getfromcode

九天菜菜大模型与Agent开发实战

AI
课程简介

在 LLM 应用开发从“单点调用”转向“智能体编排”的当下，许多开发者卡在中间层：懂 Python，会调 API，但不知道如何构建一个能自主规划、调用工具并处理多轮状态的 Agent。这门课程切中这一痛点，聚焦于九天菜菜大模型与 Agent 开发实战，不讲空洞的理论，而是直接拆解从 Prompt 工程到复杂工作流落地的完整链路。它解决的核心问题是：如何将一…

已有 41 人浏览 发布 2026-03-01 更新 2026-10-08

在 LLM 应用开发从“单点调用”转向“智能体编排”的当下，许多开发者卡在中间层：懂 Python，会调 API，但不知道如何构建一个能自主规划、调用工具并处理多轮状态的 Agent。这门课程切中这一痛点，聚焦于九天菜菜大模型与 Agent 开发实战，不讲空洞的理论，而是直接拆解从 Prompt 工程到复杂工作流落地的完整链路。它解决的核心问题是：如何将一个大语言模型封装为一个可复用、可监控、具备业务逻辑的智能服务，而不仅仅是写一段 `chat()` 调用。

技术栈与项目结构解析

课程的技术选型紧扣当前工程实践主流，以 Python 为核心，深入剖析大模型交互的底层机制。内容结构上，它摒弃了零散的脚本堆砌，而是按照“模型接入 - 记忆管理 - 工具插件 - 编排引擎”的模块化解构。你会看到如何设计状态机来维持对话上下文，如何定义标准化工具接口让 LLM 能够安全地执行外部动作（如查询数据库、调用 HTTP 接口），以及如何通过 ReAct 或 Plan-and-Execute 模式实现多步推理。这种结构化的代码组织方式，直接对应了生产环境中微服务或 Serverless 函数的部署形态，方便你后续将 Demo 迁移到真实的 CI/CD 流水线中。对于已有基础的后端或全栈开发者，这种代码级的拆解比视频讲解更具参考价值，你可以直接对照源码理解参数传递、异常处理和并发控制的具体实现。

学习路径与独立实战能力

建议的学习顺序并非线性观看，而是以“最小可行智能体”为起点。首先掌握基础的大模型调用封装与 Token 成本控制，这是所有 Agent 的地基；随后重点攻克工具调用（Function Calling）的实现细节，这是区分“聊天机器人”与“智能体”的关键分水岭；最后进入多智能体协作或复杂工作流编排。学完这套体系，你应当能独立构建一个具备特定业务场景能力的 Agent，例如一个能自动分析日志并生成报告的运维助手，或是一个能根据用户意图动态路由到不同子模型的客服系统。由于资料包仅包含视频，建议你在观看每一节代码演示时，立即在本地环境复现。不要只读代码，要修改参数、注入错误、观察模型的反应，通过“破坏性测试”来理解 Agent 的边界与鲁棒性。这种“看一段、写一段、测一段”的节奏，才是将视频内容转化为工程能力的唯一路径。

