课程简介
本课程系统拆解 AI Agent 智能体的核心架构与工程实践，覆盖从行业趋势、核心组件（大脑、上下文管理、评估飞轮、技能与沙箱）到企业级落地的完整路径。课程重点强化LangGraph 状态图编排、CrewAI 多 Agent 协作、LangSmith/Langfuse 可观测性以及 Hermes/OpenClaw 智能体训练等前沿内容。通过深度案例与 Workshop，解析多智能体协同、记忆系统、RAG 进化、ACE 自适应优化、Harness 工程及技能设计范式。课程直面幻觉抑制、长程任务稳定性、评估闭环等真实挑战，帮助学员掌握从传统开发到 Agent 开发的转型方法，构建具备自演进能力的智能体系统。
目标收益
1.透彻理解顺序、层次、反思修正等推理模式，掌握LangGraph状态机编排逻辑，解决复杂业务流中的循环与持久化问题
2.学会 Multi-Agent 协同（CrewAI）、记忆融合（短期+长期）、幻觉抑制及基于 LangSmith/Langfuse的评估飞轮闭环
3.掌握 Skill 设计全流程（规划、创建、测试、迭代），以及Hermes/OpenClaw 驱动的智能体自进化与训练范式
培训对象
课程大纲
| 1.综述：AI 智能体行业趋势和演进概述 |
1.1 AI 智能体行业演进趋势分析 1.2 AI 智能体构建模式和工作模式 1.3 AI 智能体核心范式剖析 1.3.1【Workshop】剖析Agent核心推理范式：顺序、层次、动态重规划、反思修正等 1.3.2 技术栈选型深度分析：langgraph vs. LlamaIndex vs. CrewAI vs.自研框架的权衡 1.3.3 传统开发到 Agent 开发转型实战解析 1.4 企业通用智能体的诞生和架构设计实践 |
| 2.核心组件：Agent 大脑与编排进化 |
2.1 从工作流编排到多 Agent 协同实现大脑进化 2.1.1【案例】拆解 Multi-Agent 架构的核心范式与LangGraph实战 2.1.2【实践】LangGraph状态机编排：处理复杂业务流中的循环（Cycles）与反思（Reflection） 2.1.3【案例】CrewAI角色驱动的多 Agent 协作模式解析 2.1.4【Workshop】智能体重构实践案例 - 幻觉抑制实践 2.2 从意图识别实践案例看大脑进化的架构设计 2.2.1【实践】意图识别理论和案例看架构设计 2.3 多智能体协同与设计模式案例解析 2.3.1 多智能体协同的“设计模式”与拓扑结构 - 解析行业内协同核心模式最佳实践 - LangGraph：偏“状态机/有向图”的编排，Supervisor、Swarm、条件分支、持久化状态都更自然。 - CrewAI：偏“角色化团队 + 任务驱动”，更适合快速原型与业务流水线。 - AutoGen：偏“对话式协作（群聊/辩论/交接）”，适合多视角讨论、投票共识类场景 2.3.2 群体智能产品和技术设计 - 分工、共识、涌现、容错的设计揭秘 - 分布式知识与角色分工 - 长周期规划与状态追踪 - 并行效率与更多挑战 2.3.3 工业级最佳实践与源码级参考 |
| 3.核心组件：上下文管理系统与自进化训练 |
3.1 上下文管理系统综述 3.2 业界工程挑战和工程实践 3.2.1【案例】LangChain /LangGraph上下文处理哲学 3.2.2【案例】Claude Code 最佳实践 3.2.3【案例】OpenClaw基于文件系统的上下文管理与异步强化学习训练范式 3.3 解析 Agent x Memory：超越上下文，迈向真正的自主进化 3.3.1 Agent x Memory 综述 3.3.2 Agent 记忆系统的架构思考 3.3.3 主流 Agent 记忆架构的设计与探索 3.3.4 如何科学地评估一个 AI Agent 的记忆能力 3.4 OpenClaw 和 Claude Code 实现揭秘 3.4.1分层/结构化的动态上下文注入 3.4.2上下文压缩与“梦境整理” 3.5 智能体训练 / 进化方案 3.5.1学习 Hemers，理解基于轨迹 / 记忆的 SFT 冷启动与持续微调 3.5.2行业实践：上下文学习和技能反馈优化 3.5.3自进化智能体：环境交互 + 奖励信号的 RL 3.6 上下文管理 - 记忆部分从 RAG 到 Agentic 3.6.1【Workshop】从 RAG 到 Deep Research 智能体：全链路优化策略落地 3.6.2 短期记忆（对话上下文）与长期记忆（向量数据库+图数据库）的融合架构 3.6.3【Workshop】从 RAG 再看文件系统驱动的 Harness 架构设计 3.6.4【案例】从Hermes智能体看记忆架构、DSPy 驱动的技能自进化演进 3.7【前沿】Agentic Context Engineering（ACE）实战 |
| 4.核心组件：评估飞轮与全链路可观测性 |
4.1 智能体系统评估和优化指南 4.2【重点】LangSmith深度集成：全链路 Trace 追踪、数据集管理与回归测试 4.3【实践】Langfuse开源可观测性实践：成本监控、Prompt 版本管理与用户反馈闭环 4.4【实践案例】构建企业级 Agent 通用评估体系 4.5【案例】从某大厂评估体系落地与自进化分析看平台化建设和架构效率 |
| 5.核心组件：技能工具构建、沙箱与环境工程 |
5.1 通用智能体 + Skills 新架构趋势剖析 5.2 技能与工具 * Agent 集成新范式 5.3 SKill 技能设计最佳实践介绍 5.3.1 Skill 技能规划、设计、创建与编写技巧 5.3.2 Skill 技能测试、验证、评估与迭代 5.4 如何提升模型对技能 / 工具调用的准确性与执行稳定性 5.5 智能体重构实践案例 - Agent Harness + Skill 技能改造 5.6 沙箱技术深度解析和应用（Docker vs. WASM 选型） |
