基于大模型的Agent技术应用开发实践

大模型前沿应用实践 / 2026-01-16 15:50:35
基于大模型的Agent技术应用开发实践
    马上咨询


    讲师介绍

    讲师最近几年带队完成了数十个AI项目，内容不仅包括深度学习、机器学习、数据挖掘等具体技术要点，也包括AI的整体发展、现状、应用、商业价值、未来方向等，涵盖内容非常丰富。完成多个深度学习实践项目，广泛应用于医疗、交通、银行、电信等多个领域。从2020年推出的多门课程《AI大模型赋能行业应用与解决方案》《AI 大模型辅助软件研发管理与效能提升》和《AI大模型技术及开发应用实践》更是广受欢迎，已经为几十家企业培训，作为一名AI技术专家，对人工智能的理解深入透彻。他不仅精通AI的编程技术，还熟悉各种AI工具的使用，尤其在AI行业应用更是有着独特的见解和实践经验；自从2023年以来帮助多家研发中心做AI辅助开发效能提升咨询服务。同时也是微软人工智能认证工程师，阿里云AI人工智能训练师。在人工智能领域的深耕和创新，也得到了出版社的青睐，计划出版自己的著作。也在多家技术大会做AI技术讲座。

    为什么需要该课程

    在当今快速发展的信息技术时代，人工智能（AI）已成为推动社会进步和产业升级的关键力量。其中，Agent智能体作为AI领域的一个重要分支，正逐渐展现出其独特的价值和广泛的应用前景。因此，学习Agent智能体的开发不仅具有深远的理论意义，更具有重要的实用价值。

    Agent智能体是一种能够自主决策、与环境进行交互并完成任务的软件实体。它们能够感知环境、理解用户需求、制定并执行计划，从而为用户提供智能化的服务。随着大数据、云计算和深度学习等技术的不断发展，大模型Agent智能体已经能够在众多领域发挥重要作用，如智能家居、自动驾驶、智能客服、医疗辅助等。

    学习Agent智能体的开发，首先可以帮助我们深入理解人工智能的基本原理和核心技术。通过掌握Agent智能体的设计、实现和优化方法，我们可以更全面地了解AI系统的构建过程，为未来的研究和开发工作打下坚实的基础。

    此外，学习Agent智能体开发还具有广泛的实用价值。在智能家居领域，Agent智能体可以实现智能家居设备的自动化控制和智能化管理，提高家庭生活的便捷性和舒适性。在自动驾驶领域，Agent智能体可以感知车辆周围的环境，制定并执行驾驶策略，从而确保行车安全和效率。在智能客服领域，Agent智能体可以自动处理用户咨询和投诉，提高客户满意度和服务效率。在医疗辅助领域，Agent智能体可以协助医生进行疾病诊断和治疗方案制定，提高医疗服务的准确性和效率。

    综上所述，学习Agent智能体的开发不仅有助于我们深入理解人工智能的核心技术，还能够为我们提供广泛的实用价值和应用前景。

    你可以参加吗?

    • 各类软件企业和研发中心的程序员、软件设计师、架构师, 项目经理，业务架构师，公司管理者。
    • 本课程面向零基础LLM应用开发者，不需要了解复杂数学算法，机器学习原理。建议具备基础的Python知识，但即使你对 Python 不太熟悉，也完全没有关系。课程主要阅读讲解部分案例代码。