注：只有视频，无资料

网盘截图：

课程目录：

├── 直播回放篇
│ ├── 直播回放
│ │ ├── GPT4o的函数调用实战与结构化生成回答与提示缓存原理.ts
│ │ ├── LangGraph 中 Human-in-the-loop 应用实战.ts
│ │ ├── Qwen2.5介绍与部署流程.ts
│ │ ├── Llama 3.1介绍与部署流程.ts
│ │ ├── Qwen2.5-Coder&Math介绍与部署.ts
│ │ ├── LangGraph 实现自治循环代理（ReAct）及事件流的应用.ts
│ │ ├── LangGraph 长短期记忆实现机制及检查点的使用.ts
│ │ ├── o1模型详解与模型蒸馏实战.ts
│ │ ├── ChatGPT的注册与ChatGPT API充值.ts
│ │ ├── Llama 3.1&2部署微调.ts
│ │ ├── GPT4o的API基本调用、精细生成控制与多模态实操.ts
│ │ ├── LangGraph中State状态模式与LangSmith基础使用入门.ts
│ │ ├── GLM-4-Video-9b 介绍与部署流程.ts
│ │ ├── OPENAI的Streaming流式响应与API微调双实战，Claude computer use接入自己的电脑.ts
│ ├── 加餐-前沿技术追更
│ │ ├── 【加餐】05 Computer Use API 详解（5）全组件总结.ts
│ │ ├── 【加餐】03 Computer Use API 详解（3）对话函数下.ts
│ │ ├── 【加餐】08 Computer Use项目启动&实战案例.ts
│ │ ├── 【加餐】01 Computer Use API 详解（1）准备工作.ts
│ │ ├── 【加餐】04 Computer Use API 详解（4）多轮对话及tool use.ts
│ │ ├── 【加餐】07 Computer Use docker安装部署全流程.ts
│ │ ├── 【加餐】09 Computer Use源码详解.ts
│ │ ├── 【加餐】06 Computer use实战初窥.ts
│ │ ├── 【加餐】02 Computer Use API 详解（2）对话函数上.ts
├──大模型Agent开发实战
│ ├── Ch 10.1 LangGraph中ReAct的构建原理.ts
│ ├── Ch 4.3 Thread、Messges及Run应用方法.ts
│ ├── Ch 13.5 案例：基于网络架构实现智能BI数据分析多代理系统（下）.ts
│ ├── Ch 3.4 案例：从零复现ReAct Agent的完整流程.ts
│ ├── LangGraph 多代理与 GraphRAG 综合应用实战.ts
│ ├── Ch 2.4 实现具备Funcation Calling的智能电商客服.ts
│ ├── Ch 7.1 LangChain的AI Agent开发框架架构设计.ts
│ ├── 项目开发实战一：从零搭建多功能智能体 MateGen Pro（第二部分）.ts
│ ├── 【MateGenPro】Ch 7 缓存池与系统初始化逻辑.ts
│ ├── Ch 6.4 如何在 Assistant API 流式传输中接入外部函数.ts
│ ├── Ch 2.2 AI Agent三种应用类型及Python实现可交互的聊天机器人.ts
│ ├── 【MateGenPro】Ch 1. MateGen Pro 项目整体架构介绍.ts
│ ├── Ch 13.2 Multi-Agent 架构分类及子图的通信模式 - 副本.ts
│ ├── 【MateGenPro】Ch 5. MateGen数据库初始化逻辑.ts
│ ├── Ch 14.2 案例：基于 Supervisor 架构实现多代理系统.ts
│ ├── Ch 3.5 项目：基于ReAct Agent构建电商智能客服_batch.ts
│ ├── Ch 12.5 案例：具备人机交互的完整Agent信息管理系统.ts
│ ├── Ch 5.4 在Assistant和Thread定义File Search工具的四种策略.ts
│ ├── Ch 9.1 LangGraph代理架构及Router Agent介绍.ts
│ ├── Ch 2.3 Funcation Calling 完整生命周期细节复现.ts
│ ├── Ch 12.1 LangGraph知识点概述总结.ts
│ ├── Ch 4.4 Run运行时的状态转移机制.ts