| 6.技术落地与最佳实践串联 |
6.1 Harness Engineering 深度解析 6.1.1 Anthropic / OpenAI / LangChain Harness 实践对比 6.1.2 从散装 Agent 到标准化的 Harness 组件 6.2 企业级 Agent 架构演进案例 6.3【Workshop】综合实战：利用LangGraph + CrewAI + LangSmith 构建自进化行业专家 Agent |
|
1.综述：AI 智能体行业趋势和演进概述 1.1 AI 智能体行业演进趋势分析 1.2 AI 智能体构建模式和工作模式 1.3 AI 智能体核心范式剖析 1.3.1【Workshop】剖析Agent核心推理范式：顺序、层次、动态重规划、反思修正等 1.3.2 技术栈选型深度分析：langgraph vs. LlamaIndex vs. CrewAI vs.自研框架的权衡 1.3.3 传统开发到 Agent 开发转型实战解析 1.4 企业通用智能体的诞生和架构设计实践 |
|
2.核心组件：Agent 大脑与编排进化 2.1 从工作流编排到多 Agent 协同实现大脑进化 2.1.1【案例】拆解 Multi-Agent 架构的核心范式与LangGraph实战 2.1.2【实践】LangGraph状态机编排：处理复杂业务流中的循环（Cycles）与反思（Reflection） 2.1.3【案例】CrewAI角色驱动的多 Agent 协作模式解析 2.1.4【Workshop】智能体重构实践案例 - 幻觉抑制实践 2.2 从意图识别实践案例看大脑进化的架构设计 2.2.1【实践】意图识别理论和案例看架构设计 2.3 多智能体协同与设计模式案例解析 2.3.1 多智能体协同的“设计模式”与拓扑结构 - 解析行业内协同核心模式最佳实践 - LangGraph：偏“状态机/有向图”的编排，Supervisor、Swarm、条件分支、持久化状态都更自然。 - CrewAI：偏“角色化团队 + 任务驱动”，更适合快速原型与业务流水线。 - AutoGen：偏“对话式协作（群聊/辩论/交接）”，适合多视角讨论、投票共识类场景 2.3.2 群体智能产品和技术设计 - 分工、共识、涌现、容错的设计揭秘 - 分布式知识与角色分工 - 长周期规划与状态追踪 - 并行效率与更多挑战 2.3.3 工业级最佳实践与源码级参考 |
|
3.核心组件：上下文管理系统与自进化训练 3.1 上下文管理系统综述 3.2 业界工程挑战和工程实践 3.2.1【案例】LangChain /LangGraph上下文处理哲学 3.2.2【案例】Claude Code 最佳实践 3.2.3【案例】OpenClaw基于文件系统的上下文管理与异步强化学习训练范式 3.3 解析 Agent x Memory：超越上下文，迈向真正的自主进化 3.3.1 Agent x Memory 综述 3.3.2 Agent 记忆系统的架构思考 3.3.3 主流 Agent 记忆架构的设计与探索 3.3.4 如何科学地评估一个 AI Agent 的记忆能力 3.4 OpenClaw 和 Claude Code 实现揭秘 3.4.1分层/结构化的动态上下文注入 3.4.2上下文压缩与“梦境整理” 3.5 智能体训练 / 进化方案 3.5.1学习 Hemers，理解基于轨迹 / 记忆的 SFT 冷启动与持续微调 3.5.2行业实践：上下文学习和技能反馈优化 3.5.3自进化智能体：环境交互 + 奖励信号的 RL 3.6 上下文管理 - 记忆部分从 RAG 到 Agentic 3.6.1【Workshop】从 RAG 到 Deep Research 智能体：全链路优化策略落地 3.6.2 短期记忆（对话上下文）与长期记忆（向量数据库+图数据库）的融合架构 3.6.3【Workshop】从 RAG 再看文件系统驱动的 Harness 架构设计 3.6.4【案例】从Hermes智能体看记忆架构、DSPy 驱动的技能自进化演进 3.7【前沿】Agentic Context Engineering（ACE）实战 |
|
4.核心组件：评估飞轮与全链路可观测性 4.1 智能体系统评估和优化指南 4.2【重点】LangSmith深度集成：全链路 Trace 追踪、数据集管理与回归测试 4.3【实践】Langfuse开源可观测性实践：成本监控、Prompt 版本管理与用户反馈闭环 4.4【实践案例】构建企业级 Agent 通用评估体系 4.5【案例】从某大厂评估体系落地与自进化分析看平台化建设和架构效率 |
|
5.核心组件：技能工具构建、沙箱与环境工程 5.1 通用智能体 + Skills 新架构趋势剖析 5.2 技能与工具 * Agent 集成新范式 5.3 SKill 技能设计最佳实践介绍 5.3.1 Skill 技能规划、设计、创建与编写技巧 5.3.2 Skill 技能测试、验证、评估与迭代 5.4 如何提升模型对技能 / 工具调用的准确性与执行稳定性 5.5 智能体重构实践案例 - Agent Harness + Skill 技能改造 5.6 沙箱技术深度解析和应用（Docker vs. WASM 选型） |
|
6.技术落地与最佳实践串联 6.1 Harness Engineering 深度解析 6.1.1 Anthropic / OpenAI / LangChain Harness 实践对比 6.1.2 从散装 Agent 到标准化的 Harness 组件 6.2 企业级 Agent 架构演进案例 6.3【Workshop】综合实战：利用LangGraph + CrewAI + LangSmith 构建自进化行业专家 Agent |
近期公开课推荐
