Agent 开发实战 - 理解原理,设计高质量 Agent

Agent 开发实战 - 理解原理,设计高质量 Agent
    马上咨询

    郑晔 

    • 拥有 20 多年研发经验,对代码整洁之道、自动化测试有深入理解,同时也热衷于不断优化代码质量和研发效率。
    • ChatGPT 问世之后,迅速进入到 AI 应用开发领域,积累了丰富的理论和实战经验。
    • 曾任火币网首席架构师、ThoughtWorks 首席咨询师、Oracle Duke 选择奖获奖作品 Moco 的作者、复旦大学 MSE 客座讲师。

    服务过的企业:顺丰、Suncorp、REA、Starwood、交通银行、华为、中兴、国电南瑞、长沙银行、捕鱼达人、新奥集团等。


    课程内容
    第一天:设计高质量 Agent
    • 模块一:如何设计一个高质量的 Agent
      • Agent 演化:从聊天机器人到解决真实问题
        • 应用形态演进:聊天机器人 → RAG 与工作流 → Agent → 具身智能
      • 破除 Agent 的开发误区
        • 误区:一拥而上的 Agent 带来各种问题
        • 根因:缺乏系统化的设计方法
        • 决策:从业务开始考虑
      • Agent 开发全景图
        • Agent 的大脑:提示工程
        • Agent 的神经系统:编排模式
        • Agent 的手脚:能力体系
        • Agent 的知识库:上下文工程
        • Agent 的免疫系统:Harness 工程
    • 模块二:如何让 Agent 的大脑更好地思考
      • Agent 如何思考:用提示词引导 Agent 思考
        • Agent 提示词设计的误区:太少 / 关注点过多 / 指令模糊
        • 提示词的核心作用:引导大模型进行思考
        • 从提示词到提示工程:从能思考到会思考
      • Agent 的提示词布局:结构化设计
        • 不同部分提供不同信息
        • 常见组成部分:系统提示 / 角色 / 分隔符 / 结构化输出
        • 提示词缓存:降低计算成本、提升响应速度
        • 提示词动静分离:充分利用提示词缓存
      • 让 Agent 更好地思考
        • 推理引导技术:让 Agent 更好地思考
        • 思维链(CoT);深度思考本质是内部 CoT
        • 自我一致性 / 后退提示 / 思维树(ToT)
    • 模块三:如何为 Agent 设计工作流程
      • 为什么要开发自己的 Agent
        • 领域相关的工作流和数据
      • 如何为 Agent 设计工作流程
        • 任务分解:将 Agent 的工作过程进行拆解
        • 设计工作流:将工作过程重新组织
      • 编排模式:行业中的 Agent 工作流程最佳实践
        • 提示链 / 路由 / 并行 / 反思 / 规划 / 人机协同
        • 从需求到工作流:识别模式 → 绘制工作流图 → 决定每个节点用代码还是 Agent
    • 模块四:Skill:让 Agent 的能力越来越强
      • 工具:从聊天到工作
        • 工具调用的流程
      • MCP:工具的标准化
        • 从各自为战到统一标准
        • MCP 是如何工作的
      • Agent Skill:从封装工具到封装实践
        • Agent Skill:一种给 AI Agent 添加新能力的标准方式
        • Skill 的业务价值:将“专家经验”转化为“可复用的标准作业程序”
        • 渐进式披露:Skill 的核心原则
      • Skill 的基本结构
        • SKILL.md:核心文件
        • Skill 的文件引用
        • scripts:执行脚本
        • references:引用文档
        • assets:模板、资源
      • 安装 Skill
        • Skill 仓库:Skill 聚合体
        • 手工安装 Skill
        • 通过 skills 命令安装
      • 运行 Skill
        • 在 Claude Code 运行 Skill
        • 在 OpenClaw 运行 Skill
        • 在 VS Code 运行 Skill
      • 开发 Skill
        • 识别筛选 → 拆解建模 → 编写 SKILL.md → 辅助脚本 → 优化迭代
        • 核心原则:脚本做确定性的事,AI 做需要理解的事
    第二天:Agent 工程化
    • 模块五:如何让 Agent 知道更多事情
      • 大模型的局限性
        • 有限的知识:不是无所不知
        • 有限的上下文窗口:不能处理过长的内容