│ ├── Ch 10.2 案例实操：构建复杂工具应用的ReAct自治代理.ts
│ ├── Ch 11.5 长期记忆和Store（仓库）.ts
│ ├── Ch 6.3 Assistant API 流式传输中的事件流原理细节.ts
│ ├── Ch 7.3 Langgraph底层源码解析.ts
│ ├── Ch 2.6 加餐：OpenAI最新推出的结构化输出功能介绍.ts
│ ├── Ch 1.3 AI Agent爆发的根本原因.ts
│ ├── Ch 8.4 MessageGraph源码功能解析.ts
│ ├── Ch 7.4 LangGraph中如何接入大模型做问答流程.ts
│ ├── Ch 5.6 Code Interpreter（代码解释器）的应用技巧.ts
│ ├── Ch 14.1 Supervisor 架构介绍与基本构建原理.ts
│ ├── 【MateGenPro】Ch 6 API_Key接口初始化与校验.ts
│ ├── Ch 13.4 案例：基于网络架构实现智能BI数据分析多代理系统（上）.ts
│ ├── Ch 3.2 提示工程到代理工程的平滑过度.ts
│ ├── Ch 10.3 LangGraph中如何使用流式输出.ts
│ ├── Ch 6.6 应用案例（2）：集成外部函数方法及项目完整功能介绍.ts
│ ├── Ch 4.5 实现Run状态的轮询方法，并实现Assistant API完整链路.ts
│ ├── 大模型应用发展及Agent前沿技术趋势.MP4
│ ├── Ch 12.2 LangGraph中的HIL实现思路.ts
│ ├── Ch 8.2 使用字典类型定义状态的方法与优劣势.ts
│ ├── Ch 8.1 LangGraph中State的定义模式.ts
│ ├── Ch 1.2 大模型应用的本地知识库问答核心技术-RAG.ts
│ ├── Ch 11.3 检查点的特定实现类型-MemorySaver.ts
│ ├── Ch 9.3 结合结构化输出构建Router Agent（数据库）.ts
│ ├── Ch 8.3 LangGraph状态管理中Reducer函数的使用.ts
│ ├── Ch 6.5 应用案例（1）：异步构建Assistant对象的工程化代码.ts
│ ├── 【MateGenPro】Ch 8 会话管理模块表结构设计与代码讲解.ts
│ ├── Ch 10.4 LangGraph中的事件流.ts
│ ├── Ch 13.3 父、子图状态中无共同键的通信方式.ts
│ ├── 【MateGenPro】Ch 2. 本地运行MateGen Pro项目流程.ts
│ ├── Ch 7.2 LangGraph 的底层构建原理.ts
│ ├── Ch 13.1 Single-Agent 存在的局限.ts
│ ├── Ch 14.4 案例：Multi-Agent实现混合多知识库检索.ts
│ ├── Ch 5.7 基于Funcation Calling实现本地代码解释器.ts
│ ├── Ch 8.5 LangSmith基本原理与使用入门.ts
│ ├── Ch 12.4 复杂代理架构中如何添加动态断点.ts
│ ├── Ch 1.4 AI Agent 经典核心架构与 AgentExcuter.ts
│ ├── Ch 11.4 检查点的特定实现类型-SqliteSaver.ts
│ ├── Ch 12.3 标准图结构中如何添加断点.ts
│ ├── Ch 6.2 Assistant API中流式输出的开启方法.ts
│ ├── Ch 4.1 Assistant API 框架的整体介绍.ts
│ ├── Ch 5.1 Assistant API 进阶应用方法介绍.ts
│ ├── Ch 5.3 基于 Assistant API 创建在线私有知识库.ts
│ ├── Ch 5.5 如何处理Assistant API输出响应中的注释.ts
│ ├── Ch 9.4 Tool Calling Agent 中ToolNode的使用.ts
│ ├── Ch 9.5 Tool Calling Agent的完整实现案例：实时搜索与数据库集成.ts
│ ├── Ch 11.1 Agent长短期记忆认知.ts
│ ├── Ch 3.1 Funcation Calling 与 AI Agent的本质区别.ts
│ ├── Ch 2.5 Function Calling并行调用和多函数调用的应用方法.ts
│ ├── 【MateGenPro】Ch 4. SQLAlchemy原理与项目接入.ts
