课程简介
本课程摒弃传统的单一模型讲解模式，采用“架构演进”视角，带领学员走完 AI Agent 从原型（Prototype）到生产（Production）的全过程。
1. 由浅入深，重构认知：从最基础的 Prompt 和 Reasoning 范式入手，逐步深入到 Memory、RAG、Tools，最终落脚于企业级的 Harness 和 Graph 架构，符合工程师的学习曲线。
2. 问题导向，实战为王：针对当前大模型落地的核心痛点（幻觉、上下文丢失、工具调用失败、缺乏评估标准），设置了大量的真实案例（特别是金融/严肃场景），不讲空话，只讲解决方案。
3. 全栈覆盖，闭环思维：不仅关注模型本身，更强调“模型-数据-工具-评估”的四位一体。引入“评估飞轮”概念，强调只有通过科学的评估（红蓝对抗、RAGAS），才能实现 Agent 的自进化。
目标收益
1. 掌握 AI Agent 分层架构设计方法论：从 Prompt/Reasoning 范式入手，逐步深入 Memory、RAG、Tools，最终掌握企业级 Harness 和 Graph 架构，具备从原型到生产的全流程设计能力
2. 获得复杂场景实战代码经验：掌握处理复杂文档、抑制幻觉、管理长上下文的多套实战代码，覆盖 Advanced RAG（GraphRAG、Hybrid Search）、CLI 工具治理、Schema 强约束等高级工程手段
3. 掌握模型微调与对齐技术：学会 LoRA/Q-LoRA 参数高效微调与 DPO 对齐策略，能够利用私有数据打造具备领域深度的专用模型
4. 理解企业级评估与自进化体系：掌握红蓝对抗、RAGAS 评估框架、消融实验等科学评估方法，构建评估飞轮驱动的 Agent 自进化闭环
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 【互动研讨】剖析 Agent 核心推理范式与高阶推理架构与协同模式 1.3.1.1. ReAct（Reason+Act）模式：实现“思考-行动-观察”的闭环决策。 1.3.1.2. Plan-and-Solve 模式：针对复杂任务（如合规审查、投研分析）的先计划后执行逻辑。 1.3.1.3. Storm / LATS 等复杂设计模式的综合运用 1.3.1.4. 思维链（CoT）与自洽性（Self-Consistency）：提升逻辑推理严谨性，降低计算错误率。 1.3.1.5. 多智能体协同模式深化：流水线模式（Pipeline）、圆桌模式（Round Table）（多专家并行建议）、人机协作（Human-in-the-loop）（关键节点人工闸门）。 1.3.2 技术栈选型深度分析：LangChain / LangGraph vs. LlamaIndex 等开源框架 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 1.5 传统 Java/Python 等工程研发向 Agent 开发的思维转变路径 |
| 2. 核心组件：Agent 大脑 |
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 架构的核心范式与代码实战（可定制案例和绑定框架） 2.1.2 【互动研讨】智能体重构实践案例 - 幻觉抑制实践 2.1.3 【互动研讨 + 案例】严肃场景 Agent 设计案例介绍看 Harness 架构设计 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 |
| 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 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 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 上下文管理 - 记忆部分从 RAG 到 Agentic 3.4.1 【互动研讨】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 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 3.4.3 【互动研讨】从 RAG 再看文件系统驱动的 Harness 架构设计 3.4.4 【案例】从 Hermes 智能体看记忆架构和自进化演进 3.4.5 金融/严肃场景下的 Advanced RAG 与知识增强 3.4.5.1. 复杂文档解析管线：针对 PDF、扫描件、表格、图表的多模态处理（OCR + Layout Analysis + VLM）。 3.4.5.2. 检索精度突破： 1. 切分策略：固定窗口 vs 语义切分 vs 层级切分（父子索引）。 2. Hybrid Search 实战：BM25 关键词检索与向量检索的融合排序（RRF算法）。 3. Rerank 模型应用：引入 Cross-Encoder 进行二次精排。 3.4.5.3. GraphRAG 与知识图谱：构建实体关系图谱，解决传统 RAG 在多跳问答（Multi-hop QA）中的逻辑断裂问题。 3.4.5.4. Query Rewrite（查询重写）：将模糊自然语言转化为精准的 DSL 查询。 3.4.5.5. 评估体系：引入 RAGAS 框架，自动化评估检索质量（Context Precision）与生成质量（Answer Faithfulness）。 3.5 【前沿】Agentic Context Engineering（ACE）效果优化架构实践解析 3.5.1 基于 ICL（上下文学习）的 training-free 效果优化案例 3.5.2 【互动研讨】ACE 在长文本、多步骤任务中的自适应优化实践 1. 长上下文处理策略 1. 滑动窗口与摘要压缩：处理超长条款时的动态维护策略。 2. 记忆检索与衰减算法：构建工作记忆、浅层记忆与深层记忆的分层体系。 |