        • 无状态服务:不知道发生过的事情
      • 如何让 Agent 知道更多
        • 在运行时,告诉 Agent 应该知道的信息,也就是把上下文告诉 Agent
        • 上下文本质上是一种动态提示词,在 Agent 执行过程中实时组装
        • 把 Agent 当作一个实习生,你决定它该看什么、先看哪段、记下什么
      • 让 Agent 更了解你的业务:知识上下文
        • 确定检索来源:非结构化文本、结构化数据、网络搜索、API;混合检索
        • 如何优化检索信息:Garbage In Garbage Out、文本分块
        • 如何对检索过程进行优化:查询重写、重排序
        • RAG 技术的演进:传统 / GraphRAG / Agentic RAG
      • 如何让 Agent 记住你:记忆上下文
        • 短期记忆:在上下文窗口内的记忆
        • 全量历史 → 滑动窗口 → 摘要,及其各自局限
        • 长期记忆:跳出上下文窗口
        • 四层架构(写入 / 存储 / 检索 / 管理),存储分 Core / Recall / Archival
      • 如何规划有限的上下文窗口
        • 为什么要规划上下文窗口:Lost in the Middle:注意力两头强、中间弱
        • 管理上下文就是资源调度:重要的内容优先级更高
        • 常见的上下文管理技术:上下文压缩、渐进式披露、提示词缓存
    • 模块六:如何让 Agent 稳定地运行
      • 为什么 Agent 一上生产就会出问题
        • Demo 能跑 ≠ 生产能跑:出错、失控、不可见、被攻击
        • 不确定性来自核心本身(LLM)
      • 从能跑通到敢上线:Harness 工程
        • 可靠(兖底)/ 安全(守底线)/ 可控(人接管)/ 可观测(看得见)
      • 可靠:出错也能兖住
        • 不可靠的两类原因:传统工程问题 + 大模型专属问题(幻觉、工具误用、死循环)
        • 目标不是不犯错,而是有退路:能恢复、能降级、受控失败
        • 异常处理三阶段:检测 → 处理 → 恢复
        • 幻觉:可靠性最大的挑战
        • Grounding:管住幻觉,让回答有据可依
      • 安全:让 Agent 别闯祸
        • 危险来源:工具和大模型自身;无意的和有意的
        • 免疫系统:护栏,不是“限制 Agent 的能力”,而是“确保它稳健、可靠、有益”
        • 六层防御:输入 / 输出 / 行为 / 能力约束 / 审核 API / 人机协同
        • 最小权限、小模型守门;合规是国内底线
      • 可控:关键处人来拍板
        • 为什么不能完全自主:模型自身靠不住,而且有些事本来就该人做
        • 自主三个层级:全自主 / 半自主 / 人在环
        • 何时需要有人介入:关键节点
        • 人在环内 vs 人在环上:风险高,需要人在 AI 的工作流程内,反之,人在流程上监控即可
      • 可观测:干了什么看得见
        • 监控是传统服务最基础的功能
        • Agent “测不准”:离线 / 在线 × 输出 / 轨迹,四个维度
        • Agent 观测的三件武器:离线评估 / 在线监控 / Trace
    • 附加:金融领域的 Agent
      • 现状与趋势:从辅助工具到“数字员工”
        • 定位升级:从给人打下手,到自己能干活
        • 三大趋势:AI 基础设施化、Agent 应用深化、人机协同是主流
      • 核心场景:Agent 在金融里能干什么
        • 投研助手:重塑投研流程,7×24 研究覆盖(多 Agent + RAG)
        • 智能合规:事前预防,7×24 审核(护栏 + 人机协同)
        • 量化投资:因子挖掘、策略生成、组合风控(多 Agent 协同)
        • 智能客服与营销:千人千面,秒级响应
      • 海外标杆:大行是怎么做的
        • 摩根大通 / 贝莱德 / 高盛,AI 已是核心战略
        • 探索在继续
        • 长时间运行且自主运行的 Agent
        • 分析师与 AI 协同工作的工作流
      • 怎么落地:构建指南
        • 技术栈与生态
        • 金融工具与 Skill 生态
        • 知识方案:RAG vs 微调
        • 监管三级权限:用户决策、用户授权、Agent 自主决策
        • 数据安全:金融机构的生命线
      • 怎么衡量:评估与迭代
        • ROI 与效率
        • 金融评测基准:FinGAIA / FinEval 等
        • 安全治理评测:FinVault