│ ├── 【MateGenPro】Ch 3. MateGen Pro 后端API核心模块设计.ts
│ ├── Ch 1.1 大模型应用发展与Agent前沿技术趋势.ts
│ ├── Ch 3.3 ReAct Agent框架的基础理论.ts
│ ├── Ch 6.1 为什么企业级应用必须接入流式输出.ts
│ ├── Ch 4.2 Assistant对象的创建方法.ts
│ ├── Ch 2.1 AI Agent与LLMs + RAG的本质区别.ts
│ ├── 关于课件和代码.docx
│ ├── Ch 5.2 File Search内置工具说明及文件管理.ts
│ ├── Ch 14.3 GraphRAG 基本介绍与核心架构.ts
│ ├── Ch 11.2 LangGraph的短期记忆及Checkpointer(检查点).ts
│ ├── Ch 9.2 LangGraph中可应用的三种结构化输出方法.ts
├── 在线大模型部署调用
│ ├── 【GLM】09_CogVideoX视频生成大模型.ts
│ ├── 【GPT4o】15_风格微调（下）微调作业运行与应用评估.ts
│ ├── 【Claude】07_tool use全流程讲解与wiki搜索实战.ts
│ ├── 【GLM】06_tooluse上-一次api调用的tooluse.ts
│ ├── 【Claude】09_揭秘prompt Cache提示缓存：节省成本加快响应的绝技.ts
│ ├── GLM Assistant API集成与FastAPI服务复刻实战指南.ts
│ ├── 【Claude】01_了解Claude的所有特质.MP4
│ ├── 【GPT】04_API账户充值及领取API_KEY及首次调用API.ts
│ ├── 【GLM】03_大模型API调用的消息和构建多轮对话机器人.ts
│ ├── 【Claude】10_stream函数及生成器本质讲解.ts
│ ├── 【GPT4o】06_3步的 tool use基础讲解与【实战】社交媒体情绪数据分析.ts
│ ├── 【GPT4o】11_首token时延与提示缓存原理与最佳实践.ts
│ ├── 【GPT4o】02_2个核心必需参数详解与对话消息本质剖析.ts
│ ├── 【Gemini】04_掌握原生generate_content函数多轮对话技巧.ts
│ ├── 【GLM】08_tooluse接入维基百科搜索实战.ts
│ ├── 【Claude】06_API生成定制化与提示工程实战长文档.mp4
│ ├── 【Gemini】09_提示工程之长文档实战.ts
│ ├── 【GPT4o】09_并行的函数调用与实时股票价格、历史走势绘图与分析【实战】.ts
│ ├── 【GPTo1】02_o1模型的API调用详解与总结.ts
│ ├── 【GPT4o】04_精细控制生成可选参数系列讲解.ts
│ ├── 【Gemini】02_生态体验攻略与微调实战.ts
│ ├── 【Gemini】06_API精细化控制生成之System Instruction.ts
│ ├── 【GLM】01_GLM大模型API调用介绍与领取APIKEY.ts
│ ├── 【GPTo1】06_用o1蒸馏模型实战（下）.ts
│ ├── 【GPT4o】05_4o多模态图片的文本生成API调用详解.ts
│ ├── 【GPT4o】01_4o文本生成API基本讲解与调用.ts
│ ├── 【Claude】11_stream流式概念与使用方法讲解.ts
│ ├── 【GPTo1】03_通过COT制作4o-mini版本的o1模型【实战】.ts
│ ├── 【Claude】05_API多模态的最佳实践.ts
│ ├── 【Claude】03_API_KEY领取及调用.ts
│ ├── 【Claude】13_异步的API调用的讲解与实践.ts
│ ├── 【GPT4o】08_tool use 维基百科实时写作助手【实战】.ts
│ ├── 【GPT】03_虚拟信用卡开通与升级GPT_Plus会员.ts
│ ├── 【Claude】08_tool_choice与定制Json输出及tool_use大实战.ts
│ ├── 【Claude】04_API必须参数揭秘,多轮对话机器人速成指南_x264.ts
│ ├── GLM模型：流式处理的工具调用、多模态应用及模型微调实战指南.ts
│ ├── 【Gemini】05_API内置简化多轮对话的start_chat函数与ChatSessi.ts
│ ├── DSPy：斯坦福20k+星标项目 - 革命性的LLM优化框架，从评估到自动优化你的LLM系统（如RAG系统）.ts
