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。

课程大纲

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: 多Agent 最佳实践

1.  智能体和多智能体 multi-agent systems

2.  监督者：每个Agent与一个监督者Agent通信

3.  自定义多Agent工作流：每个Agent只与其他Agent通信

4.  Multi-Agent多角色协作     

5.  SOP拆解   

6.  角色扮演  

7.  反馈迭代  

8.  监督控制

9.  workflow automation

10.  企业工程化最佳实践

11.  AutoGen

12.  AutoGen简介

13.  AutoGen实战

14.  MetaGPT

15.  MetaGPT简介

16.  MetaGPT实战

第七部分: 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

第八部分:分析国外智能体典型案例和商业应用

1.  解读斯坦福小镇项目：生成式智能体典型案例

2.  AutoGPT：通过自然语言的需求描述执行自动化任务

3.  BabyAGI：根据任务结果自动创建，排序和执行新任务

4.  MetaGPT：重塑生成式AI与软件开发界面

5.  AutoGen：下一代LLM应用的启动器

6.  ChatDev：重塑软件开发的AI群体智能协作框架

7.  Camel AI：引领自主与交流智能体的未来

第九部分: 基于字节Coze 构建智能体

1.  Coze：零基础开发对话机器人

2.  功能概述

3.  基础能力

4.  插件

5.  工作流

6.  记忆库

7.  查询天气机器人的最终效果

8.  创建你的第一个机器人

9.  用自然语言优化输出结果

10.  用工作流优化输出结果

11.  基于字节Coze构建开发软件开发智能体

12. 构建研发工程师agent案例

第十部分: 基于百度AgentBuilder构建智能体

1.  百度文心一言大模型

2.  百度千帆大模型

3.  百度开发Agent智能体

4.  AgentBuilder

5.  AppBuilder

6.  ModelBuilder

7.  开发AI原生应用

8.  基于百度软件开发智能体

9.  构建研发工程师agent案例

第十一部分: 企业专属领域的智能客服Agent

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   

第十二部分: 智能体未来

1.  OpenAI 最新 Agent 开发框架-Swarm

2.  Swarm 框架核心设计

3.  基于Swarm构建智能客服系统

4.  Agent 企业需求背景分析

5.  Agent 架构落地资源评估

6.  多模态智能体