    课程内容安排
    第一部分:大模型驱动的Agent智能体概述
    1. 智能体的定义与特点
    2. 智能体与传统软件的关系
    3. 智能体与LLM的关系
    4. 从ChatGPT到智能体
    5. 智能体的五种能力
    6. 记忆，规划，工具，自主决策，推理
    7. 多智能体协作
    8. 企业级智能体应用与任务规划
    9. 智能体开发
    第二部分:基于大模型的Agent技术框架
    1. Agent的四大要素 
    2. Agent的规划和决策能力 
    3. Agent的各种记忆机制 
    4. Agent的核心技能：调用工具
    5. Agent的推理引擎：ReAct框架 
    6. 何谓ReAct 
    7. 用ReAct框架实现简单Agent 
    8. 基于ReAct框架的提示 
    9. 构建ReAct Agent 
    第三部分:基于LangChain构建智能体
    1. 何谓LangChain 
    2. LangChain中的六大模块 
    3. LangChain和Agent开发 
    4. LangChain构建智能体的类型
    5. LangChain构建工具
    6. 何谓LlamaIndex 
    7. 说说LlamaIndex 
    8. LlamaIndex和基于RAG的AI开发 
    9. 简单的LlamaIndex开发示例 
    第四部分:推理与行动的协同——通过LangChain中的ReAct框架实现
    1. 复习ReAct框架 
    2. LangChain中ReAct Agent 的实现 
    3. LangChain中的工具和工具包 
    4. create_react_agent创建鲜花定价Agent 
    5. 深挖AgentExecutor的运行机制 
    6. 在AgentExecutor中设置断点 
    7. 思考：模型决定搜索 
    8. 行动：工具执行搜索 
    9. 思考：模型决定计算 
    10. 行动：工具执行计算 
    11. 思考：模型完成任务  
    第五部分:计划和执行的解耦-通过LangChain中的Plan-and-Execute实现
    1. Plan-and-Solve策略的提出 
    2. LangChain中的Plan-and-Execute Agent 
    3. 通过Plan-and-Execute Agent实现物流管理 
    4. 为Agent定义一系列进行自动库存调度的工具 
    5. 创建Plan-and-Execute Agent并尝试一个“不可能完成的任务” 
    6. 完善请求，让Agent完成任务
    7. 从单Agent到多Agent  
    第六部分:Agent智能体实战--贴身管家：出行订票智能体
    1. 探索智能体：让代码思考起来 
    2. 解析LangChain与ReAct的核心思想 
    3. 智能体如何简化出行订票流程 
    4. 从0到1构建你的第一位出行助手Agent 
    5. 搭建开发环境：Agent工具与环境配置详解 
    6. 智能体核心模块解析：代码实现与逻辑设计 
    7. 案例总结
    第七部分:Agent智能体实战-智能翻译Agent
    1. 翻译需求分析与设计规划 
    2. 多语言支持与术语一致性设计 
    3. 输入输出格式与核心模块规划 
    4. 核心逻辑与代码原理：多语言模型与翻译算法详解 
    5. 多语言模型的调用与上下文保持 
    6. 翻译优化与错误处理机制 
    7. Prompt设计与多轮交互实现 
    8. 代码实现与智能体集成：从开发到部署的全流程 
    9. 翻译系统的代码实现与模块测试 
    10. 智能翻译系统的部署与优化
    第八部分:多Agent 最佳实践—langGraph框架
    1. 为什么选择多智能体架构？
    2. 常见的多智能体架构
    3. LangGraph架构和应用
    4. LangGraph 核心组件：节点与可控制性
    5. 节点与可控制性-第一个LangGraph
    6. 节点与可控制性-基本控制：串行控制&分支控制&条件分支与循环
    7. 节点与可控制性-精细控制：图的运行时配置&map-reduce
    8.  LangGraph 核心组件：持久化与记忆
    9. 记忆：短期记忆的实现&长期以及实现&使用总结技术优化记忆
    10.  LangGraph 核心组件：人机交互)
    11.  LangGraph 核心组件：时光旅行
    12.  LangGraph 核心组件：流式输出
    13.  LangGraph 核心组件：工具调用
    14. 基于LangGraph 构建代码助手
    15. 基于LangGraph 的提示词生成小助手
    第九部分:基于多模态构建Agent
    1. 多模态技术原理讲解
    2. 常用的多模态模型介绍、原理解析
    3. 多模态典型应用场景举例，以及技术实现
    4. 多模态技术实战
    5. 多模态需求输入：图像、语音、文本
