、类型与作用 • 上下文工程在企业级AI原生应用中的重要性 • 上下文工程的发展趋势与挑战 • 上下文工程设计原则与方法 • 上下文表示方法（向量表示、知识图谱表示等） • 上下文管理策略（上下文存储、更新、共享等） • 上下文工程设计的关键步骤与流程 • 基于大模型的上下文工程实践 • 大模型对上下文的理解与处理能力 • 使用大模型进行上下文生成、优化与推理 • 案例分析：基于大模型的客服上下文工程设计
第三部分: AI 智能体的记忆系统	• 短期记忆与长期记忆 • 短期记忆：维持对话的连贯性 • 长期记忆：实现跨会话 • 记忆存储 • 记忆存储的基本操作 • 通过语义搜索增强记忆检索 • 构建自定义记忆存储 • 记忆系统的实际应用 • TrustCall：信息提取和记忆更新 • LangMem 的核心组件 • LangMem 应用实例 • LangMem 关键函数解析 • 记忆系统设计的重要考量
第四部分: 智能体设计模式	• 围绕六大主轴感知、记忆、推理、行动、反思 • 智能体感知模式 • 智能体行动模式 • 智能体记忆模式 • 智能体反思模式 • 智能体推理模式 • 智能体协作模式
第五部分: 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
第四模块：基于低代码平台开发Agent智能体
第一部分: 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
第二部分: 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)
第三部分: 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
第五模块： Agent智能体协议和Skill
第一部分: 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
第二部分：A2A 协议原理和应用案例分析	• Agent 2 Agent协议概述 • A2A协议基本原理 • A2A协议与MCP的关系 • A2A的5大核心设计原则 • A2A协议的核心对象 • 使用多智能体框架创建A2A应用案例-智能绘画 • 基于LangGraph构建A2A应用案例 • 基于MCP和A2A协议联合构建智能体系统
第三部分: Agent Skills 核心技术	Agent Skills基础与开放标准 • Skill 运行环境与核心原理 • Skills架构核心 • SKILL.md编写规范与最佳实践 • 渐进式披露与Lazy Loading • Skills与生态协同 • 跨平台应用与工程化实践 • Skill 企业级应用实战 • 核心应用场景与Partner_Skills实战 • 企业部署、安全性与前沿趋势 • Agent Skills实践案例详解 • Claude Code 搭建Skill • Trae IDE 搭建 Skill • Skill 总结与展望
第六模块： OpenClaw和Claude Code，Manus智能体原理
第一部分：OpenClaw Agent全维度拆解	 OpenClaw的总体架构：控制器、执行器、资源库、通信层 • 核心架构剖析：控制器、执行器、资源库的协同工作机制。 • 元素识别技术：基于图像、控件、文本的混合识别引擎原理与适用场景。 • 底层通信协议： OpenClaw如何与操作系统及第三方应用进行高效、稳定的交互。 • 从消息输入到动作输出的完整流程：消息解析、意图识别、任务编排、执行反馈 • 核心组件详解：消息队列、任务调度器、插件管理器 • 设计哲学：模块化、可插拔、协议中立、安全优先 • 对比分析：OpenClaw与传统RPA、其他自动化框架的异同。
第二部分： OpenClaw网关与渠道适配器与路由级联	• 网关的作用：统一入口、路由分发、协议转换、负载均衡 • Lane机制原理：资源隔离、优先级调度、并发控制 • 如何配置多Lane：业务分流、租户隔离、任务分级 • 渠道适配器与路由级联：协议无关的架构 • 渠道适配器设计模式：适配器接口规范、内置适配器列表（飞书、钉钉、微信、HTTP等） • 自定义适配器开发：实现新渠道接入的步骤与示例 • 路由级联概念：多级路由转发、条件路由、动态路由 • 消息格式标准化：统一内部消息结构，屏蔽渠道差异 • 实战案例：同时接入飞书和钉钉，实现消息互通与处理
第三部分: Claude Coding Agent智能体分析	• 什么是 Claude Code：定位、核心能力、与传统 IDE 的区别 • Claude Code 的典型工作流：需求输入 → 上下文理解 → 代码生成 → 迭代优化 • 快速上手：环境配置、第一个辅助开发案例 • Memory 记忆系统详解 • 记忆系统的作用：长期记忆、短期记忆、会话记忆 • 如何构建有效的记忆：项目级记忆、用户偏好记忆、代码库知识记忆 • 记忆的存储与检索机制（向量化、索引、缓存） • 实战：为已有项目配置记忆库，实现跨会话的代码上下文保持 • 动手实践 • 初始化 Claude Code 环境，导入一个微型项目 • 使用记忆系统记录项目结构和关键逻辑，验证跨会话的上下文保留效果 • 子代理基础 • 为什么需要子代理：任务分解、专业化分工、并行处理 • 子代理的类型：通用型、领域专用型（如代码审查代理、测试生成代理） • 子代理的通信与协调机制 • 实战演练 • 场景：开发一个带数据库的 RESTful API 服务 • 分解任务：数据库设计代理、API 路由代理、业务逻辑代理、测试代理 • 在 Claude Code 中配置并运行多代理工作流，观察整体效率提升
第四部分: 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