课程大纲

第一部分: 基于LLM 的Agent开发实战

随着人工智能技术的快速发展，尤其是大语言模型的崛起，AI Agent作为连接人工智能能力与实际应用场景的关键组件，正受到广泛关注。这部分将介绍大语言模型所驱动的AI Agent的实现原理，并将重点探讨AI Agent的设计框架。当前，学界已经提出了多种AI Agent的设计范式，从早期基于Prompt的Few-Shot Learning、基于思维链(Chain-of-Thought,CoT)推理、基于ReAct的交互式推理，到最新的BoT(Buffer-of-Thought)范式。这些框架从不同角度增强了AI Agent的推理能力、可解释性和适用范围。

本部分将探讨如何在实践中灵活运用AI设计框架，并给出一系列基于DeepSeek、LangChain的AI Agent开发案例实战，同时对大家关心的AI Agent可能的产业化落地场景作出初步的探索和展望。

第二部分: LangChain / LlamaIndex / AutoGen 和 Defy 等主流 LLM Agentic Workflow 开发工具深度比较

LangChain / LlamaIndex / AutoGen 和 Defy 等主流 LLM Agentic Workflow 开发框架各有特点，其设计模式有何差异？面对具体任务时应如何选型？

其中LangGraph注重细节控制和通过LangGraph进行状态管理，LlamaIndex擅长数据驱动的微服务式工作流，AutoGen强调多Agent的会话互动，Defy则专注于任务分配和自主解决方案。

本部分将通过示例对各种主流的LLM Agentic Workflow 开发工具做出比较，并有针对性地给出特定场景地选型建议。

第三部分：LangGraph应用开发详解

LangGraph采用基于图的设计模式来定义复杂的Agent交互。它专注于构建有状态的多角色应用，提供细粒度的控制和周期性计算支持。该框架能够保持状态的持久性，并支持人机交互的工作流。

支持多Agent应用，提供循环计算功能，能够与LangChain无缝集成。适用于需要高度可控性和扩展性的自定义系统。

第四部分：MCP+A2A Agent实战

在这部分，我们将把视野下探到协议层面，深入剖析并实操基于 Model Context Protocol（MCP）与 Agent-to-Agent（A2A）标准的跨智能体协同开发。首先讲解 MCP 协议的核心组成与工作流程：如何利用 JSON-RPC 在服务端与客户端之间传递 sampling、notification、response 等原语，确保对话状态和安全隐私的可控；以及 A2A 协议中 AgentCard、Task、Artifact、Message 等核心对象如何互通，支持异步与同步交互。通过对比两种协议的设计思路与典型实现，帮助学员理解面向工具调用与面向智能体协同的关键差异。

在实战环节，将带领学员将分步完成一个多 Agent 协同案例：

MCP Server搭建：使用 FastMCP 快速构建一个支持外部工具调用的服务端，编写 sampling 流程，演示如何向客户端发起模型请求并接收结果。

A2A Agent联动：基于A2A协议，开发“本地 Agent”“货币兑换 Agent”“报销查询 Agent”三个角色，并通过AgentCard注册与发现机制，实现跨Agent的能力路由与数据交换。