    6. 语音输入集成模块
    7. 图像输入集成模块
    8. 核心需求理解与多轮输入整合模块
    9. 语音输入处理
    10. 利用多模态技术实现多模态智能聊天对话
    11. 基于多模态大模型的Agent开发
    第十部分:Agent智能体实战-智能邮件助理
    1. 需求分析：邮件助手的核心功能与用户痛点 
    2. 任务分类与优先级排序的需求分析 
    3. 实现多任务邮件管理的技术架构 
    4. 集成LLM处理自然语言邮件回复 
    5. LLM在多轮对话中的语境保持 
    6. 个性化与情感分析在邮件回复中的应用 
    7. 模板化与自定义语句生成的实现设计 
    8. 错误处理与异常情况的回复策略
    9. 个性化优化：学习用户风格的邮件写作
    10. 用户行为追踪与语言模型的训练优化
    11. 自适应个性化邮件模板的设计与实现
    第十一部分:CrewAI: 一款主流的多Agents开发框架
    1. CrewAI架构和原理
    2. CrewAI安装与第一个示例
    3. CrewAI 核心组件讲解
    4. CrewAI 核心组件：Agents
    5. CrewAI 核心组件：Task
    6. CrewAI 核心组件：Crew & flow
    7. CrewAI 核心组件：知识库 & 记忆
    8. 基于CrewAI 的游戏开发助手最近学习
    9. 基于CrewAI 的营销策略大师
    第十二部分:基于低代码平台--字节Coze 构建智能体
    1. Coze：零基础开发对话机器人
    2. Coze功能概述
    3. Coze基础能力
    4. Coze插件
    5. Coze工作流
    6. Coze记忆库
    7. 用工作流优化输出结果
    8. 基于字节Coze构建开发软件开发智能体
    9. 构建研发工程师agent案例
    第十三部分:基于低代码平台—开源DIfy构建智能体
    1. Dify：零基础开发对话机器人
    2. Dify：功能概述
    3. Dify：基础能力
    4. Dify：插件
    5. Dify：工作流
    6. Dify：记忆库
    7. 综合实战：基于Dify的数据库查询实现
    8. Dify本地化与Agent各终点发布(网页嵌入、微信、API)
    第十四部分:Agent实战--企业专属领域的智能客服
    1. 打造专属领域的客服聊天机器人
    2. 客服聊天机器人概述
    3. 客服聊天机器人价值简介
    4. 客服聊天机器人研发工具
    5. AI课程客服聊天机器人总体架构
    6. 前端功能设计
    7. 后端功能设计
    8. AI课程客服聊天机器人应用实例
    第十五部分:Manus产品分析和OpenManus源代码分析
    1. Manus产品架构解析：云端智能体、多工具调用、任务分解与自主执行
    2. Manus在职场的应用：文档智能处理、任务自动化、代码编写与调试
    3. Manus实操训练：任务自动化演练、网页数据采集、代码执行挑战
    4. Manus办公赋能：会议纪要自动总结、
    5. Manus 办公赋能：邮件自动分类与回复
    6. Manus 办公赋能：PPT生成对比
    7. OpenManus架构分析
    8. OpenManus设计思路分析
    9. OpenManus开源代码分析
    第十六部分:MCP原理与实战：高效AI Agent智能体开发
    1. 什么是MCP 
    2. MCP的起源与发展 
    3. 掌握MCP的好处 
    4. MCP的工作原理 
    5. MCP的核心架构 
    6. MCP的核心组件 
    7. MCP与API的区别 
    8. MCP与Function Calling的区别 
    9. MCP与A2A协议的区别 
    10. MCP的本地搭建 
    11. MCP案例分析
    12. 构建MCP案例
    第十七部分:Agent智能体实战--智能写作助手
    1. 需求分析与功能设计
    2. 内容生成的应用场景与需求挖掘 
    3. 多语言支持与语义校准的必要性 
    4. 个性化写作与用户偏好定制
    5. 模块设计与核心算法：搭建智能写作系统的逻辑框架 
    6. 内容生成与续写算法的实现原理 
    7. 多轮交互与上下文保持策略
    8. 智能写作系统的核心代码实现
    9. API集成与功能扩展方案
    10. Agent系统部署与性能优化
    11. 案例小结 
    第十八部分:Agent智能体实战--智能推荐Agent
    1. 推荐系统的需求分析与数据来源 
    2. 用户行为数据的采集与分析策略 
    3. 推荐系统中的特征工程与数据标注
    4. 协同过滤与内容推荐算法的应用 
    5. 基于用户和物品的协同过滤算法
    6. 基于内容的推荐算法实现
    7. 算法优化与模型训练
    8. 案例小结 

    最新动态

    点击阅读更多内容
    返回顶部