00 - AI Agent 开发实战 · 课程大纲

从零基础到独立开发 AI Agent 的 24 节系统课程
面向人群：有编程基础（前后端/测试等）的开发人员
总课时：24 节（每节约 60-90 分钟）
课程形式：理论讲解 + 代码演示 + 随堂练习 + 综合项目

📌 课程概述

• 课程定位：从零开始，系统掌握 AI Agent 的核心原理、开发框架与工程实践。
• 前置要求：了解基本的 HTTP 请求、JSON 数据结构，对 AI 大模型有基础认知即可。
• 核心目标：结业时能够独立设计、开发、测试并部署一个生产级的 AI Agent 应用。

🗺️ 课程总览

📖 详细课程大纲

模块一：认知篇 — 走进 AI Agent 的世界（2节）

第1节：AI Agent 是什么？

• 从 ChatGPT 到 Agent：大模型能力的边界与突破
• AI Agent 的定义：自主感知、规划、决策、执行
• Agent 的核心组成：LLM + 记忆 + 规划 + 工具
• 典型应用场景：智能客服、自动化办公、代码助手、数据分析 Agent
• 主流框架生态概览：LangChain、LlamaIndex、AutoGen、Dify 等

第2节：AI Agent 发展脉络与趋势

• 从符号主义到连接主义：Agent 的技术演进
• 重要里程碑：ReAct、Chain-of-Thought、Tree-of-Thoughts
• 2024-2026 年 Agent 领域最新进展
• Agent 的局限与挑战：幻觉、安全性、成本控制
• 动手：搭建第一个“Hello Agent”——用 API 调用大模型完成一次简单问答

模块二：基础篇 — 大模型调用与提示工程（4节）

第3节：大模型 API 调用实战

• 主流大模型 API 对比：OpenAI、Claude、国产模型（通义、文心、智谱等）
• API 调用基础：认证、请求构造、参数解析（temperature、top_p、max_tokens 等）
• 同步 vs 流式调用
• 动手：封装一个统一的 LLM 调用客户端

第4节：Prompt Engineering 核心技巧

• 什么是 Prompt：系统提示词 vs 用户提示词
• 经典技巧：角色设定、Few-shot、Chain-of-Thought
• 结构化输出：JSON Mode / Function Calling 实现可控输出
• 动手：设计一个“专业面试官”Agent 的提示词系统

第5节：Function Calling / 工具调用入门

• 什么是 Function Calling：让 LLM 调用外部函数
• 工具定义规范：JSON Schema 描述
• 工具调用流程：LLM 决策 → 执行工具 → 返回结果
• 动手：为 Agent 添加“查询天气”和“发送邮件”两个工具

第6节：从单次调用到对话上下文

• 对话历史管理：消息列表的维护
• Token 消耗与上下文窗口管理
• 动手：构建一个带记忆的简单聊天 Agent

模块三：框架篇 — LangChain 核心组件（6节）

第7节：LangChain 入门与 Model I/O

• LangChain 生态概览：核心模块与设计哲学
• Model I/O：LLM 与 ChatModel 的统一接口
• PromptTemplate 与 ChatPromptTemplate
• 动手：用 LangChain 重构第3节的 LLM 调用

第8节：Chain — 构建执行流程

• 什么是 Chain：将多个组件串联成流水线
• 常用 Chain：LLMChain、SequentialChain、RouterChain
• 动手：构建一个“问题分类 → 路由到不同专家”的 Chain

第9节：Memory — Agent 的记忆系统

• 记忆的类型：短时记忆（对话缓存）vs 长时记忆（向量存储）
• 常用 Memory 实现：ConversationBufferMemory、ConversationSummaryMemory、VectorStoreRetrieverMemory
• 动手：为 Agent 添加持久化记忆能力

第10节：Retrieval — 让 Agent 连接外部知识

• RAG 核心流程：Retrieve → Augment → Generate
• 文档加载与分割：如何高效处理长文档
• 向量数据库入门：Chroma / FAISS / Pinecone
• 动手：构建一个“企业知识库问答 Agent”

第11节：Tool 与 Agent Executor

• 深入 Tool 机制：从函数到工具的标准化封装
• Agent Executor：Agent 的运行时引擎
• 动手：构建一个多工具 Agent（搜索 + 计算 + 数据库查询）

