在过去几年里，人工智能技术取得了飞跃性进展，特别是大语言模型的崛起，已成为推动各行各业创新与变革的重要力量。大语言模型不仅在自然语言处理领域带来了突破，也为智能体的构建、自动化任务执行等多种应用场景提供了前所未有的可能。随着OpenAI的GPT系列模型的迭代升级，以及Llama、DeepSeek等开源大语言模型的不断涌现，智能体技术的应用已经深入到科研、教育、商业等多个领域，影响深远。
1、掌握智能体开发全流程与技术核心，系统学习智能体构建方法、工具链与应用策略，拓展AI在科研与产业中的创新场景。
2、深入理解大语言模型（LLM）底层原理与前沿发展，包括Transformer、GPT-4o多模态架构，同步追踪AI Agent技术的最新动态与行业趋势。
3、精通大语言模型本地化部署与优化，从开源模型选型、私有化部署到RAG、微调、量化技术的实战应用，全面提升模型性能与私有数据安全性。
4、掌握从零构建大语言模型，掌握数据集构建、模型训练、参数调优及性能评估全流程，夯实算法开发与工程实践能力。
第一章、智能体(Agent)入门
1、智能体（Agent）概述（什么是智能体？智能体的类型和应用场景、典型的智能体应用，如：Google Data Science Agent等）
2、智能体（Agent）与大语言模型（LLM）的关系
3、智能体（Agent）的五种能力（记忆、规划、工具、自主决策、推理）
4、多智能体（Multi-Agent）协作
5、智能体（Agent）构建的基本步骤
6、案例演示
第二章、基于字节Coze 构建智能体(Agent)
1、Coze平台概述
2、（实操演练）从0到1搭建第一个智能体（Agent）
3、（实操演练）智能体（Agent）基础设置（多Agent模式、对话流模式、LLM模型设置、提示词撰写等）
4、（实操演练）为智能体（Agent）添加技能（插件、工作流、触发器、卡片等）
5、（实操演练）为智能体（Agent）添加知识（知识库介绍、添加知识库、知识库检索与召回等）
6、（实操演练）为智能体（Agent）添加记忆（创建和使用变量、数据库、长期记忆的开启、修改和删除等）
7、（实操演练）提升智能体（Agent）的对话体验（设置开场白、快捷指令等）
8、（实操演练）智能体（Agent）的预览、调试与发布
9、案例演示
第三章、基于其他平台构建智能体（Agent）
1、（实操演练）基于百度平台构建智能体
2、（实操演练）基于智谱清言平台构建智能体
3、（实操演练）基于通义千问平台构建智能体
4、（实操演练）基于豆包平台构建智能体
5、案例演示
第四章、国内外智能体(Agent)经典案例详解
1、斯坦福小镇：生成式智能体（Generative Agents）
2、ByteDance Research推出的论文检索智能体
3、Google Data Science Agent
4、AutoGPT：通过自然语言的需求描述执行自动化任务
5、OpenAI推出的首个智能体(Agent)：Operator
6、案例演示与实操练习
第五章、大语言模型应用开发框架LangChain入门
1、LangChain平台概述（LangChain框架的核心功能与特点）
2、（实操演练）LangChain安装与使用
3、（实操演练）LangChain的核心组件：Models（模型）、Prompts（提示词）、Indexes（索引）、Chains（链）、Agents（智能体）、Memory（记忆）
4、案例演示
第六章、基于LangChain的大模型API接入
1、（实操演练）在LangChain 中使用OpenAI大语言模型
2、（实操演练）在LangChain 中使用文心一言大语言模型
3、（实操演练）在LangChain 中使用DeepSeek大语言模型
4、（实操演练）在LangChain 中使用智谱清言大语言模型
5、（实操演练）在LangChain 中使用本地开源大语言模型
6、案例演示
第七章、基于LangChain的智能体(Agent)开发
1、使用LangChain构建Agent的使用流程
2、（实操演练）LangChain的配置与管理
3、（实操演练）LangChain提示词模板（PromptTemplate）的创建与调用
4、（实操演练）利用LLMRequestsChain类实现从互联网获取信息（查询天气等）
5、（实操演练）LangChain链式请求的创建与调用
6、（实操演练）LangChain让AI记住你说过的话
7、案例演示
第八章、开源大语言模型及本地部署
1、开源大语言模型简介（开源大语言模型的基本概念、开源大语言模型与闭源大语言模型的对比）
2、（实操演练）开源大语言模型（Llama3、Mistral、Phi3、Qwen2、DeepSeek等）下载与使用
3、（实操演练）使用Docker部署开源大语言模型（Docker的基本概念、Docker的核心组件与功能、Docker的安装与配置、在Docker中部署Llama3等开源大语言模型）
4、（实操演练）使用Open-WebUI构建Web可视化交互（类似ChatGPT）的开源大语言模型对话系统（Open-WebUI的基本概念与功能、Open-WebUI的下载与安装、配置一个用于对话系统的Open-WebUI）
5、案例演示
第九章、从0到1搭建第一个大语言模型
1、（实操演练）数据集构建（数据集的收集与处理、从互联网上收集文本数据、数据清洗与标注、常用的数据集格式，如：CSV、JSON、TXT等）
2、（实操演练）大语言预训练模型的选择（预训练模型的优势、常见的预训练模型，如：GPT、BERT等、从Hugging Face等平台下载预训练模型）
3、（实操演练）大语言模型的训练（模型训练的基本步骤、训练过程中的监控与调试）
4、（实操演练）大语言模型的优化（常见训练参数，如：学习率、批次大小等、参数调整与优化技巧、优化训练参数以提高模型性能）
5、（实操演练）大语言模型的推理（模型推理与模型训练的区别、提高推理速度的技巧、从输入到输出的完整推理流程）
6、（实操演练）大语言模型的部署与应用（模型部署的基本流程、部署环境的配置与管理）
7、案例演示
第十章、大语言模型优化
1、检索增强生成（RAG）技术详解（RAG的基本原理、RAG在大语言模型中的作用和优势、RAG的系统架构、RAG检索结果与生成结果相结合的方法、RAG知识库的构建方法）
2、向量数据库简介与向量检索技术详解（使用向量数据库进行快速检索）
3、文本嵌入（Text Embedding）技术概述（常用的文本嵌入模型、使用GPT API）
4、（实操演练）基于RAG的问答系统设计
5、微调（Fine-Tuning）技术详解（微调的基本原理、微调在大语言模型中的作用、准备一个用于微调的数据集、常见的微调方法，如PEFT、LoRA等、不同任务的微调策略、微调过程中的常见问题与解决方案）
6、（实操演练）微调一个预训练的GPT模型
7、量化技术详解（量化的基本概念、量化在模型优化中的重要性、量化的不同方法，如：静态量化、动态量化、混合量化等、量化处理的步骤）