多模态Agent开发实战营：解决什么工作场景

这门课聚焦于解决企业级应用中，如何将文本、图像、语音等多模态信息整合进智能Agent的问题。适合希望快速搭建跨平台、多渠道交互系统的产品经理、开发工程师或算法工程师。课程内容围绕全模态Agent的技术架构、开发流程和落地实践展开，目标是在3-4周内完成一个可部署的多模态Agent原型。核心解决场景包括客服系统的多模态问答、在线教育的图文音视频交互、以及智能助手的人机协作等。

适合什么基础及学习建议

课程假设学员具备Python编程基础和机器学习概念，但无需深度理解算法实现。初级开发者可重点学习资料包中“第一章：全模态 Agent 技术革命与一体化创作范式”的概述部分，理解多模态Agent的核心概念。有相关经验的学员建议直接进入“直播答疑-1.mp4”获取开发难点解析，并参考“学习手册”中的毕业条件清单进行针对性学习。资料中的开营直播视频（约1.5小时）包含技术选型建议，适合需快速决策学员。

资料如何配合练习

课程资料包含约400分钟的视频讲解和配套文档。学完第一章后，学员可尝试用资料中提供的示例代码框架，结合OpenAI API或类似工具开发一个简单的图文问答Agent。建议每完成一个技术模块（如语音识别集成、图像信息提取），就用资料包中“03 第一章”的相关练习题进行验证。直播答疑视频记录了学员常见问题，可作为开发过程中的参考。最终通过“04 毕业条件”中的功能测试标准，检验多模态Agent的集成效果。资料不包含具体API密钥，需自行申请，但文档中有配置指南。

*   **01 学习手册/**

   *   01 欢迎来多模态Agent开发实战营.html (648.00 B)

   *   02 课程形式及安排.html (334.00 B)

   *   03 学习群组与助教答疑.html (657.00 B)

   *   04 毕业条件.html (632.00 B)

   *   05 课程有效期、延期&退费申请.html


*   **02 直播/**

   *   开营直播.html (650.00 B)

   *   开营直播.mp4 (326.92 MB, 01:13:36)

   *   开营直播.pdf (1.13 MB)

   *   直播答疑-1.mp4 (127.96 MB, 40:57)


*   **03 第一章：全模态 Agent 技术革命与一体化创作范式/**

   *   1-1 全模态发展概述-上.mp4 (61.61 MB, 22:46)

   *   1-2 全模态发展概述-下.mp4 (133.72 MB, 29:34)

   *   1-3 多模态Agent爆发背景.mp4 (56.21 MB, 20:25)

   *   1-4 多模态Agent的技术架构-调整后.mp4 (56.00 MB, 26:34)

   *   1-5 复杂推理与规划.mp4 (74.18 MB, 27:55)

   *   1-6 创作工作流.mp4 (40.75 MB, 15:26)

   *   课件资料/ (文件夹)


*   **04 第二章：文生图 Agent 的智能创作革命/**

   *   2-1 AI 图像技术演进的过程.mp4 (54.05 MB, 28:06)

   *   2-2 主流文生图模型全景解析.mp4 (28.92 MB, 15:51)

   *   2-3 从角色一致性到-精确结构控制的技术突破.mp4 (80.07 MB, 37:10)

   *   2-4 FLUX实践部分.mp4 (161.24 MB, 36:52)

   *   2-5 图像到图像转换.mp4 (12.00 MB, 05:26)

   *   2-6 推理加速与实时生成.mp4 (41.02 MB, 21:38)

   *   2-7 LangGraph基础.mp4 (73.90 MB, 47:01)

   *   2-8 LangGraph实践.mp4 (264.19 MB, 58:14)

   *   2-9文生图 Agent 实践.mp4 (273.84 MB, 59:59)

   *   课件资料/ (文件夹)


