课程大纲

第一天：设计高质量Agent

模块一：如何设计一个高质量的 Agent

Agent演化：从聊天机器人到解决真实问题

应用形态演进：聊天机器人 → RAG 与工作流 → Agent → 具身智能

破除 Agent 的开发误区

误区：一拥而上的 Agent 带来各种问题

根因：缺乏系统化的设计方法

决策：从业务开始考虑

Agent 开发全景图

Agent 的大脑：提示工程

Agent 的神经系统：编排模式

Agent 的手脚：能力体系

Agent 的知识库：上下文工程

Agent 的免疫系统：Harness工程

模块二：如何让 Agent 的大脑更好地思考

Agent 如何思考：用提示词引导 Agent 思考

Agent 提示词设计的误区：太少 / 关注点过多 / 指令模糊

提示词的核心作用：引导大模型进行思考

从提示词到提示工程：从能思考到会思考

Agent 的提示词布局：结构化设计

结构化设计

        不同部分提供不同信息

        常见组成部分：系统提示 / 角色 / 分隔符 / 结构化输出

Agent 提示词布局

        提示词缓存：降低计算成本、提升响应速度

        提示词动静分离：充分利用提示词缓存

让 Agent 更好地思考

推理引导技术：让 Agent 更好地思考

思维链（CoT）；深度思考本质是内部  CoT

自我一致性 / 后退提示 / 思维树（ToT）

模块三：如何为 Agent 设计工作流程

为什么要开发自己的 Agent

领域相关的工作流和数据

如何为 Agent 设计工作流程

任务分解：将 Agent 的工作过程进行拆解

设计工作流：将工作过程重新组织

编排模式：行业中的 Agent 工作流程最佳实践

提示链/路由/并行/反思/规划/人机协同

从需求到工作流：识别模式 → 绘制工作流图 → 决定每个节点用代码还是 Agent

模块四：Skill：让 Agent 的能力越来越强

工具：从聊天到工作

工具调用的流程

MCP：工具的标准化

从各自为战到统一标准

MCP是如何工作的

Agent Skill：从封装工具到封装实践

Agent Skill：一种给 AI Agent 添加新能力的标准方式

Skill的业务价值：将"专家经验"转化为"可复用的标准作业程序"

渐进式披露：Skill的核心原则

Skill 的基本结构

SKILL.md：核心文件

Skill 的文件引用

scripts：执行脚本

references：引用文档

assets：模板、资源

安装 Skill

Skill 仓库：Skill 聚合体

手工安装 Skill

通过 skills 命令安装

运行 Skill

在 Claude Code 运行 Skill

在 OpenClaw 运行 Skill

在 VS Code 运行 Skill

开发 Skill

识别筛选 → 拆解建模 → 编写 SKILL.md → 辅助脚本 → 优化迭代

核心原则：脚本做确定性的事，AI做需要理解的事

第二天：Agent 工程化

模块五：如何让 Agent 知道更多事情

大模型的局限性

有限的知识：不是无所不知

有限的上下文窗口：不能处理过长的内容

无状态服务：不知道发生过的事情

如何让 Agent 知道更多

在运行时，告诉 Agent 应该知道的信息，也就是把上下文告诉 Agent

上下文本质上是一种动态提示词，在Agent 执行过程中实时组装。

把 Agent 当作一个实习生，你决定它该看什么、先看哪段、记下什么

让 Agent 更了解你的业务：知识上下文

确定检索来源：非结构化文本、结构化数据、网络搜索、API；混合检索

何优化检索信息：Garbage In Garbage Out、文本分块

如何对检索过程进行优化：查询重写、重排序

RAG 技术的演进：传统 / GraphRAG / Agentic RAG

如何让 Agent 记住你：记忆上下文

短期记忆

在上下文窗口内的记忆

全量历史 → 滑动窗口 → 摘要，及其各自局限

长期记忆

跳出上下文窗口

四层架构（写入 / 存储 / 检索 / 管理），存储分 Core / Recall / Archival

如何规划有限的上下文窗口

为什么要规划上下文窗口：Lost in the Middle：注意力两头强、中间弱

管理上下文就是资源调度：重要的内容优先级更高

常见的上下文管理技术：上下文压缩、渐进式披露、提示词缓存

模块六：如何让 Agent 稳定地运行

为什么 Agent 一上生产就会出问题

Demo 能跑 ≠ 生产能跑：出错、失控、不可见、被攻击

不确定性来自核心本身（LLM）

从能跑通到敢上线：Harness  工程

可靠（兜底）/ 安全（守底线）/ 可控（人接管）/ 可观测（看得见）

可靠：出错也能兜住

不可靠的两类原因：传统工程问题 + 大模型专属问题（幻觉、工具误用、死循环）

目标不是不犯错，而是有退路：能恢复、能降级、受控失败

异常处理三阶段：检测 → 处理 → 恢复

幻觉：可靠性最大的挑战

Grounding：管住幻觉，让回答有据可依

安全：让 Agent 别闯祸

危险来源：工具和大模型自身；无意的和有意的

免疫系统：护栏，不是"限制 Agent 的能力"，而是"确保它稳健、可靠、有益"

六层防御：输入 / 输出 / 行为 / 能力约束 / 审核 API / 人机协同

最小权限、小模型守门；合规是国内底线

可控：关键处人来拍板

为什么不能完全自主：模型自身靠不住，而且有些事本来就该人做

自主三个层级：全自主 / 半自主 / 人在环

何时需要有人介入：关键节点

人在环内 vs人在环上：⻛险高，需要人在 AI的工作流程内，反之，人在流程上监控即可

可观测：干了什么看得见

监控是传统服务最基础的功能

Agent"测不准"：离线 / 在线 × 输出 / 轨迹，四个维度

Agent 观测的三件武器：离线评估 / 在线监控 / Trace

附加：⾦融领域的 Agent

现状与趋势：从辅助工具到"数字员工"

定位升级：从给人打下手，到自己能干活

三大趋势：AI 基础设施化、Agent 应用深化、人机协同是主流

核心场景：Agent 在⾦融⾥能干什么

投研助手：重塑投研流程，7×24 研究覆盖（多 Agent + RAG）

智能合规：事前预防，7×24 审核（护栏 + 人机协同）

量化投资：因子挖掘、策略生成、组合⻛控（多 Agent 协同）

智能客服与营销：千人千面，秒级响应

海外标杆：大行是怎么做的

摩根大通 / 贝莱德 / 高盛，AI 已是核心战略

探索在继续

长时间运行且自主运行的 Agent

分析师与AI协同工作的工作流

怎么落地：构建指南

技术栈与生态

金融工具与 Skill 生态

知识方案：RAG vs 微调

监管三级权限：用户决策、用户授权、Agent 自主决策

数据安全：金融机构的生命线

怎么衡量：评估与迭代

ROI 与效率

金融评测基准：FinGAIA / FinEval 等

安全治理评测：FinVault