课程简介
本课程聚焦AI Agent架构设计演进与落地实践，以Prompt→Context→Harness→Loop→Graph为主线，系统讲解推理规划、上下文与记忆、RAG/Agentic RAG、评估飞轮、技能工具、沙箱环境、多Agent协同及工程化落地。采用“问题→原理→架构→案例→投产”五步教学，动手实践占比50%以上，案例覆盖合规审查、投研、客服、Coding等真实场景，并支持按行业定制。学员将掌握架构选型与核心组件实现，具备把原型推进生产的能力，并带走代码骨架、评估基线、架构模板和投产检查清单。
目标收益
1.架构能力：能独立完成 Agent 系统的架构设计与选型
2.技术纵深：掌握全栈核心组件的原理与实现
3.工程落地：能把原型推到生产
4.场景迁移：能把方法论搬到自己的业务
培训对象
架构师/技术负责人，AI/算法工程师，后端/全栈工程师，产品/技术管理者
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和 LLM 第一性原理 1.2 AI 智能体构建和工作模式设计 1.3 AI 智能体核心架构演进范式剖析与 Harness 落地 1.4 【案例实践】企业通用智能体的诞生和架构设计实践 1.5 传统工程研发向 Agent 开发的思维转变路径 1.6 技术栈选型深度共创：开源 Agent harness 框架 vs. 自研框架的权衡和比对 |
| 2. 核心组件：Agent 大脑 |
2.1 高阶推理架构与协同模式 2.1.1 ReAct（Reason+Act）模式和场景实践：实现「思考-行动-观察」的闭 环决策案例（可定制案例和绑定框架） 2.1.2 Plan-and-Solve 模式和场景实践：针对复杂长程任务（如合规审查、投 研分析）的先计划后执行案例（可定制案例和绑定框架） 2.1.3 Storm / LATS 等复杂设计模式和场景实践：激发智能度场景前沿推理综 合运用（可定制案例和绑定框架） 2.1.4 【Workshop】推理规划模式提升智能度 VS 确定性幻觉一致平衡术 —— 结合场景实践案例落地（可定制案例和绑定框架） 2.2 从工作流编排到多 Agent 协同实现大脑进化 2.2.1 【案例实践】拆解 Multi-Agent 架构的选型权衡与代码实战（可定制案 例和绑定框架） 2.2.2 【Workshop】【案例实践】从智能体重构和严肃场景防幻觉实践案例看Harness 架构设计（可定制案例和绑定框架） 2.3 【案例实践】从意图识别实践案例看大脑进化的架构设计 |
| 3. 核心组件：上下文管理系统 |
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 云端 Agent 上下文处理哲学 3.2.2 【案例】Claude Code 本地 Agent 最佳实践 3.2.3 【案例】OpenClaw 基于文件系统的上下文管理新范式 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 主流 Agent 记忆架构的设计与探索 - 【案例】从 Hermes 智能体看记忆架构和自进化演进 3.3.3 如何科学地评估一个 AI Agent 的记忆能力 3.4 从 RAG 到 Agentic 3.4.1 【Workshop】【案例实践】从 RAG 到 Deep Research 智能体：从Indexing、Pre Retrieval、Retrieval、Post Retrieval、Memory、Generation、Orchestration 落地 RAG 优化策略 3.4.2 从 RAG 再看文件系统驱动和 long-context 架构选型设计 3.4.3 【Workshop】【案例实践】 Advanced / compiled RAG 与本体论Ontology 知识增强 3.4.3.1 复杂文档解析管线设计 3.4.3.2 检索精度突破策略实践 3.4.3.3 GraphRAG 与知识图谱 3.4.3.4 本体论 Ontology 从方案到实践落地 |
| 4. 核心组件：评估飞轮驱动的效果自演进闭环 |
4.1 智能体系统评估和优化指南 4.2 【实践案例】构建企业级 Agent 通用评估体系 4.3 【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 4.4 Agentic Context Engineering（ACE）效果优化架构实践解析 4.4.1 基于 ICL（上下文学习）的 training-free 效果优化案例 4.4.2 【Workshop】【案例实践】ACE 在长文本、多步骤任务中的自适应优化实践 |
