资源介绍
视频数量：12个
总时长：1小时51分
课程介绍：
AI智能体从入门到精通：100个真实实验
想象一下这个场景：你刚写好一个AI应用，把提示词封装在API里，兴冲冲地部署上线，结果第二天就崩溃了。上下文窗口爆了，模型开始胡说八道，幻觉输出污染了整个系统，任何自动化操作都没有审计日志可查。这种脆弱的系统，在真实的、高风险的企业环境中，根本无法存活。
这正是这门课程要解决的问题。到2026年，AI开发的市场需求已经发生了根本性转变。生成一段连贯的聊天回复早就远远不够了。企业真正需要的是能够接收模糊目标、自主拆解为可执行步骤、并可靠完成复杂工作流的智能系统。这门课程就是教你如何从零开始，构建这样的企业级AI智能体平台。
课程采用模块化设计，从基础到进阶再到生产部署，总共十个模块配合一百个动手实验，让你在实践中真正掌握智能体开发的每一个环节。
第一个模块带你搭建完整的基础环境。很多人以为AI开发就是写几行Python调用API，但真正的智能体开发需要扎实的工程基础。你会学习Agentic AI的架构原理，配置本地开发环境，掌握Python在AI开发中的核心用法，学会用Git管理AI项目代码，用虚拟环境隔离项目依赖。在这个模块里，你会用Ollama运行本地模型，构建自己的第一个LLM应用，理解提示词和上下文窗口的工作机制。完成这个模块，你就有了继续深入的所有技术准备。
第二个模块深入智能体的核心工程能力。课程会讲解智能体的完整生命周期管理，让你明白一个智能体从诞生到运行的全部机制。你会学习推理循环和规划模式，这是智能体能够自主决策的关键；掌握工具调用技术，这是智能体与外部世界交互的基础。课程提供了多个具体项目：构建一个计算器智能体、处理天气查询的智能体、集成搜索功能的增强型智能体。智能体的记忆系统是这个模块的重点，你会学到短期上下文管理和长期记忆的实现方式。模块最后会展示生产级智能体的设计模式，让你从一开始就养成好的工程习惯。
第三个模块带你掌握LangGraph这个强大的智能体开发框架。LangGraph是当前构建复杂智能体工作流的首选工具。课程从架构讲起，让你理解图结构如何支撑智能体的复杂逻辑。你会学习图节点和状态管理、条件路由、状态化执行这些核心概念。实际项目包括：错误恢复流程设计、多步骤规划系统、动态工具选择、持久化图内存。最后，你将构建一个企业级工作流智能体，整合前面学到的所有技术。
第四个模块解决智能体的知识获取问题，这就是RAG检索增强生成技术。你会从RAG基础开始，理解为什么单纯依靠模型参数知识是不够的。课程会讲解嵌入模型的工作原理，向量搜索的核心概念，ChromDB和Qdrant两个主流向量数据库的部署方法。实际项目包括：文档摄取管道设计、分块策略优化、检索结果优化、混合搜索架构。模块最后构建一个企业知识智能体，能够从海量文档中准确检索相关信息回答用户问题。
第五个模块讲解MCP工程，也就是模型上下文协议，这是智能体与外部系统集成的关键标准。你会学习MCP的完整架构，理解服务器端和客户端的工作机制。实际项目包括：本地工具暴露、文件系统集成、数据库连接、API集成。课程特别强调安全设计，讲解如何在开放能力的同时保护系统安全。模块最后会构建企业级MCP网关，整合多个工具系统的统一管理。
第六个模块进入多智能体系统设计。单个智能体的能力有限，复杂任务需要多个智能体协同完成。你会学习多智能体设计的核心原则，理解智能体之间的通信模型。课程会构建一个完整的协作体系：规划智能体负责分解任务、研究智能体负责信息收集、执行智能体负责具体操作、评审智能体负责结果验证。你还会学到共识机制如何确保多智能体决策的一致性，智能体蜂群模式如何实现大规模协作，以及分布式智能体工作流的架构设计。
第七个模块讲解智能体的数据工程基础设施。生产环境的智能体需要可靠的数据层支撑。你会学习PostgreSQL在智能体系统中的应用、Redis内存系统如何加速智能体响应。课程深入讲解事件驱动架构和Kafka在智能体系统中的角色，包括智能体事件流的处理方式。实际项目包括：数据验证管道、结构化输出处理、知识生命周期管理、数据治理控制。模块最后构建一个生产级数据平台，为智能体运行提供稳定的数据基础。
第八个模块聚焦安全与合规，这是企业级AI系统不可或缺的部分。课程会带你做AI威胁建模，识别智能体系统特有的安全风险。重点内容包括：提示词注入攻击的防御方法、数据泄露防护、密钥管理、身份认证与访问控制、RBAC权限管理、审计日志设计。合规部分讲解GDPR对齐的智能体设计原则、欧盟AI法案的合规要求。模块最后构建一个安全的Enterprise智能体平台，集成所有安全控制措施。
第九个模块讲解可观测性与可靠性，这是保障智能体稳定运行的监控体系。你会学习OpenTelemetry在智能体追踪中的应用、Prometheus指标收集、Grafana可视化仪表盘构建。课程重点讲解智能体评估框架、幻觉检测技术、可靠性测试方法，最后引入混沌工程的概念，测试智能体系统在各种故障场景下的表现。
第十个模块是生产部署，这是从实验到上线的最后一步。你会学到如何用Docker容器化智能体、Kubernetes编排基础、智能体在K8S上的部署方案。DevOps实践包括：Argo CD实现GitOps自动化部署、Terraform基础设施代码化管理。模型服务部分讲解vLLM部署方案、成本优化策略。课程还会讨论主权AI基础设施的概念、去中心化研究智能体网络的设计。模块最后是一个完整的主权企业智能体平台综合项目，整合前面所有模块的技术，构建一个真正可以在生产环境运行的系统。
整个课程从基础的Python脚本开始，逐步构建成一个由持久化微服务组成的复杂网络。用户界面、API网关、智能体推理层、模型执行层、知识检索层、内存层、消息传递层、可观测性层、安全层、部署层，十个功能层次协同运转，构成完整的企业级自主AI平台。
这门课程特别适合已经掌握Python基础、想要进阶到AI系统开发的工程师，以及对AI应用有基本了解、需要构建生产级智能体系统的技术负责人。课程不要求你有多深厚的AI学术背景，但需要你有一定动手能力，愿意跟着实验一步步搭建系统。每一讲都有配套的动手实验，你可以直接在本地环境运行代码，看到真实的运行效果。