这门课在解决什么实际问题

目前企业落地 AI 应用，最大的痛点并非模型能力不足，而是通用大模型无法真正“干活”。传统对话机器人只能进行文本交互，无法自动读取本地文件、调用数据库或执行具体操作指令。这套课程聚焦的核心问题，正是让 AI 从被动的问答工具转变为具备执行能力的智能体，即当前技术圈最热门的 Agent 解决方案。

通过系统学习，你将掌握利用 GPT 系列模型，结合 LangChain 等主流开发框架，搭建具备工具调用、记忆保持及多步推理能力的智能应用。无论是构建企业内部的知识检索助手、自动化办公流程，还是针对特定行业需求定制专属工作流，这套方法论都能提供工程化的落地路径，切实解决业务场景中“AI 能看懂但不能动手”的困境。

适合谁学、门槛与学习顺序

本课程适合已具备 Python 编程基础、了解大模型基本概念，希望向 AI 应用开发转型的工程师、产品经理或技术爱好者。你不需要深厚的数学或算法背景，重点考察的是工程实践能力与框架熟练度。若零基础，建议先补齐 Python 基础语法再开始。

建议按以下顺序学习：首先攻克 Agent 核心概念与架构，理解智能体本质、ReAct 思维链及工具调用机制，建立完整的认知框架；其次熟练掌握 LangChain 或 LlamaIndex 等框架，学会将模型、记忆模块与外部工具串联；接着跟随课程完成私有助手、文档分析等经典案例实战，巩固编码手感；最后结合所在行业业务场景，尝试设计并实现专属智能体方案。

学完能独立做什么、资料如何配合练习

完成课程后，你将能够独立设计并部署以下应用：基于内部私有文档的专属问答系统、自动执行多步骤任务的办公助手、结合第三方 API 调用的业务自动化工作流，以及具备长期记忆能力的用户个性化智能体。

课程配套的项目代码是核心练习材料。务必亲手运行每一个案例，通过修改参数、替换工具接口、调整提示词来观察输出变化。不要仅满足于代码跑通，要尝试重构代码结构，加入自己的业务逻辑。对于复杂项目，建议分阶段提交代码版本，便于回溯与调试。实践过程中遇到的报错是深化理解的良机，应主动查阅官方文档与社区资源寻找解决方案，避免直接复制他人答案，从而真正内化技术细节。

课程介绍

适合人群： AI方向的同学们 你将会学到： AI领域爆火的Agent，利用GPT打造各场景应用实例 经典智能体框架的使用及其案例应用掌握如何搭建专属的私有助理结合业务场景需求构建专属工作流掌握当下AI+行业必备的技术模块