│ ├── 【GPTo1】01_o1大模型原理介绍 从4o到o1实际上发生了什么.ts
│ ├── 【Gemini】08_API精细化控制生成之Temperature与Stop Sequen.ts
│ ├── 【GPT4o】12_Streaming流式响应详解.ts
│ ├── 【GLM】07_tooluse下-两次api调用的tooluse.ts
│ ├── 【GLM】04_十分钟速通GLM的可选参数.ts
│ ├── 【Gemini】01_Gemini注册指南-最新模型免费API调用.ts
│ ├── 【GPT4o】13_函数调用中的Streaming流式响应.ts
│ ├── 【GPT4o】14_风格微调（上）创建数据集与微调作业.ts
│ ├── 【GLM】02_GLM模型API初次调用与响应解析.ts
│ ├── 【GPT】01_OPENAI的账号注册速通.ts
│ ├── 【GPTo1】05_用o1蒸馏模型实战（上）.ts
│ ├── 【Gemini】03_解锁 Gemini API-开启文本生成之旅.ts
│ ├── 【GPT】02_OPEN AI官网及开发者平台使用指南.ts
│ ├── 【GPTo1】04_2种加载模型o1没有的Json结构功能与【实战】.ts
│ ├── 【GPT4o】03_多轮对话历史及面向对象多轮对话机器人实战.ts
│ ├── 【Claude】12_异步的使用原因与基本语法.ts
│ ├── 【Claude】02_Claude的注册流程.ts
│ ├── 【GPT4o】07_5步的 tool use完整的调用流程与汇总.ts
│ ├── 【Gemini】10_API精细化控制生成结构化与Json参数.ts
│ ├── 【GPT4o】10_输出生成结构化的3种方式（JSON结构化）.ts
│ ├── 【Gemini】07_API精细化控制生成之generation_config与max_t.ts
│ ├── 提示工程全解指南.ts
│ ├── GLM 4 工具调用从入门到精通与CogVideoX 文本生成视频 API 全流程.ts
│ ├── 【GLM】05_GLM的stream流式响应讲解.ts
│ ├── DSPy优化器优化LLM程序.ts
├── RAG项目实战企业篇
│ ├── week_3_1_part_4_yolox + orc 识别私有PDF语料的方案实践.mp4
│ ├── week_4_1_part_5_自定义RAG评估Pipeline-ReRanker原理及实.mp4
│ ├── week_2_2_part_3_项目启动文件详细说明及流程复现.mp4
│ ├── week_3_2_part_2_RAG评估框架-TruLens实践.mp4
│ ├── week_4_1_part_1_自定义RAG评估Pipeline-构建统一的数据集格式.mp4
│ ├── week_4_1_part_2_自定义RAG评估Pipeline-构建统一的提示模板.mp4
│ ├── week_3_2_part_3_RAG评估框架-Ragas的使用及借助GLM4生成评估数据.mp4
│ ├── week_5_part_2_大模型用于特征工程及实现推荐系统的整体逻辑代码.MP4
│ ├── week_4_1_part_4_自定义RAG评估Pipeline-评估指标及评估流程实现.mp4
│ ├── week_1_2_part_3_FastAPI项目介绍.mp4
│ ├── week_2_1_part_1_本周开发任务说明.mp4
│ ├── week_2_1_part_2_Naive RAG介绍及借助LangChain实现RAG流.mp4
│ ├── week_1_2_part_2_Langchain应用框架整体介绍.mp4
│ ├── week_1_1_part_1_课程说明及大模型问答功能复现.mp4
│ ├── week_3_1_part_1_企业级RAG的构建架构和思路.mp4
│ ├── week_3_1_part_3_百万量级的wiki公有语料构建方法实践.mp4
│ ├── week_5_part_4_项目整体框架下实现基于Agent的问答流程代码实践.ts
│ ├── week_3_2_part_1_本地RAG知识库问答功能链路详解与复现.mp4
│ ├── week_5_part_1_大模型融入推荐系统一种思路_1.MP4
│ ├── week_2_1_part_3_RAG集成历史对话信息及SqlalChemy持久化存储的使.mp4
