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