| 主题 |
课程安排 |
| Agent 开发基础与企业级AI Agent开发过程 |
| 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：Agent开发框架：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: 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) |
| 实操： |
体验手写与零代码 |
| AI Agent 应用架构与实现 |
| 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： 架构参考：OpenClaw和Claude Code，Manus |
| 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 |
| 第七模块：Harnness工程实践方法 |
| 第一部分：概念与背景 |
• Harness Engineering的定义与起源
• AI Agent的发展与工程挑战
• 从Prompt Engineering到Harness Engineering的演进
• Harness Engineering的核心价值与目标
• Harness 架构参考 |
| 第二部分：Harness Engineering核心组件 |
• 工具集成层
• 约束与规则系统
• 状态管理与持久化
• 验证与反馈机制/测试与评估
• 可观测性与监控/遥测
• 模块化架构设计 |
| 第三部分：Harness Engineering实践方法 |
• 约束设计
• 脚手架搭建
• 回收机制实现
• 环境设计与优化
• 错误恢复与中断处理
• 人类审批与交互设计
• Claude code /openAI garness 设计参考 |
| 实操： |
综合案例完成 |