│ ├── week_5_part_3_基于Langchain实现基于ReAct的代码实践及TOT提示.MP4
│ ├── week_5_part_5_Docker介绍及借助Docker打包部署完整项目的流程.mp4
│ ├── week_4_1_part_3_自定义RAG评估Pipeline-整体逻辑实现及细节说明.mp4
│ ├── week_3_1_part_2_结合Faiss向量数据的RAG Indexing构建流程.mp4
│ ├── week_4_2_part_2_基于Serper实现系统架构下的联网实时检索功能.mp4
│ ├── week_1_2_part_1_GLM在线API调用方法.mp4
│ ├── week_1_1_part_2_本地私有化部署glm4-9b-chat模型.mp4
│ ├── week_4_2_part_1_Serper API联网检索数据预处理过程拆解.mp4
│ ├── week_1_1_part_3_调用本地启动的glm4模型的方法.mp4
│ ├── week_2_2_part_1_通用问答流程整体流程介绍及参数说明.mp4
│ ├── week_2_2_part_2_FastChat项目说明及Python多进程.mp4
├── 开源大模型部署调用
│ ├── 【ChatGLM3-6B】04_ChatGLM3-6b的多种启动方法.ts
│ ├── Marco-o1模型介绍与本地部署.ts
│ ├── 【GLM4-9B】02_安装部署流程展示.ts
│ ├── 【ChatGLM3-6B】09_LoRA原理浅析.ts
│ ├── 【GLM4-Voice】05_开源大模型比拼-排行榜介绍.ts
│ ├── Ollama最新版本启动多模态模型Llama3.2Vision全流程[Linux环境].ts
│ ├── 【GLM4-Voice】04_线上部署流程.ts
│ ├── 【Llama3.1】01_Llama家族系列模型生态介绍.ts
│ ├── 【Qwen2.5Coder&Math】07_vLLM推理Coder流程.ts
│ ├── 【Qwen2.5】06_vLLM部署与调用流程.ts
│ ├── 【Qwen2.5Coder&Math】06_Coder本地部署推理流程.ts
│ ├── 【Qwen2.5Coder&Math】03_Coder技术文章分析.ts
│ ├── 【Llama3.1】04_官网以及Ollama部署流程.ts
│ ├── 【ChatGLM3-6B】11_DeepSpeed原理浅析.ts
│ ├── 【Qwen2.5Coder&Math】01_Coder介绍.ts
│ ├── 【GLM4-Voice】02_多模态与AGI技术展望.ts
│ ├── 在Windows环境下使用Ollama启动多模态模型llama3.2Vision全流程.ts
│ ├── 【Qwen2.5】05_在Windows系统中使用Ollama框架部署流程.ts
│ ├── 【GLM4-Voice】03_本地化部署流程.ts
│ ├── 【Qwen2.5】04_Ollama框架部署流程.ts
│ ├── Ollama最新版本保姆级指南.ts
│ ├── 【GLM4-9B】01_模型基本介绍.ts
│ ├── 【GLM4-Voice】01_模型基本介绍.ts
│ ├── 【GLM4-9B】04_vLLM介绍和部署应用.ts
│ ├── 【ChatGLM3-6B】07_以ChatGLM3-6b为例的大模型更新办法.ts
│ ├── 【Llama3.1】07_LlamaFactory中文能力微调实例.ts
│ ├── 【ChatGLM3-6B】14_LangChian体系详解.ts
│ ├── 【Llama3.1】02_线上体验办法.ts
│ ├── 【Qwen2.5Coder&Math】08_Ollama推理Coder流程.ts
│ ├── 【ChatGLM3-6B】15_LangChain0.3安装部署与调用方法.ts
│ ├── 【GLM4-9B】03_多种启动方式流程展示.ts
│ ├── 【Qwen2.5】03_ModelScope线上部署办法.ts
│ ├── 【Llama3.1】05_ModelScope线上部署.ts
│ ├── 【ChatGLM3-6B】02_Ubuntu环境下ChatGLM3-6b命令行安装办法.MP4
│ ├── 【ChatGLM3-6B】10_LoRA微调实战训练.ts
│ ├── 【ChatGLM3-6B】06_Git方法简洁下载ChatGLM3-6b.ts