| 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 5.1.1 如何提升模型对技能 / 工具调用的准确性与执行稳定性 5.1.2 工具集成和拓扑，提升长任务工具装配效率和效果案例 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 技能前沿趋势和设计思路 5.3.2 Skill 技能规划与设计 5.3.3 Skill 技能创建与编写技巧 5.3.4 Skill 技能测试与验证方案 5.3.5 Skill 技能评估与迭代 5.3.6 Skill 技能最佳实践解析 5.4 【Workshop】【案例实践】智能体重构实践案例 - Agent Harness + Skill 技能改造 5.5 沙箱技术深度解析和应用 5.5.1 CLI 工具赋能 Agent 与新一代 Agent 工具设计原则 5.5.2 Sandbox 选型与实践案例 |
| 6. Agent 工程化演进：从 Harness 到 Loop 再到 Graph 的系统化构建 |
6.1 Harness Engineering 深度解析 6.1.1 业内最佳实践解析 6.1.1.1 Anthropic Harness 实践：长程任务的「脚手架」与「指挥官」 6.1.1.2 OpenAI Harness 实践：百万行代码后的「自动驾驶系统」 6.1.1.3 LangChain Harness 实践：DeepAgents 编码能力的跃升 6.1.1.4 从散装 Agent 到标准化的 Harness 组件 6.2 【Harness + Loop + Graph 案例】Prompt -> Context -> Harness -> Loop ->-Graph 多项案例脱敏 |
| 7.模型训练 / 微调与业务对齐：垂直领域的效能释放（选讲） | |
|
8. 【Workshop】【案例实践】全流程实战：从零构建生产级智能体（可按需调整，适 配定制场景，如客服 Agent、长任务 Agent 等） |
8.1 需求定义与架构选型 8.1.1 问题拆解：上下文缺失、无法多步调试、环境隔离难 8.1.2 架构设计：确定「Planner + Executor + Reflector」的多 Agent 架构， 引入 File System Sandbox 8.1.3 技术栈初始化：LangGraph + Docker Sandbox + RAG 8.2 阶段一：基础 Loop 实现与工具封装 8.3 阶段二：上下文优化与 RAG 增强 8.4 阶段三：Graph 架构升级与容错处理 8.5 阶段四：评估、微调与投产 |
|
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和 LLM 第一性原理 1.2 AI 智能体构建和工作模式设计 1.3 AI 智能体核心架构演进范式剖析与 Harness 落地 1.4 【案例实践】企业通用智能体的诞生和架构设计实践 1.5 传统工程研发向 Agent 开发的思维转变路径 1.6 技术栈选型深度共创：开源 Agent harness 框架 vs. 自研框架的权衡和比对 |
|
2. 核心组件：Agent 大脑 2.1 高阶推理架构与协同模式 2.1.1 ReAct（Reason+Act）模式和场景实践：实现「思考-行动-观察」的闭 环决策案例（可定制案例和绑定框架） 2.1.2 Plan-and-Solve 模式和场景实践：针对复杂长程任务（如合规审查、投 研分析）的先计划后执行案例（可定制案例和绑定框架） 2.1.3 Storm / LATS 等复杂设计模式和场景实践：激发智能度场景前沿推理综 合运用（可定制案例和绑定框架） 2.1.4 【Workshop】推理规划模式提升智能度 VS 确定性幻觉一致平衡术 —— 结合场景实践案例落地（可定制案例和绑定框架） 2.2 从工作流编排到多 Agent 协同实现大脑进化 2.2.1 【案例实践】拆解 Multi-Agent 架构的选型权衡与代码实战（可定制案 例和绑定框架） 2.2.2 【Workshop】【案例实践】从智能体重构和严肃场景防幻觉实践案例看Harness 架构设计（可定制案例和绑定框架） 2.3 【案例实践】从意图识别实践案例看大脑进化的架构设计 |
|