课程目录

QQ_1742898669573.png   2025-3-25 18:31 上传 课程介绍： 适合人群： AI方向的同学们 你将会学到： AI领域爆火的Agent，利用GPT打造各场景应用实例 经典智能体框架的使用及其案例应用掌握如何搭建专属的私有助理结合业务场景需求构建专属工作流掌握当下AI+行业必备的技术模块 课程目录：
第1章Agent架构解读与应用分析(1小时8节) 1-11-Agent要解决的问题分析[09:05] 1-22-Agent需要具备的基本能力[08:19] 1-33-与大模型的关系分析[06:37] 1-44-多智能体定义分析[06:02] 1-55-框架的作用和能解决的问题[09:04] 1-66-整体总结分析[04:12] 1-77-GPTS分析一波[08:36] 1-88-经典任务分析[08:31]
第2章COZE智能体搭建框架基本使用(22分钟2节) 2-11-COZE的基本使用解读与说明[10:08] 2-22-工作流中大模型的使用方法[12:40]
第3章COZE打造资料搜集与报告整理智能体(35分钟4节) 3-11-数据查找配置[09:48] 3-22-读取新闻内容并整理报告[10:43] 3-33-循环的配置与中间变量的作用[13:44] 3-44-循环体注意事项更新[01:01]
第4章COZE中配置自己的插件(34分钟3节) 4-11-插件的基本配置方法[11:00] 4-22-输入输出参数配置方法[09:09] 4-33-再工作流中配置自己的插件并使用[14:35]
第5章COZE结合飞书表格办公(56分钟6节) 5-11-DEMO演示与基本流程分析[10:14] 5-22-表格填入模块解读[10:15] 5-33-表格的输入与输出[08:51] 5-44-查找与匹配的方法[08:58] 5-55-全局变量设置方法[08:48] 5-66-智能体测试应用[09:42]
第6章 使用Coze动手做自己的Agent (42分钟 5节) 6-11-扣子开发平台实例解读[07:23] 6-22-技能测试与插件创建实例[08:40] 6-33-配置好自己的DIY技能[07:30] 6-44-工作流的基本配置流程和方法[10:19] 6-55-自己DIY的Agent测试与发布[08:59]
第7章 COZE打造自己的文案生成助手 (30分钟 3节) 7-11-产品功能与需求分析[06:45] 7-22-文案助手的工作流程设计[11:06] 7-33-配置插件与测试效果[12:44]
第8章 GPTS打造Agent实战 (33分钟 4节) 8-11-GPTS任务流程概述分析[10:07] 8-22-调用API的控制方式[06:16] 8-33-API相关配置完成[06:50] 8-44-完成指令与脚本并生成[09:52]
第9章 打造自己领域专属客服 (1小时7分钟 6节) 9-11-DEMO演示与整体架构分析[16:03] 9-22-后端GPT项目部署启动[12:27] 9-33-前端助手API与流程图配置[13:42] 9-44-接入外部API的方法与流程[10:55] 9-55-引入API方法解读[09:04] 9-66-指令提示构建[05:03]
第10章 autogen框架实战 (2小时30分钟 18节) 10-10-Python环境说明[12:14] 10-21-AutoGenStudio框架安装与介绍[08:21] 10-32-动作API配置方法[07:54] 10-43-国内常用API配置方法[07:02] 10-54-API接口在线测试[06:23] 10-65-工作流配置[07:04] 10-76-执行流程与结果[05:48] 10-8API生成方法[08:03] 10-9GroupChat模块[08:09] 10-10执行流程分析[05:35] 10-11外接本地支持库配置方法[13:25] 10-12加入RAG技能[05:32] 10-13LMStudio本地下载部署模型[09:40] 10-14调用本地模型方法与配置[09:44] 10-15AutogenStudio本地化部署流程[09:39] 10-16本地化部署接入应用实例[11:32] 10-17Ollama环境配置与安装[06:50] 10-18autogen接入本地模型[07:09]
第11章 metaGpt框架解读 (30分钟 3节) 11-11-论文概述分析[08:00] 11-22-整体框架逻辑介绍[10:47] 11-33-项目环境配置[11:38]
第12章 metaGpt应用实战-网上调研资料 (54分钟 6节) 12-10-基本Agent的组成[10:01] 12-21-Agent要完成的任务和业务逻辑定义[10:12] 12-32-问题拆解与执行流程[14:43] 12-43-检索得到重要的URL[06:37] 12-54-子问题生成总结结果[08:37] 12-65-总结与结果输出[04:13]
第13章 RAG检索架构分析与应用 (44分钟 6节) 13-11-RAG要完成的任务解读[07:12] 13-22-RAG整体流程解读[08:07] 13-33-召回优化策略分析[08:10] 13-44-召回改进方案解读[09:12] 13-55-评估工具RAGAS[09:01] 13-66-外接本地数据库工具[03:10]
第14章 斯坦福AI小镇架构与项目解读 (1小时11分钟 10节) 14-11-整体故事解读[06:27] 14-22-要解决的问题和整体框架分析[08:30] 14-33-论文基本框架分析[12:00] 14-44-Agent的记忆信息[07:26] 14-55-感知与反思模块构建流程[07:02] 14-66-计划模块实现细节[07:40] 14-77-整体流程框架图[05:30] 14-88-感知模块解读[05:12] 14-99-思考模块解读[04:33] 14-1010-项目环境配置方法解读[07:36]
第15章 langchain工具实例 (49分钟 5节) 15-11-langchain框架解读[09:18] 15-22-基本API调用方法[10:25] 15-33-数据文档切分操作[10:25] 15-44-样本索引与向量构建[10:02] 15-55-数据切块方法[09:37]
第16章 MOE多专家系统 (24分钟 3节) 16-11-MOE概述分析[06:29] 16-22-MOE模块实现方法解读[08:42] 16-33-效果分析与总结[09:20]
第17章 LLM与LORA微调策略解读 (1小时2分钟 5节) 17-11-大模型如何做下游任务[10:16] 17-22-LLM落地微调分析[14:00] 17-33-LLAMA与LORA介绍[12:20] 17-44-LORA微调的核心思想[09:13] 17-55-LORA模型实现细节[16:46]
第18章 LLM下游任务训练自己模型实战 (57分钟 5节) 18-11-提示工程的作用[14:46] 18-22-项目数据解读[09:42] 18-33-源码调用DEBUG解读[10:24] 18-44-训练流程演示[12:00] 18-55-效果演示与总结分析[10:17]
第19章 OPENAI-LLM模型优化总结 (25分钟 3节) 19-11-RAG与微调可以解决与无法解决的问题[10:05] 19-22-RAG实践策略[08:30] 19-33-微调要解决的问题[06:42]
第20章 llama3应用实战 (1小时15分钟 7节) 20-11-llama3模型下载与配置安装[10:16] 20-22-环境相关配置解读[07:57] 20-33-工具调用流程拆解[10:16] 20-44-功能调用方法实例[14:03] 20-55-RAG环境配置搭建[10:49] 20-66-LLAMA3应用-RAG搭建方法[11:33] 20-77-RAG基本流程分析[10:42]
第21章 llama3微调-量化-部署 (1小时1分钟 6节) 21-11-LORA微调方法[09:39] 21-22-指令微调所需数据与模型下载[09:55] 21-33-llama3模型微调实例[12:40] 21-44-llama3微调后进行量化[10:07] 21-55-llama.cpp量化实例[08:04] 21-66-部署应用[11:32]
第22章 计算机视觉项目实例 (46分钟 5节) 22-11-项目需求分析流程[06:15] 22-22-数据与特征库准备[10:21] 22-33-模型准备与项目分析[10:07] 22-44-模型选择方法总结[08:39] 22-55-项目经验总结与优化方法[10:43]
第23章 数据挖掘项目流程实例 (45分钟 5节) 23-11-数据挖掘要解决的问题[06:14] 23-22-数据处理与清洗分析[08:59] 23-33-特征工程的作用与流程[11:02] 23-44-机器学习算法分析[10:07] 23-55-模板到哪去找[09:22]
第24章 自然语言处理项目流程 (57分钟 5节) 24-11-知识图谱要解决的问题与流程分析[11:31] 24-22-知识图谱项目实际应用分析[13:13] 24-33-知识图谱实战应用项目解读[09:37] 24-44-大模型要解决的问题和应用分析[14:17] 24-55-工具总结分析开始学习