*   **05 第三章：文生3DAgent与空间内容创作/**

   *   3-1 3D生成技术演进的过程.mp4 (35.03 MB, 15:58)

   *   3-2 主流3D生成技术全景解析-多图、单图生成3D场景.mp4 (161.72 MB, 43:47)

   *   3-3 主流3D生成技术全景解析-文本、多模态生成3D场景.mp4 (47.82 MB, 27:17)

   *   3-4 主流3D生成技术全景解析-3D场景编辑.mp4 (19.54 MB, 08:11)

   *   3-5 从象牙塔到商业化.mp4 (114.57 MB, 16:25)

   *   3-6 混元3D实践.mp4 (100.12 MB, 22:03)

   *   3-7 3DAgent实践.mp4 (269.81 MB, 57:03)

   *   课件资料/ (文件夹)


*   **06 第四章：视频生成Agent的动态内容创作/**

   *   4-1 AI 视频生成概述.mp4 (36.38 MB, 06:46)

   *   4-2 AI视频前沿技术与市场.mp4 (33.18 MB, 17:35)

   *   4-3 底层开源技术全景.mp4 (347.93 MB, 01:11:15)

   *   4-4 第三方商业视频平台对比.mp4 (64.30 MB, 31:22)

   *   4-5 视频模型生成实践.mp4 (201.79 MB, 49:19)

   *   4-6 视频Agent应用与工作流自动化.mp4 (85.54 MB, 22:16)

   *   4-7 视频生成Agent实践.mp4 (201.86 MB, 43:39)

   *   课件资料/ (文件夹)


*   **07 第五章：虚拟人生成技术与数字化身创作/**

   *   5-1 虚拟人技术演进.mp4 (103.48 MB, 35:44)

   *   5-2 开源技术全景解析-1.mp4 (241.12 MB, 51:44)

   *   5-3 开源技术全景解析-2.mp4 (163.12 MB, 29:26)

   *   5-4 技术选型.mp4 (95.83 MB, 30:39)

   *   5-6 虚拟主播生成Agent（上）.mp4 (187.03 MB, 36:23)

   *   5-7 虚拟主播生成Agent（下）.mp4 (294.99 MB, 52:37)

   *   课件资料/ (文件夹)


*   **08 第六章：语音合成Agent的音频内容革命/**

   *   6-1 语音合成.mp4 (55.17 MB, 23:01)

   *   6-2 开源生态架构分类.mp4 (86.59 MB, 45:32)

   *   6-3 TTS模型实践（上）.mp4 (61.83 MB, 19:30)

   *   6-4 TTS模型实践（下）.mp4 (199.09 MB, 01:27:56)

   *   6-5 开源生态架构分类-文生音乐.mp4 (99.27 MB, 34:54)

   *   6-6 商业TTS服务生态概览.mp4 (20.45 MB, 09:21)

   *   6-7 智能播客生成Agent实践.mp4 (198.24 MB, 43:35)

   *   课件资料/ (文件夹)


*   **09 第七章：ComfyUI工程化与生产级部署/**

   *   7-1 ComfyUI工程化与生产级部署.mp4 (76.00 MB)

   *   7-2 ComfyUI实践基础.mp4 (88.36 MB, 32:42)

   *   7-3 ComfyUI自定义节点.mp4 (125.10 MB, 37:59)

   *   7-4 ComfyUI工作流介绍.mp4 (96.67 MB, 16:38)

   *   7-5 ComfyUI服务化方式.mp4 (145.76 MB, 48:18)

   *   课件资料/ (文件夹)


*   **10 第八章：多模态理解RAG与内容分析Agent/**

   *   8-1 多模态理解通用模型 (26.55 MB)

   *   课件资料/ (文件夹)


*   **11 第九章：原生全模态Agent实战驾驭开源私有化部署/**

   *   无需咨询客服

   *   等待更新


*   **12 第十章：智能创作Agent平台构建与商业化/**

   *   无需咨询客服

   *   等待更新