| 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 1. 量化指标与红蓝对抗 1. 评测指标设计：Accuracy（准确率）、Faithfulness（忠实度）、Compliance（合规率）。 2. 红蓝对抗（Red Teaming）：模拟对抗性攻击，检验模型鲁棒性与安全性。 3. 消融实验（Ablation Study）：定位性能提升来源（RAG改进 vs Prompt优化 vs 微调效果）。 |
| 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 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 1. 金融级安全与 CLI 范式 1. CLI 工具设计原理：为何严肃场景偏爱 CLI（命令行接口）而非直接 API 调用（安全审计、权限控制）。 2. Schema 100% 约束方案与置信度门禁。 3. 并行调用与工具治理：同时查询多数据源缩短时延。 5.5.2 Sandbox 选型与实践案例 |
| 6. 技术落地与最佳实践串联 |
6.1 Harness Engineering深度解析 6.1.1 Harness 前沿趋势与行业思路 6.1.2 业内最佳实践解析 6.1.2.1 Anthropic Harness 实践：长程任务的「脚手架」与「指挥官」 6.1.2.2 OpenAI Harness 实践：百万行代码后的「自动驾驶系统」 6.1.2.3 LangChain Harness 实践：DeepAgents 编码能力的跃升 6.1.2.4 从散装 Agent 到标准化的 Harness 组件 6.2 企业级 Agent 架构演进案例 6.2.x 【案例】多项案例脱敏 |
| 7. Agent 工程化演进：从 Loop 到 Graph 的系统化构建 |
7.1 Harness Engineering：构建标准化的 Agent 运行沙箱，统一 Tool Schema，实现 Agent 与环境的解耦 1. 核心模块：屏蔽底层异构性，确保工具（如 bank-pdf-cli）的稳定调用。 2. Anthropic 演进路径：Prompt -> Context -> Harness -> Loop -> Graph。 7.2 Loop Engineering：优化反思循环（Reflexion）与自我纠正机制，处理 Agent 运行中的循环逻辑与异常处理，提升自主性 1. 状态机管理：确保 Agent 在长周期任务中不丢失上下文进度。 7.3 Graph Engineering：利用 LangGraph 将复杂业务逻辑固化为状态图 1. 核心原理：状态机（State Machine）、CheckPoint 机制、边路由（Edge Routing）。 2. 价值：实现可视化管理、持久化存储与高可用部署，是企业级 Agent 的最高形态。 |
| 8. 模型训练与业务对齐：垂直领域的效能释放 |
8.1 模型微调与对齐技术（Fine-tuning & Alignment） 1. 数据准备：构建高质量的垂直领域指令集（Instruction Tuning Data）。 2. 参数高效微调（PEFT）：LoRA 与 Q-LoRA 技术实操。 3. 奖励模型与 DPO：快速对齐“合规”、“严谨”的业务偏好。 |
|
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 【互动研讨】剖析 Agent 核心推理范式与高阶推理架构与协同模式 1.3.1.1. ReAct（Reason+Act）模式：实现“思考-行动-观察”的闭环决策。 1.3.1.2. Plan-and-Solve 模式：针对复杂任务（如合规审查、投研分析）的先计划后执行逻辑。 1.3.1.3. Storm / LATS 等复杂设计模式的综合运用 1.3.1.4. 思维链（CoT）与自洽性（Self-Consistency）：提升逻辑推理严谨性，降低计算错误率。 1.3.1.5. 多智能体协同模式深化：流水线模式（Pipeline）、圆桌模式（Round Table）（多专家并行建议）、人机协作（Human-in-the-loop）（关键节点人工闸门）。 1.3.2 技术栈选型深度分析：LangChain / LangGraph vs. LlamaIndex 等开源框架 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 1.5 传统 Java/Python 等工程研发向 Agent 开发的思维转变路径 |
|
2. 核心组件：Agent 大脑 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 架构的核心范式与代码实战（可定制案例和绑定框架） 2.1.2 【互动研讨】智能体重构实践案例 - 幻觉抑制实践 2.1.3 【互动研讨 + 案例】严肃场景 Agent 设计案例介绍看 Harness 架构设计 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 |
|
