课程简介
本课程为期两天，系统讲解大语言模型基础与AI Agent核心原理，深入剖析Agent的感知、记忆、规划、工具调用等关键组件及ReAct运行机制。课程涵盖单Agent、多Agent协作、RAG+Agent等主流架构，并手把手带领学员使用CrewAI与LangChain两大框架进行Agent智能体开发实战，同时融入RAG知识库搭建、Token机制等实用内容。通过大量案例与实操练习，帮助学员快速掌握从理论到落地的完整技能栈，胜任企业级智能体应用开发工作。
目标收益
1.透彻理解LLM工作原理及Prompt工程、API调用等基础技能；
2.掌握AI Agent核心组件、运行循环及六大主流架构的设计思想；
3.能够使用Python从零实现简易命令行Agent，并熟练运用CrewAI完成多智能体协作开发；
4.具备基于LangChain构建问答链、记忆对话及RAG检索增强应用的能力；
5.学会Token计价、RAG评估等工程优化方法，为生产级部署奠定基础。
培训对象
课程大纲
| Day1 大语言模型介绍 |
大语言模型基础（LLM）工作原理 核心工作原理：Transformer 架构简析 如何与 LLM 交互：Prompt 工程 API 调用大模型介绍（deepseek、Qwen等） 主流大语言模型介绍 多模态大模型介绍 |
| Day1 AI Agent介绍 |
AI Agent 简介 Agent 与传统 AI 模型的区别 AI Agent 构成：像人一样思考与行动 AI Agent 的主要类型与应用场景 常见挑战与局限性 |
| Day1 AI Agent核心组件介绍 |
Agent整体架构 AI Agent 核心组件 — 感知层 (Perception) — 大脑 (Brain) — 工具 (Tools) — 记忆 (Memory) — 规划 (Planning) — Agent 运行循环 (Agent Loop) 案例：Agent内部运行机制案例详解 |
| Day1 Agent工作原理 |
AI Agent 的类型介绍 Agent 上下文工程介绍 工作流程：ReAct 循环 ReAct 循环完整案例介绍 Python 实现 AI Agent实操 — 感知模块 —— Agent 的"眼睛和耳朵" — 决策模块（大脑）—— Agent 的"指挥官" — 行动模块 —— Agent 的"执行者" — 记忆模块 —— Agent 的"工作笔记" — 工具模块 —— Agent 的"瑞士军刀" 实践练习：构建一个简单的命令行 AI Agent |
| Day1 Agent架构 |
什么是 Agent 架构 架构一：单 Agent 循环（Single Agent Loop） 架构二：规划 + 执行（Plan & Execute） 架构三：多 Agent 协作（Multi-Agent） 架构四：反思与自我修正（Reflection） 架构五：RAG + Agent（检索增强型智能体） 架构六：工作流编排（Workflow / DAG） 架构的应用场景、横向对比与如何选择 |
| Day2 Token（词元）介绍 |
什么是 Token (词元) Token 长什么样？ Token 和 字、 词 有什么区别？ Token 为什么重要？ 中文、英文Token 划分案例介绍 |
| Day2 RAG 与知识检索 |
RAG 基础原理 数据预处理与文档切分（Chunking） 向量检索—Embedding 模型 GraphRAG：知识图谱 + 检索融合 RAG 评估指标（RAGAS 框架） 案例：RAG本地知识库搭建和实战 |
| Day2 使用CrewAI 开发Agent智能体实战 |
CrewAI开源框架介绍 环境搭建与安装 LLM（模型层）关键属性配置 Agent（智能体）关键属性配置 Agent智能体开发 — 第一步：定义智能体 (Agent) — 第二步：创建任务 (Task) — 第三步：组建团队与设置流程 (Crew & Process) — 第四步：执行任务并获取结果 — Agent 调用外部 Tool（如：链接数据库等） |
| Day2 使用LangChain 开发Agent智能体实战 |
LangChain框架介绍 LangChain 包含的模块介绍 核心组件详解 — 模型 (Models) — 提示词 (Prompts) — 链 (Chains) & LCEL — 索引与检索 (Indexes & Retrieval) — 记忆 (Memory) — 代理 (Agents) 构建 LCEL 链 (LangChain Expression Language) 构建 LangChain 应用 — 案例 1：基础问答链实操 — 案例 2：带记忆的对话链 |
|
Day1 大语言模型介绍 大语言模型基础（LLM）工作原理 核心工作原理：Transformer 架构简析 如何与 LLM 交互：Prompt 工程 API 调用大模型介绍（deepseek、Qwen等） 主流大语言模型介绍 多模态大模型介绍 |
|
Day1 AI Agent介绍 AI Agent 简介 Agent 与传统 AI 模型的区别 AI Agent 构成：像人一样思考与行动 AI Agent 的主要类型与应用场景 常见挑战与局限性 |
|
Day1 AI Agent核心组件介绍 Agent整体架构 AI Agent 核心组件 — 感知层 (Perception) — 大脑 (Brain) — 工具 (Tools) — 记忆 (Memory) — 规划 (Planning) — Agent 运行循环 (Agent Loop) 案例：Agent内部运行机制案例详解 |
|
Day1 Agent工作原理 AI Agent 的类型介绍 Agent 上下文工程介绍 工作流程：ReAct 循环 ReAct 循环完整案例介绍 Python 实现 AI Agent实操 — 感知模块 —— Agent 的"眼睛和耳朵" — 决策模块（大脑）—— Agent 的"指挥官" — 行动模块 —— Agent 的"执行者" — 记忆模块 —— Agent 的"工作笔记" — 工具模块 —— Agent 的"瑞士军刀" 实践练习：构建一个简单的命令行 AI Agent |
|
Day1 Agent架构 什么是 Agent 架构 架构一：单 Agent 循环（Single Agent Loop） 架构二：规划 + 执行（Plan & Execute） 架构三：多 Agent 协作（Multi-Agent） 架构四：反思与自我修正（Reflection） 架构五：RAG + Agent（检索增强型智能体） 架构六：工作流编排（Workflow / DAG） 架构的应用场景、横向对比与如何选择 |
|
Day2 Token（词元）介绍 什么是 Token (词元) Token 长什么样？ Token 和 字、 词 有什么区别？ Token 为什么重要？ 中文、英文Token 划分案例介绍 |
|
Day2 RAG 与知识检索 RAG 基础原理 数据预处理与文档切分（Chunking） 向量检索—Embedding 模型 GraphRAG：知识图谱 + 检索融合 RAG 评估指标（RAGAS 框架） 案例：RAG本地知识库搭建和实战 |
|
Day2 使用CrewAI 开发Agent智能体实战 CrewAI开源框架介绍 环境搭建与安装 LLM（模型层）关键属性配置 Agent（智能体）关键属性配置 Agent智能体开发 — 第一步：定义智能体 (Agent) — 第二步：创建任务 (Task) — 第三步：组建团队与设置流程 (Crew & Process) — 第四步：执行任务并获取结果 — Agent 调用外部 Tool（如：链接数据库等） |
|
Day2 使用LangChain 开发Agent智能体实战 LangChain框架介绍 LangChain 包含的模块介绍 核心组件详解 — 模型 (Models) — 提示词 (Prompts) — 链 (Chains) & LCEL — 索引与检索 (Indexes & Retrieval) — 记忆 (Memory) — 代理 (Agents) 构建 LCEL 链 (LangChain Expression Language) 构建 LangChain 应用 — 案例 1：基础问答链实操 — 案例 2：带记忆的对话链 |
近期公开课推荐
