2025AI大模型爆火agent(打造专属的LLM智能体）|唐YD

Agent 架构与核心能力拆解这门课程针对的是开发者在构建 LLM 应用时最常见的痛点：分不清“聊天机器人”与“智能体”的本质差异，导致项目边界模糊、逻辑难以落地。内容从底层架构切入，系统梳理了 Agent 必须具备的基本能力（如感知、规划、记忆、工具使用），并深入分析了其与大模型本身的关系——模

单课价¥29新品上架

会员价 ¥0开通会员，全站课程无限下载套餐详情

0 人关注更新于 2026-10-07 永久有效

发货

网盘链接 · 支付成功后自动发货

保障

永久有效 · 链接失效免费补发

客服

每日 9:00-21:00 在线客服联系客服

购买方式开通会员 · 全站免费下单课购买 · 仅本课

支付成功后自动显示网盘下载链接；链接失效可联系客服免费补链，永久有效。

正版保障极速发货售后无忧

Agent 架构与核心能力拆解

这门课程针对的是开发者在构建 LLM 应用时最常见的痛点：分不清“聊天机器人”与“智能体”的本质差异，导致项目边界模糊、逻辑难以落地。内容从底层架构切入，系统梳理了 Agent 必须具备的基本能力（如感知、规划、记忆、工具使用），并深入分析了其与大模型本身的关系——模型是引擎，Agent 是车身。章节 1 重点在于厘清多智能体系统的定义与协作模式，以及主流框架如何解决状态管理和流程编排问题。对于刚接触该领域的开发者，建议优先通读第 1 章的全部八节内容，建立起完整的认知框架，避免陷入“只要调 API 就能做 Agent"的误区。这是理解后续所有工程实践的理论基石。

低代码平台与企业级开发的双轨实践

课程的第二部分聚焦于 COZE 平台，但这并非单纯的教程录屏，而是提供了可复用的工作流搭建思路。章节 2 和 3 演示了如何利用 COZE 快速搭建资料搜集与报告生成类工具，重点讲解了大模型在工作流节点中的调用逻辑、输入输出参数的映射关系以及插件扩展机制。对于希望快速验证创意或搭建内部小工具的开发者，这部分资料可以直接对照操作，复刻出一个可用的原型。同时，课程也隐含了对 GPTS 生态的分析，帮助读者理解不同平台间的实现差异，从而在“低代码快速上线”与“代码高度可控”之间做出技术选型。

学习路径与独立开发建议

这门课适合有一定 Python 基础或熟悉主流 AI API 调用的后端/全栈开发者，以及对 AI 产品化有强烈需求的独立开发者。不建议完全零基础的用户直接上手，因为部分内容涉及架构设计思维。建议的学习路径是：先完整阅读第一章建立理论自信，再跟随第二、三章在 COZE 中完成一个从资料抓取到报告生成的完整闭环项目。学完后，你应能独立判断一个需求是否适合用 Agent 解决，并具备使用主流框架或低代码平台快速构建具备工具调用能力的专属 AI 助手的能力。资料包的真正价值在于其展示的标准工作流结构，读者应将其作为参考模板，应用到自己的业务场景中，例如自动化调研、知识库问答或个性化内容生成等具体场景。

课程介绍

QQ_1760756822941.png (296.7 KB, 下载次数: 0) 2025-10-18 11:08 上传手把手带你做自己的专属AI工具，Ai商业化落地必备技术课程目录：第1章Agent架构解读与应用分析(1小时8节) 1-11-Agent要解决的问题分析[09:05] 1-22-Agent需要具备的基本能力[08:19] 1-33-与大模型的关系分析[06:37] 1-44-多智能体定义分析[06:02] 1-55-框架的作用和能解决的问题[09:04] 1-66-整体总结分析[04:12] 1-77-GPTS分析一波[08:36] 1-88-经典任务分析[08:31] 第2章COZE智能体搭建框架基本使用(22分钟2节) 2-11-COZE的基本使用解读与说明[10:08] 2-22-工作流中大模型的使用方法[12:40] 第3章COZE打造资料搜集与报告整理智能体