第12节：深入 LangGraph — 有状态的 Agent 工作流

• LangGraph 是什么：超越 Chain 的图结构编排
• 节点、边、状态管理
• 动手：用 LangGraph 构建一个带条件分支的 Agent

模块四：进阶篇 — 架构、协作与记忆（6节）

第13节：ReAct 架构深度解析

• ReAct 论文精讲：Reasoning + Acting 的协同
• ReAct 的 Prompt 设计模式
• 动手：从零实现一个 ReAct Agent（不依赖框架）

第14节：Plan-and-Execute 架构

• 规划器 + 执行器分离的设计思想
• 任务分解与依赖管理
• 动手：构建一个“旅行规划 Agent”（规划行程 → 查机票 → 查酒店 → 生成攻略）

第15节：多 Agent 协作（上）— 基础模式

• 多 Agent 系统的设计模式：委派、投票、辩论
• AutoGen 框架入门
• 动手：构建“编剧 + 评论家”双 Agent 协作写剧本

第16节：多 Agent 协作（下）— 复杂编排

• 层级式多 Agent 系统
• Agent 间的通信协议与状态同步
• 动手：构建“产品经理 + 程序员 + 测试”三 Agent 协作开发流程

第17节：Agent 的高级记忆系统

• 向量记忆 vs 图谱记忆 vs 关系型记忆
• 记忆的检索策略：相似度检索、重排序、MMR
• 动手：为 Agent 构建“长期记忆 + 短期记忆”双层系统

第18节：Agent 的安全与对齐

• Prompt Injection 攻击与防御
• 输出审核与内容安全
• Agent 的行为约束与对齐技术
• 动手：为 Agent 添加安全守卫层

模块五：工程篇 — 评估、部署与优化（4节）

第19节：Agent 的评估与测试

• 为什么 Agent 评估很难？—— 非确定性输出的挑战
• 评估指标：任务完成率、工具调用准确率、幻觉率
• 评估框架：Ragas、LangSmith
• 动手：为你的 Agent 构建自动化测试集

第20节：Agent 的部署与上线

• 将 Agent 封装为 RESTful API 服务
• 服务化架构：FastAPI + LangServe
• 异步处理与任务队列（Celery / Redis）
• 动手：将课程项目 Agent 部署为可调用的 API 服务

第21节：Agent 的可观测性与监控

• 日志、追踪与链路监控
• LangSmith / LangFuse 深度集成
• 成本监控：Token 消耗与 API 费用追踪
• 动手：为 Agent 接入完整的可观测性体系

第22节：Agent 的性能优化

• 延迟优化：流式输出、缓存、模型蒸馏
• 成本优化：小模型路由、Prompt 压缩
• 质量优化：Self-Consistency、Re-ranking
• 动手：优化你的 Agent 响应速度与成本

模块六：综合实战 — 端到端项目（2节）

第23节：综合实战（上）— 需求分析与架构设计

• 项目选题（三选一）：
  • 项目A：智能客服 Agent（知识库 + 多轮对话 + 工单创建）
  • 项目B：代码审查 Agent（代码分析 + 建议生成 + 自动修复）
  • 项目C：数据分析 Agent（自然语言查询 + SQL 生成 + 可视化）
• 需求梳理、技术选型、架构设计
• 动手：完成项目的基础框架搭建

第24节：综合实战（下）— 开发、测试与交付

• 完整开发：实现核心功能模块
• 单元测试与集成测试
• 部署上线与演示
• 课程总结与后续学习路径建议

🎯 学习建议

1. 循序渐进：即使有编程基础，也建议从第1节开始，建立完整的认知框架。
2. 动手优先：每节课的“动手”环节是核心，建议边学边写，不要只看不练。
3. 代码仓库：建议为每节课建立独立的代码分支，方便回溯和对比。
4. 社区参与：关注 LangChain 官方文档、GitHub Discussions 和相关的技术社区。
5. 持续跟进：Agent 领域迭代极快，课程结束后建议保持每月关注 1-2 篇前沿论文或框架更新。

📎 课程资源索引

📌 本大纲是《AI Agent开发实战》系列课程的总体框架，每节课均有独立的博客文章，包含详细理论、代码示例和课后作业。关注我，获取最新更新！