• 学习时长

      8周/建议每周至少6小时

    • 答疑服务

      专属微信答疑群/讲师助教均参与

    • 作业批改

      课程配有作业/助教1V1批改

    • 课程有效期

      一年/告别拖延，温故知新

    支持花呗分期

    已报满
    为什么要学这门课程
    2024年底以来，业内出现了如DeepResearch、Manus等现象级Agent应用，这类产品的共同底座是AI Agent——基于大模型但不局限于大模型本身，具备自我反思、链式调用工具、多智能体协作能力，远超“会聊天、会检索”传统大模型的应用形态。如同移动互联网时代的APP一样，Agent将会在AI时代呈现涌现式的发展态势。
    只懂Prompt/简易RAG 难以支撑生产级需求
    目前现状

    目前现状：只会调用模型、调Prompt

    带来的问题

    带来的问题：无法处理链式决策、外部工具调用等需求，只能干巴巴地聊天

    目前现状：只会传统RAG

    带来的问题

    带来的问题：检索精度不够、评测无从下手，应用落地只停留在Demo阶段

    目前现状：缺乏Agent应用实战经验

    带来的问题

    带来的问题：容易重复造轮子，研发效率低，应用难落地

    本课程直击工业级需求
    从LLM与Agent基础知识入手，掌握RAG全流程和性能评估技巧，并基于此搭建“Agentic RAG”高性能知识库问答助手，能够通过自我反思与推理，实现复杂查询与问题解答；深入解析MCP协议与工具封装，学习单智能体应用、多智能体协作、记忆管理等智能体应用技术，接入浏览器、文档管理等外部工具，实现报告撰写智能体、通用多智能体应用，积累智能体应用实战经验。
    课程亮点
    系统视角
    从LLM机理到Agent应用实战，构建完整技术框架，避免碎片化学习
    工程实战
    每节课“先理论后实践”，通过写代码、跑指标，快速积累实践经验
    可迁移经验
    课程产出的ChatBot、RAG、AI Agent Demo可快速迁移至真实业务场景，缩短PoC周期
    课程收获
    硬技能
    • 掌握使用大模型应用框架快速搭建并部署ChatBot、RAG、AI Agent应用全流程。
    • 系统掌握RAG系统的发展路线以及优化策略，掌握工业级RAG系统的实现思路。
    • 掌握MCP Server的实现原理与接入应用方式，具备设计单智能体、多智能体应用的能力。
    软实力
    • 指标驱动迭代思维：掌握RAG系统评估思路，亲自尝试自动评估→调参→再评估的性能提升闭环。
    • 协议化、插件化开发理念：告别重复造轮子，让模型能力像积木一样组合。
    • 具备短时间内完成一个可演示、可度量、可扩展的AI应用原型的能力。
    讲师简介
    陈家豪
    大模型与Agent算法研究员
    硕士毕业于新加坡南洋理工大学，深耕群体智能仿真、大语言模型应用等领域，专注于检索增强生成技术与 Agentic AI 应用落地。先后主导或参与多个企业级知识库问答系统、多智能体应用项目。
    课程大纲
    • 1：开班仪式
    • 第1章: 大模型与Agent入门
    • 2：【课件】大模型与Agent入门
    • 第1节: 什么是大模型？
    • 3：【视频】什么是大模型？
    • 第2节: Transformer原理讲解
    • 4：【视频】Transformer原理讲解
    • 第3节: LLM模型结构发展：从稠密模型(Dense)到混合专家(MoE)
    • 5：【视频】 LLM模型结构发展
    • 第4节: LLM微调技术解读
    • 6：【视频】LLM微调技术解读
    • 第5节: 强化学习（RL）在大模型后训练中的应用
    • 7：【视频】后训练中的强化学习
    • 8：【视频】模型微调总结
    • 第6节: 实践讲解：搭建一个简单聊天机器人
    • 9：【视频】基于LazyLLM的实现
    • 10：【视频】 基于LangChain和LangGraph的实现
    • 第7节: 课堂小结与本章作业
    • 11：【视频】课堂小结与本章作业
    • 第8节: 作业：实验环境搭建与简单聊天机器人实现
    • 12-1：【作业】Project 1：实验环境搭建与简单聊天机器人实现
    • 12-2：【文档】作业说明：LazyLLM版本
    • 12-3：【文档】作业说明：LangGraph版本
    • 第2章: 提示词与ReAct基础
    • 13：【课件】提示词与ReAct基础
    • 第1节: 提示词工程
    • 14：【视频】提示词工程
    • 第2节: 主流LLM应用介绍与对比
    • 15：【视频】主流LLM应用介绍与对比
    • 第3节: AI Agent概述
    • 16：【视频】AI Agent概述
    • 第4节: 实践讲解：提示词工程与ReAct Agent实践
    • 17：【视频】基于LazyLLM的实现
    • 18：【视频】基于LangChain和LangGraph的实现
    • 第5节: 课堂小结与本章作业
    • 19：【视频】课堂小结与本章作业
    • 第6节: 作业：提示词工程与ReAct Agent实践
    • 20-1：【作业】Project 2：提示词工程与ReAct Agent实践
    • 20-2：【文档】作业说明：LazyLLM版本
    • 20-3：【文档】作业说明：LangGraph版本
    • 第3章: 朴素RAG搭建与评估
    • 21-1：【课件】朴素RAG搭建与评估
    • 21-2：【资料】ai papers
    • 第1节: RAG技术简介