│ ├── Qwen2--5Coder本地部署使用全流程.ts
│ ├── 【Llama3.1】03_技术论文解读.ts
│ ├── 【Llama3.2】01_基本介绍与线上测试办法.ts
│ ├── 【GLM4-9B】05_WSL部署流程.ts
│ ├── 【Qwen2.5】02_ModelScope本地化部署流程.ts
│ ├── 【Llama3.2】02_官网下载流程.ts
│ ├── Qwen2VL多模态模型参数介绍&部署使用全流程.ts
│ ├── 【Llama3.1】06_ModelScope本地部署.ts
│ ├── 【ChatGLM3-6B】03_服务器环境下部署ChatGLM3-6b.ts
│ ├── 【Llama3.2】03_Ollama在Linux和Windows部署方法.ts
│ ├── 【ChatGLM3-6B】05_AutoDL快速部署ChatGLM3-6b办法.ts
│ ├── 【Qwen2.5Coder&Math】04_Math技术文章分析.ts
│ ├── Qwen2--5Coder：32B基本介绍和测试.ts
│ ├── 【ChatGLM3-6B】08_单机多卡启动大模型办法.ts
│ ├── 【Qwen2.5】01_基本介绍与线上体验办法.ts
│ ├── 【Qwen2.5Coder&Math】02_Math介绍.ts
│ ├── 【Qwen2.5Coder&Math】10_Math部署流程.ts
│ ├── 【ChatGLM3-6B】01_Ubuntu双系统安装.MP4
│ ├── 【ChatGLM3-6B】12_PEFT高效微调原理浅析.ts
│ ├── 【ChatGLM3-6B】13_P-Tuning V2微调实战.ts
│ ├── 【Qwen2.5Coder&Math】09_线上部署推理Coder流程.ts
│ ├── Glm-Edge-v-5B模型介绍与本地部署.ts
│ ├── 【Qwen2.5Coder&Math】05_Math线上体验.ts
│ ├── Cursor&Coder高效低代码开发办法.ts
├── 大模型微调实战
│ ├── Ch 6.4 奖励模型训练流程.ts
│ ├── Ch 5.4 PPO模型与数据的选择.ts
│ ├── Ch 6.2 RLHF流程拆解与核心.ts
│ ├── Ch 4.1 win&Qlora&qwen2.5_Qlora能节约多少内存.ts
│ ├── Ch 3.3 模型微调及参数详解.ts
│ ├── Ch 5.6 PPO源码解读.ts
│ ├── DPO微调Qwen2.5.ts
│ ├── Ch 4.2 Qlora核心概念.ts
│ ├── Ch 4.3如何在windows配置环境.ts
│ ├── Ch 1.2 微调与其他技术的区别和关联.ts
│ ├── Ch 5.5 PPO微调实操.ts
│ ├── window系统微调QLORA.ts
│ ├── Ch 5.2 如何理解PPO.ts
│ ├── Ch 6.5 RLHF全流程微调.ts
│ ├── Ch 3.1 如何获取数据源及使用解析.ts
│ ├── Ch 6.3 奖励模型原理.ts
│ ├── Ch 2.5 配置TensorBoard.ts
│ ├── Ch 5.3 各个模型PPO算法的协作关系.ts
│ ├── Ch 1.4 高效微调及范围.ts
│ ├── Ch 2.2 LLama_factory 介绍.ts
│ ├── Ch 1.5 强化学习RHLF介绍.ts
│ ├── Ch 1.6 主流微调框架.ts
│ ├── Ch 1.3 微调步骤及技术栈.ts
│ ├── Ch 2.3 LLama_factory 安装部署及验证.ts
│ ├── Ch 3.4 数据验证&deepspeed微调.ts
│ ├── Ch 2.4 实战Qwen2.5微调.ts
│ ├── LLama_factory&Lora微调Qwen2.5做NL2sql.ts
│ ├── Ch 6.6 RLHF挑战与改进方向.ts
│ ├── Ch 5.1PPO&llama3.2_什么是PPO算法.ts
│ ├── Ch 1.1 通用模型发展与微调前景.ts
│ ├── Ch 2.1 Lora原理详解.ts
│ ├── Ch 3.2 llamafactory中如何使用和注册数据集.ts
│ ├── Ch 6.1 RLHF&Qwen2.5,RLHF背景与意义.ts
│ ├── Ch 4.4 Qlor微调实战与验证.ts
│ ├── LLama_Factory+LORA大模型微调.ts
│ ├── PPO微调Llama-3.2.ts

