资源介绍
视频数量：12个
总时长：1小时49分
课程介绍：
现代智能体AI实战：MCP协议、RAG工程、大语言模型与工作流编排
想象一下这个场景：你写了五段Python代码去调用一个外部API，它也许能生成一首还算巧妙的文字，但仅此而已。这距离真正的人工智能工程师，还差着十万八千里。
到了2026年，企业真正需要的已经不是会写提示词的普通人，而是能够构建复杂多步推理系统、安全访问私有数据库、在高压环境下不产生幻觉、并且能触发现实世界行动的专业人才。现实情况是，市场对智能体架构师和平台工程师的需求正在爆发式增长，但合格人才却严重稀缺。传统课程止步于基础的提示工程，远远无法满足这些需求。
这门课程提供的是一套从零开始的实践项目，带你构建一个生产级的智能体平台。课程通过100个动手实验，让你在真实环境中掌握现代智能体AI的每一个关键环节。
先说说基础部分。你会从完全空白的开发环境开始，学习如何配置本地开发环境、掌握Git工作流、理解Docker容器化技术、管理Python运行环境，然后在自己的硬件上直接部署开源大语言模型，实现对整个系统的完全掌控。这部分还会带你探索Ollama本地推理，理解Token、上下文窗口和记忆机制的工作原理。
但这里有个关键问题：一个孤立的大语言模型本质上是一个失忆者。如果它仅依靠原始训练数据来回答高度具体的业务问题，就不可避免地会胡编乱造，最终注定失败。解决这个问题的核心方案就是检索增强生成，也就是RAG。你会学习RAG架构的基础知识、文档处理流水线、文本分块策略、向量化技术，以及如何构建向量数据库。课程还会深入讲解检索优化、元数据过滤、混合搜索实现等进阶内容，以及如何评估RAG系统的性能。
进阶部分会带你进入更复杂的技术领域。你将学习Elasticsearch在AI系统中的应用、BM25搜索优化、混合检索架构、多索引搜索设计、知识图谱集成、引用生成系统、上下文压缩技术、重排序架构，以及高性能检索流水线的构建方法。最终目标是搭建一个企业级的知识助手和完整生产RAG平台。
现代智能体AI还有一个核心技术框架叫MCP，即模型上下文协议。你会深入理解MCP的架构设计，掌握MCP客户端和服务器端的开发方法，学习工具注册流程、资源暴露模式、提示暴露机制，构建多工具MCP服务器，设计安全的MCP系统，最终实现分布式MCP生态系统和企业级MCP网关。
当然，课程最核心的部分是AI Agent的开发。你会从智能体的基础概念开始，学习工具调用型智能体、规划型智能体、反思模式、ReAct架构的设计与实现。然后深入研究研究型智能体、多步推理智能体、多智能体协作机制，以及如何提升智能体的可靠性。最终你将独立构建一个自主运营助手。
工作流编排是现代AI系统的命脉。你会学习LangGraph框架的基础知识，掌握图节点和边的设计、状态管理、条件路由、人在回路工作流、多智能体图结构、失败恢复机制、长时间运行任务的执行模式，以及如何设计企业级工作流。最终目标是搭建一个完整的AI运营工作流平台。
但光有功能还不够，生产环境还需要可观测性、安全性和治理能力。你将学习AI可观测性基础、OpenTelemetry集成、智能体工作流追踪、日志和审计系统构建、AI评估流水线、RBAC权限控制、OAuth2和身份集成、数据治理架构设计，以及合规工程实践。这些是企业级AI系统不可或缺的保障。
课程最后会带你面对一个正在撼动整个企业科技界的大趋势：从公共人工智能到主权人工智能基础设施的大迁移。你将学习Kubernetes在智能体平台中的应用、容器化AI部署、GitOps工作流、高可用架构设计、主权数据架构、隔离网络AI部署、去中心化研究智能体、联邦知识平台，最终完成整个课程的顶点项目：构建一个完全自主的、主权级的多智能体智能平台。
整个课程没有依赖任何外部黑盒API，每个组件都运行在可复现的基础设施上。100个实验带你从最基础的环境配置，到最后能独立构建企业级的智能体平台，这就是你学完这门课后真正掌握的东西。