從零構建 AI Agent：大模型應用開發實踐（80集視頻課）

陳光劍，AI 應用架構師，資深程序員、大數據與後端技術專家，擁有超過10年的技術研發和管理經驗，一線實戰經驗豐富。現就職於字節跳動，曾就職於阿裏巴巴，主要從事企業智能數字化經營管理、電商智能數字化運營等系統架構設計和研發工作。在大數據和企業級系統架構領域有非常深厚的積累，擅長大數據系統架構和分布式系統架構設計開發。同時在微服務架構和編程語言領域有非常豐富的實踐經驗，對函數式編程、領域建模和Kotlin、Go編程語言等技術有深入的理解和實踐，熱衷於新技術的學習和技術分享。著有《ClickHouse 入門實戰與進階》《Kotlin 極簡教程》《Spring Boot開發實戰》《Kotlin從入門到進階實戰》等技術書籍。

第1章 AI Agent概述
1.1 AI Agent的定義
1.2 AI Agent的核心特征
1.3 核心組件與架構
1.3.1 核心組件
1.3.2 典型AI Agent架構模式
1.4 技術本質與能力邊界
1.4.1 Agent的能力分層
1.4.2 系統架構對比
1.5 代碼示例講解
1.5.1 示例1：一個基礎對話Agent的實現
1.5.2 示例2：展示Agentic AI的基本能力
1.6 技術框架解析
1.7 應用場景
1.8 核心價值
1.9 典型案例
1.10 本章小結
第2章 LLM與提示工程基礎
2.1 LLM技術概覽與選型指南
2.1.1 LLM技術發展現狀
2.1.2 全球大模型生態
2.1.3 LLM的能力與局限性
2.1.4 LLM選型思路
2.1.5 代碼實踐：LLM API接入的統一範式
2.2 提示工程核心技術
2.2.1 基礎提示設計與優化
2.2.2 高級提示技術（思維鏈、自我反思）
2.2.3 提示模板設計與管理
2.3 檢索增強生成基礎
2.3.1 RAG核心架構與工作原理
2.3.2 知識庫構建與檢索系統設計
2.3.3 RAG系統的評估與優化：從“能用”到“好用”的必經之路
2.4 上下文工程：從“提示”到“程序”的範式飛躍
2.4.1 定義：超越提示與檢索的宏觀學科
2.4.2 核心隱喻：將LLM視為一個計算環境
2.4.3 實踐價值：降低認知負荷，解鎖覆雜任務
2.5 最新LLM技術的關鍵趨勢
2.5.1 推理模型的崛起
2.5.2 多模態能力的普及
2.5.3 專業化與領域特定模型
2.5.4 效率優化與小型模型
2.6 RAG技術的發展與創新
2.6.1 傳統RAG局限性的深入剖析
2.6.2 RAG範式的技術突破
2.6.3 多模態RAG：文本與視覺知識的深度融合
2.6.4 未來展望：RAG智能體的自進化與工程願景
2.7 本章小結
第3章 AI Agent開發環境與工具鏈搭建
3.1 開發環境搭建
3.1.1 Python環境配置與依賴管理
3.1.2 核心依賴介紹
3.1.3 LLM API接入與密鑰管理
3.1.4 開發框架
3.2 項目結構設計
3.2.1 模塊化架構設計
3.2.2 配置管理與環境變量
3.2.3 版本控制與協作流程
3.3 項目示例：一個完整的對話Agent
3.4 本章小結
第4章 QuickChat：基於LangChain的對話式Agent入門項目
4.1 項目需求與架構設計
4.1.1 構建輕量級對話助手的功能需求分析
4.1.2 基於LangChain的模塊化架構設計
4.1.3 RESTful API接口與數據流設計
4.2 核心對話邏輯實現
4.2.1 對話系統核心組件
4.2.2 會話管理實現
4.3 思維鏈實現
4.3.1 功能概述
4.3.2 代碼實現詳解：構建具備結構化思考能力的對話引擎
4.4 基於Redis的會話歷史管理系統
4.4.1 功能概述
4.4.2 代碼詳解
4.4.3 運行測試
4.4.4 用戶意圖分類與輸入預處理
4.4.5 輕量級會話狀態持久化實現
4.5 本章小結
第5章 ArxivExplorer：學術論文研究助手Agent
5.1 項目需求與系統設計
5.1.1 科研工作者文獻檢索與需求分析
5.1.2 基於微服務的學術助手系統架構
5.1.3 數據流與API接口規範設計
5.2 知識庫構建實踐
5.2.1 arXiv API集成與論文數據采集
5.2.2 學術文獻的語義分塊與引用關系提取
5.2.3 本地開源向量數據庫部署與索引優化
5.3 RAG系統實現
5.3.1 學術查詢的意圖理解與問題改寫
5.3.2 基於語義相似度與引用網絡的混合檢索
5.3.3 多篇論文結果的融合與關聯分析
5.3.4 知識推理與答案生成：從事實檢索到洞察合成
5.4 系統評測與優化
5.4.1 雙軌並行：自動化指標與專家評審的結合
5.4.2 評估中文文本案例
5.4.3 構建高質量的學術問答測試集
5.4.4 平衡檢索精度與推理深度的優化策略
5.5 本章小結
第6章 DataInsight：智能數據分析Agent
6.1 基於ReAct範式的數據分析工作流：讓Agent像分析師一樣思考與行動
6.1.1 奠定基石：環境準備與數據畫布
6.1.2 核心實現：構建一個“知行合一”的智能數據分析Agent
6.1.3 技術原理解析：LLM與工具的協同機制
6.2 多輪對話數據分析系統
6.2.1 系統架構與循環機制概述
6.2.2 多輪對話與上下文追蹤實現
6.2.3 運行測試
6.3 實際應用案例
6.3.1 銷售數據趨勢分析與預測
6.3.2 用戶行為數據挖掘與洞察生成
6.4 本章小結
第7章 DeepResearcher：基於MCP和browser-use實現深度研究Agent
7.1 DeepResearcher概述
7.2 技術框架
7.2.1 MCP簡介
7.2.2 LangGraph工作流引擎
7.2.3 browser-use技術
7.2.4 FastAPI與Streamlit
7.3 核心組件
7.3.1 研究服務器
7.3.2 客戶端服務器
7.3.3 LangGraph工作流
7.3.4 Streamlit應用
7.4 功能實現
7.4.1 網絡搜索