3. 核心组件：上下文管理系统 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 云端 Agent 上下文处理哲学 3.2.2 【案例】Claude Code 本地 Agent 最佳实践 3.2.3 【案例】OpenClaw 基于文件系统的上下文管理新范式 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 主流 Agent 记忆架构的设计与探索 - 【案例】从 Hermes 智能体看记忆架构和自进化演进 3.3.3 如何科学地评估一个 AI Agent 的记忆能力 3.4 从 RAG 到 Agentic 3.4.1 【Workshop】【案例实践】从 RAG 到 Deep Research 智能体：从Indexing、Pre Retrieval、Retrieval、Post Retrieval、Memory、Generation、Orchestration 落地 RAG 优化策略 3.4.2 从 RAG 再看文件系统驱动和 long-context 架构选型设计 3.4.3 【Workshop】【案例实践】 Advanced / compiled RAG 与本体论Ontology 知识增强 3.4.3.1 复杂文档解析管线设计 3.4.3.2 检索精度突破策略实践 3.4.3.3 GraphRAG 与知识图谱 3.4.3.4 本体论 Ontology 从方案到实践落地 |
|
4. 核心组件：评估飞轮驱动的效果自演进闭环 4.1 智能体系统评估和优化指南 4.2 【实践案例】构建企业级 Agent 通用评估体系 4.3 【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 4.4 Agentic Context Engineering（ACE）效果优化架构实践解析 4.4.1 基于 ICL（上下文学习）的 training-free 效果优化案例 4.4.2 【Workshop】【案例实践】ACE 在长文本、多步骤任务中的自适应优化实践 |
|
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 5.1.1 如何提升模型对技能 / 工具调用的准确性与执行稳定性 5.1.2 工具集成和拓扑，提升长任务工具装配效率和效果案例 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 技能前沿趋势和设计思路 5.3.2 Skill 技能规划与设计 5.3.3 Skill 技能创建与编写技巧 5.3.4 Skill 技能测试与验证方案 5.3.5 Skill 技能评估与迭代 5.3.6 Skill 技能最佳实践解析 5.4 【Workshop】【案例实践】智能体重构实践案例 - Agent Harness + Skill 技能改造 5.5 沙箱技术深度解析和应用 5.5.1 CLI 工具赋能 Agent 与新一代 Agent 工具设计原则 5.5.2 Sandbox 选型与实践案例 |
|
6. Agent 工程化演进：从 Harness 到 Loop 再到 Graph 的系统化构建 6.1 Harness Engineering 深度解析 6.1.1 业内最佳实践解析 6.1.1.1 Anthropic Harness 实践：长程任务的「脚手架」与「指挥官」 6.1.1.2 OpenAI Harness 实践：百万行代码后的「自动驾驶系统」 6.1.1.3 LangChain Harness 实践：DeepAgents 编码能力的跃升 6.1.1.4 从散装 Agent 到标准化的 Harness 组件 6.2 【Harness + Loop + Graph 案例】Prompt -> Context -> Harness -> Loop ->-Graph 多项案例脱敏 |
|
7.模型训练 / 微调与业务对齐：垂直领域的效能释放（选讲） |
|
8. 【Workshop】【案例实践】全流程实战：从零构建生产级智能体（可按需调整，适 配定制场景，如客服 Agent、长任务 Agent 等） 8.1 需求定义与架构选型 8.1.1 问题拆解：上下文缺失、无法多步调试、环境隔离难 8.1.2 架构设计：确定「Planner + Executor + Reflector」的多 Agent 架构， 引入 File System Sandbox 8.1.3 技术栈初始化：LangGraph + Docker Sandbox + RAG 8.2 阶段一：基础 Loop 实现与工具封装 8.3 阶段二：上下文优化与 RAG 增强 8.4 阶段三：Graph 架构升级与容错处理 8.5 阶段四：评估、微调与投产 |
近期公开课推荐