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 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 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 上下文管理 - 记忆部分从 RAG 到 Agentic 3.4.1 【互动研讨】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 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 3.4.3 【互动研讨】从 RAG 再看文件系统驱动的 Harness 架构设计 3.4.4 【案例】从 Hermes 智能体看记忆架构和自进化演进 3.4.5 金融/严肃场景下的 Advanced RAG 与知识增强 3.4.5.1. 复杂文档解析管线：针对 PDF、扫描件、表格、图表的多模态处理（OCR + Layout Analysis + VLM）。 3.4.5.2. 检索精度突破： 1. 切分策略：固定窗口 vs 语义切分 vs 层级切分（父子索引）。 2. Hybrid Search 实战：BM25 关键词检索与向量检索的融合排序（RRF算法）。 3. Rerank 模型应用：引入 Cross-Encoder 进行二次精排。 3.4.5.3. GraphRAG 与知识图谱：构建实体关系图谱，解决传统 RAG 在多跳问答（Multi-hop QA）中的逻辑断裂问题。 3.4.5.4. Query Rewrite（查询重写）：将模糊自然语言转化为精准的 DSL 查询。 3.4.5.5. 评估体系：引入 RAGAS 框架，自动化评估检索质量（Context Precision）与生成质量（Answer Faithfulness）。 3.5 【前沿】Agentic Context Engineering（ACE）效果优化架构实践解析 3.5.1 基于 ICL（上下文学习）的 training-free 效果优化案例 3.5.2 【互动研讨】ACE 在长文本、多步骤任务中的自适应优化实践 1. 长上下文处理策略 1. 滑动窗口与摘要压缩：处理超长条款时的动态维护策略。 2. 记忆检索与衰减算法：构建工作记忆、浅层记忆与深层记忆的分层体系。 |
|
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 1. 量化指标与红蓝对抗 1. 评测指标设计：Accuracy（准确率）、Faithfulness（忠实度）、Compliance（合规率）。 2. 红蓝对抗（Red Teaming）：模拟对抗性攻击，检验模型鲁棒性与安全性。 3. 消融实验（Ablation Study）：定位性能提升来源（RAG改进 vs Prompt优化 vs 微调效果）。 |
|
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 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 1. 金融级安全与 CLI 范式 1. CLI 工具设计原理：为何严肃场景偏爱 CLI（命令行接口）而非直接 API 调用（安全审计、权限控制）。 2. Schema 100% 约束方案与置信度门禁。 3. 并行调用与工具治理：同时查询多数据源缩短时延。 5.5.2 Sandbox 选型与实践案例 |
|
6. 技术落地与最佳实践串联 6.1 Harness Engineering深度解析 6.1.1 Harness 前沿趋势与行业思路 6.1.2 业内最佳实践解析 6.1.2.1 Anthropic Harness 实践：长程任务的「脚手架」与「指挥官」 6.1.2.2 OpenAI Harness 实践：百万行代码后的「自动驾驶系统」 6.1.2.3 LangChain Harness 实践：DeepAgents 编码能力的跃升 6.1.2.4 从散装 Agent 到标准化的 Harness 组件 6.2 企业级 Agent 架构演进案例 6.2.x 【案例】多项案例脱敏 |
|
7. Agent 工程化演进：从 Loop 到 Graph 的系统化构建 7.1 Harness Engineering：构建标准化的 Agent 运行沙箱，统一 Tool Schema，实现 Agent 与环境的解耦 1. 核心模块：屏蔽底层异构性，确保工具（如 bank-pdf-cli）的稳定调用。 2. Anthropic 演进路径：Prompt -> Context -> Harness -> Loop -> Graph。 7.2 Loop Engineering：优化反思循环（Reflexion）与自我纠正机制，处理 Agent 运行中的循环逻辑与异常处理，提升自主性 1. 状态机管理：确保 Agent 在长周期任务中不丢失上下文进度。 7.3 Graph Engineering：利用 LangGraph 将复杂业务逻辑固化为状态图 1. 核心原理：状态机（State Machine）、CheckPoint 机制、边路由（Edge Routing）。 2. 价值：实现可视化管理、持久化存储与高可用部署，是企业级 Agent 的最高形态。 |
|
8. 模型训练与业务对齐：垂直领域的效能释放 8.1 模型微调与对齐技术（Fine-tuning & Alignment） 1. 数据准备：构建高质量的垂直领域指令集（Instruction Tuning Data）。 2. 参数高效微调（PEFT）：LoRA 与 Q-LoRA 技术实操。 3. 奖励模型与 DPO：快速对齐“合规”、“严谨”的业务偏好。 |
近期公开课推荐