课程目录

QQ_1760756822941.png (296.7 KB, 下载次数: 0) 2025-10-18 11:08 上传 手把手带你做自己的专属AI工具，Ai商业化落地必备技术 课程目录：
第1章Agent架构解读与应用分析(1小时8节) 1-11-Agent要解决的问题分析[09:05] 1-22-Agent需要具备的基本能力[08:19] 1-33-与大模型的关系分析[06:37] 1-44-多智能体定义分析[06:02] 1-55-框架的作用和能解决的问题[09:04] 1-66-整体总结分析[04:12] 1-77-GPTS分析一波[08:36] 1-88-经典任务分析[08:31]
第2章COZE智能体搭建框架基本使用(22分钟2节) 2-11-COZE的基本使用解读与说明[10:08] 2-22-工作流中大模型的使用方法[12:40]
第3章COZE打造资料搜集与报告整理智能体(35分钟4节) 3-11-数据查找配置[09:48] 3-22-读取新闻内容并整理报告[10:43] 3-33-循环的配置与中间变量的作用[13:44] 3-44-循环体注意事项更新[01:01]
第4章COZE中配置自己的插件(34分钟3节) 4-11-插件的基本配置方法[11:00] 4-22-输入输出参数配置方法[09:09] 4-33-再工作流中配置自己的插件并使用[14:35]
第5章COZE结合飞书表格办公(56分钟6节) 5-11-DEMO演示与基本流程分析[10:14] 5-22-表格填入模块解读[10:15] 5-33-表格的输入与输出[08:51] 5-44-查找与匹配的方法[08:58] 5-55-全局变量设置方法[08:48] 5-66-智能体测试应用[09:42]
第6章 使用Coze动手做自己的Agent (42分钟 5节) 6-11-扣子开发平台实例解读[07:23] 6-22-技能测试与插件创建实例[08:40] 6-33-配置好自己的DIY技能[07:30] 6-44-工作流的基本配置流程和方法[10:19] 6-55-自己DIY的Agent测试与发布[08:59]
第7章 COZE打造自己的文案生成助手 (30分钟 3节) 7-11-产品功能与需求分析[06:45] 7-22-文案助手的工作流程设计[11:06] 7-33-配置插件与测试效果[12:44]
第8章 GPTS打造Agent实战 (33分钟 4节) 8-11-GPTS任务流程概述分析[10:07] 8-22-调用API的控制方式[06:16] 8-33-API相关配置完成[06:50] 8-44-完成指令与脚本并生成[09:52]
第9章 打造自己领域专属客服 (1小时7分钟 6节) 9-11-DEMO演示与整体架构分析[16:03] 9-22-后端GPT项目部署启动[12:27] 9-33-前端助手API与流程图配置[13:42] 9-44-接入外部API的方法与流程[10:55] 9-55-引入API方法解读[09:04] 9-66-指令提示构建[05:03]
第10章 autogen框架实战 (2小时30分钟 18节) 10-10-Python环境说明[12:14] 10-21-AutoGenStudio框架安装与介绍[08:21] 10-32-动作API配置方法[07:54] 10-43-国内常用API配置方法[07:02] 10-54-API接口在线测试[06:23] 10-65-工作流配置[07:04] 10-76-执行流程与结果[05:48] 10-8API生成方法[08:03] 10-9GroupChat模块[08:09] 10-10执行流程分析[05:35] 10-11外接本地支持库配置方法[13:25] 10-12加入RAG技能[05:32] 10-13LMStudio本地下载部署模型[09:40] 10-14调用本地模型方法与配置[09:44] 10-15AutogenStudio本地化部署流程[09:39] 10-16本地化部署接入应用实例[11:32] 10-17Ollama环境配置与安装[06:50] 10-18autogen接入本地模型[07:09]
第11章 metaGpt框架解读 (30分钟 3节) 11-11-论文概述分析[08:00] 11-22-整体框架逻辑介绍[10:47] 11-33-项目环境配置[11:38]
第12章 metaGpt应用实战-网上调研资料 (54分钟 6节) 12-10-基本Agent的组成[10:01] 12-21-Agent要完成的任务和业务逻辑定义[10:12] 12-32-问题拆解与执行流程[14:43] 12-43-检索得到重要的URL[06:37] 12-54-子问题生成总结结果[08:37] 12-65-总结与结果输出[04:13]