    • 22：【视频】 RAG技术简介
    • 第2节: RAG技术演进
    • 23：【视频】RAG技术演进
    • 第3节: RAG系统评估
    • 24：【视频】RAG系统的评估
    • 第4节: 实践讲解：朴素RAG搭建及系统评估实践
    • 25：【视频】基于LazyLLM的实现
    • 26：【视频】基于LangChain和LangGraph的实现
    • 第5节: 课堂小结与本章作业
    • 27：【视频】课堂小结与本章作业
    • 第6节: 作业：朴素RAG搭建与RAG系统评估实践
    • 28-1：【作业】Project 3：朴素RAG搭建与RAG系统评估实践
    • 28-2：【文档】作业说明：LazyLLM版本
    • 28-3：【文档】作业说明：LangGraph版本
    • 第4章: RAG深度优化
    • 29：【课件】RAG深度优化
    • 第1节: 检索优化
    • 30：【视频】检索优化
    • 第2节: 召回优化
    • 31：【视频】召回优化
    • 第3节: 生成优化
    • 32：【视频】生成优化
    • 第4节: 实践讲解：RAG系统优化与AgenticRAG实践
    • 33：【视频】基于LazyLLM的实现
    • 34：【视频】基于LangChain和LangGraph的实现
    • 第5节: 课堂小结与本章作业
    • 35：【视频】课堂小结与本章作业
    • 第6节: 作业：RAG系统优化与Agentic RAG实践
    • 36-1：【作业】Project 4：RAG系统优化与AgenticRAG实践
    • 36-2：【文档】作业说明：LazyLLM版本
    • 36-3：【文档】作业说明：LangGraph版本
    • 第5章: MCP入门与Agent协议
    • 37：【课件】MCP入门与Agent协议
    • 第1节: 模型上下文协议（MCP）
    • 38：【视频】模型上下文协议（MCP）
    • 第2节: Agent应用中其他协议串讲
    • 39：【视频】Agent应用中其他协议串讲
    • 第3节: 实践讲解：MCP Server的部署及应用
    • 40：【视频】基于LazyLLM的实现
    • 41：【视频】基于LangChain和LangGraph的实现
    • 第4节: 课堂小结与本章作业
    • 42：【视频】课堂小结与本章作业
    • 第5节: 作业：搭建MCP Server并部署使用MCP的Agent
    • 43-1：【作业】Project 5：搭建MCP Server并部署使用MCP的Agent
    • 43-2：【文档】作业说明：LazyLLM版本
    • 43-3：【文档】作业说明：LangGraph版本
    • 第6章: DeepResearch复现
    • 44：【课件】DeepResearch复现
    • 第1节: 什么是DeepResearch
    • 45：【视频】什么是 Deep Research
    • 第2节: Deep Research应用拆解
    • 46：【视频】Deep Research应用拆解
    • 第3节: Deep Research的评估
    • 47：【视频】Deep Research的评估
    • 第4节: 实践讲解：Deep Research应用复现
    • 48： 【视频】基于LazyLLM的实现
    • 49：【视频】 基于LangChain和LangGraph的实现
    • 第5节: 课堂小结与本章作业
    • 50：【视频】课堂小结与本章作业
    • 第6节: 作业：Deep Research应用复现实践
    • 51-1：【作业】Project 6：Deep Research应用复现实践
    • 51-2：【文档】作业说明：LazyLLM版本
    • 51-3：【文档】作业说明：LangGraph版本
    • 第7章: 多Agent架构与常用工具集成
    • 52：【课件】多Agent架构与工具集成
    • 第1节: 多智能体技术介绍
    • 53：【视频】多智能体技术介绍
    • 第2节: 多智能体技术面临的挑战
    • 54：【视频】多智能体技术面临的挑战
    • 第3节: 智能体记忆管理介绍
    • 55：【视频】智能体记忆管理介绍
    • 第4节: Agent Benchmark：智能体应用评估标准
    • 56：【视频】Agent Benchmark：智能体应用评估标准
    • 第5节: 课堂小结
    • 57：【视频】课堂小结
    • 第8章: 通用智能体Manus类应用实现
    • 58：【课件】通用智能体Mauns类应用实现
    • 第1节: 为Agent优化的大模型
    • 59：【视频】Kimi-K2
    • 60：【视频】Gemini 2.5
    • 61：【视频】DeepSeek3.1
    • 62：【视频】OPPO Chain-of-Agents
    • 第2节: 多智能体技术面临的挑战
    • 63：【视频】通用智能体Manus类应用精讲
    • 第3节: 实践：多智能体应用复现实战
    • 64：【视频】基于LazyLLM的实现
    • 65：【视频】基于LangChain和LangGraph的实现
    • 第4节: 课堂小结与本章作业
    • 66：【视频】课堂小结与本章作业
    • 第5节: 作业：多智能体应用复现实战
    • 67-1：【作业】Project 8：多智能体应用复现实战
    • 67-2：【文档】作业说明：LazyLLM版本
    • 67-3：【文档】作业说明：LangGraph版本