———————————————————————————————————————————

前言综述
在人工智能快速发展的时代，大语言模型和智能体技术正深刻改变着众多领域的发展格局。大语言模型凭借强大的语言理解和生成能力，为智能体的构建提供了核心支持；智能体则借助大语言模型，实现了更加智能化、多样化的应用。这两种技术的融合应用，不仅推动了科研创新，也加速了各行业的智能化转型进程。深入学习和掌握智能体开发与大语言模型的相关技术，成为紧跟时代步伐、提升竞争力的关键。

智能体开发基础与实践是踏入这一技术领域的基石。掌握智能体概念、类型及构建步骤，能够从理论层面理解智能体的本质和实现方式。基于不同平台开展智能体搭建实践，如字节 Coze、百度、智谱清言等，可在实际操作中积累经验，熟悉不同平台的特点和优势。剖析经典智能体案例的应用与技术要点，如斯坦福小镇的生成式智能体、Google Data Science Agent 等，能够从成功案例中汲取灵感，拓宽应用思路。

大语言模型应用与开发是技术的核心环节。熟悉 LangChain 框架及大模型 API 接入，为大语言模型的应用提供了便捷的工具和接口。实现从数据集构建到模型部署全流程开发，包括数据集收集处理、模型训练、优化和推理等，可系统地掌握大语言模型的开发过程。运用优化技术提升大语言模型性能，如检索增强生成（RAG）、微调、量化等技术，能够使模型更好地满足实际应用需求，提高模型的准确性和效率。

技术融合与拓展学习着眼于智能体与大语言模型的协同发展。探究智能体与大语言模型的协作关系，挖掘两者结合的潜力，可创造出更具创新性的应用场景。学习开源模型本地化部署及可视化交互构建，不仅能降低应用成本，还能增强数据安全性和定制性。总结技术要点并获取相关学习资料，有助于巩固所学知识，为进一步深入研究和应用提供支持，持续提升在这一领域的技术水平。

解锁 AI 新势力：智能体与大语言模型融合探秘

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

基于字节Coze 构建智能体(Agent)

1、Coze平台概述
2、从0到1搭建第一个智能体（Agent）
3、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、为智能体（Agent）添加技能（插件、工作流、触发器、卡片等）
5、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、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、提升智能体（Agent）的对话体验（设置开场白、快捷指令等）
8、智能体（Agent）的预览、调试与发布

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

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

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、LangChain安装与使用
3、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）

基于LangChain的大模型API接入

1、在LangChain 中使用OpenAI大语言模型
2、在LangChain 中使用文心一言大语言模型
3、在LangChain 中使用DeepSeek大语言模型
4、在LangChain 中使用智谱清言大语言模型
5、在LangChain 中使用本地开源大语言模型

基于LangChain的智能体(Agent)开发

1、使用LangChain构建Agent的使用流程
2、LangChain的配置与管理
3、LangChain提示词模板（PromptTemplate）的创建与调用
4、利用LLMRequestsChain类实现从互联网获取信息（查询天气等）
5、LangChain链式请求的创建与调用
6、LangChain让AI记住你说过的话

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、开源大语言模型（Llama3、Mistral、Phi3、Qwen2、DeepSeek等）下载与使用
3、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、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）

从0到1搭建第一个大语言模型

1、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、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、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、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、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、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）

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）

了解更多

V头像