第13章 RAG检索架构分析与应用 (44分钟 6节) 13-11-RAG要完成的任务解读[07:12] 13-22-RAG整体流程解读[08:07] 13-33-召回优化策略分析[08:10] 13-44-召回改进方案解读[09:12] 13-55-评估工具RAGAS[09:01] 13-66-外接本地数据库工具[03:10]
第14章 斯坦福AI小镇架构与项目解读 (1小时11分钟 10节) 14-11-整体故事解读[06:27] 14-22-要解决的问题和整体框架分析[08:30] 14-33-论文基本框架分析[12:00] 14-44-Agent的记忆信息[07:26] 14-55-感知与反思模块构建流程[07:02] 14-66-计划模块实现细节[07:40] 14-77-整体流程框架图[05:30] 14-88-感知模块解读[05:12] 14-99-思考模块解读[04:33] 14-1010-项目环境配置方法解读[07:36]
第15章 langchain工具实例 (49分钟 5节) 15-11-langchain框架解读[09:18] 15-22-基本API调用方法[10:25] 15-33-数据文档切分操作[10:25] 15-44-样本索引与向量构建[10:02] 15-55-数据切块方法[09:37]
第16章 MOE多专家系统 (24分钟 3节) 16-11-MOE概述分析[06:29] 16-22-MOE模块实现方法解读[08:42] 16-33-效果分析与总结[09:20]
第17章 LLM与LORA微调策略解读 (1小时2分钟 5节) 17-11-大模型如何做下游任务[10:16] 17-22-LLM落地微调分析[14:00] 17-33-LLAMA与LORA介绍[12:20] 17-44-LORA微调的核心思想[09:13] 17-55-LORA模型实现细节[16:46]
第18章 LLM下游任务训练自己模型实战 (57分钟 5节) 18-11-提示工程的作用[14:46] 18-22-项目数据解读[09:42] 18-33-源码调用DEBUG解读[10:24] 18-44-训练流程演示[12:00] 18-55-效果演示与总结分析[10:17]
第19章 OPENAI-LLM模型优化总结 (25分钟 3节) 19-11-RAG与微调可以解决与无法解决的问题[10:05] 19-22-RAG实践策略[08:30] 19-33-微调要解决的问题[06:42]
第20章 llama3应用实战 (1小时15分钟 7节) 20-11-llama3模型下载与配置安装[10:16] 20-22-环境相关配置解读[07:57] 20-33-工具调用流程拆解[10:16] 20-44-功能调用方法实例[14:03] 20-55-RAG环境配置搭建[10:49] 20-66-LLAMA3应用-RAG搭建方法[11:33] 20-77-RAG基本流程分析[10:42]
第21章 llama3微调-量化-部署 (1小时1分钟 6节) 21-11-LORA微调方法[09:39] 21-22-指令微调所需数据与模型下载[09:55] 21-33-llama3模型微调实例[12:40] 21-44-llama3微调后进行量化[10:07] 21-55-llama.cpp量化实例[08:04] 21-66-部署应用[11:32]
第22章 计算机视觉项目实例 (46分钟 5节) 22-11-项目需求分析流程[06:15] 22-22-数据与特征库准备[10:21] 22-33-模型准备与项目分析[10:07] 22-44-模型选择方法总结[08:39] 22-55-项目经验总结与优化方法[10:43]
第23章 数据挖掘项目流程实例 (45分钟 5节) 23-11-数据挖掘要解决的问题[06:14] 23-22-数据处理与清洗分析[08:59] 23-33-特征工程的作用与流程[11:02] 23-44-机器学习算法分析[10:07] 23-55-模板到哪去找[09:22]
第24章 自然语言处理项目流程 (57分钟 5节) 24-11-知识图谱要解决的问题与流程分析[11:31] 24-22-知识图谱项目实际应用分析[13:13] 24-33-知识图谱实战应用项目解读[09:37] 24-44-大模型要解决的问题和应用分析[14:17] 24-55-工具总结分析开始学习