课程目录

直播回放篇
直播回放
GPT4o的函数调用实战与结构化生成回答与提示缓存原理.ts
LangGraph 中 Human-in-the-loop 应用实战.ts
Qwen2.5介绍与部署流程.ts
Llama 3.1介绍与部署流程.ts
Qwen2.5-Coder&Math介绍与部署.ts
LangGraph 实现自治循环代理（ReAct）及事件流的应用.ts
LangGraph 长短期记忆实现机制及检查点的使用.ts
o1模型详解与模型蒸馏实战.ts
ChatGPT的注册与ChatGPT API充值.ts
Llama 3.1&2部署微调.ts
GPT4o的API基本调用、精细生成控制与多模态实操.ts
LangGraph中State状态模式与LangSmith基础使用入门.ts
GLM-4-Video-9b 介绍与部署流程.ts
OPENAI的Streaming流式响应与API微调双实战，Claude computer use接入自己的电脑.ts
加餐-前沿技术追更
【加餐】05 Computer Use API 详解（5）全组件总结.ts
【加餐】03 Computer Use API 详解（3）对话函数下.ts
【加餐】08 Computer Use项目启动&实战案例.ts
【加餐】01 Computer Use API 详解（1）准备工作.ts
【加餐】04 Computer Use API 详解（4）多轮对话及tool use.ts
【加餐】07 Computer Use docker安装部署全流程.ts
【加餐】09 Computer Use源码详解.ts
【加餐】06 Computer use实战初窥.ts
【加餐】02 Computer Use API 详解（2）对话函数上.ts
大模型Agent开发实战
Ch 10.1 LangGraph中ReAct的构建原理.ts
Ch 4.3 Thread、Messges及Run应用方法.ts
Ch 13.5 案例：基于网络架构实现智能BI数据分析多代理系统（下）.ts
Ch 3.4 案例：从零复现ReAct Agent的完整流程.ts
LangGraph 多代理与 GraphRAG 综合应用实战.ts
Ch 2.4 实现具备Funcation Calling的智能电商客服.ts
Ch 7.1 LangChain的AI Agent开发框架架构设计.ts
项目开发实战一：从零搭建多功能智能体 MateGen Pro（第二部分）.ts
【MateGenPro】Ch 7 缓存池与系统初始化逻辑.ts
Ch 6.4 如何在 Assistant API 流式传输中接入外部函数.ts
Ch 2.2 AI Agent三种应用类型及Python实现可交互的聊天机器人.ts
【MateGenPro】Ch 1. MateGen Pro 项目整体架构介绍.ts
Ch 13.2 Multi-Agent 架构分类及子图的通信模式 - 副本.ts
【MateGenPro】Ch 5. MateGen 数据库初始化逻辑.ts
Ch 14.2 案例：基于 Supervisor 架构实现多代理系统.ts
Ch 3.5 项目：基于ReAct Agent构建电商智能客服_batch.ts
Ch 12.5 案例：具备人机交互的完整Agent信息管理系统.ts
Ch 5.4 在Assistant和Thread定义File Search工具的四种策略.ts
Ch 9.1 LangGraph代理架构及Router Agent介绍.ts
Ch 2.3 Funcation Calling 完整生命周期细节复现.ts
Ch 12.1 LangGraph知识点概述总结.ts
Ch 4.4 Run运行时的状态转移机制.ts
Ch 10.2 案例实操：构建复杂工具应用的ReAct自治代理.ts
Ch 11.5 长期记忆和Store（仓库）.ts
Ch 6.3 Assistant API 流式传输中的事件流原理细节.ts
Ch 7.3 Langgraph底层源码解析.ts
Ch 2.6 加餐：OpenAI最新推出的结构化输出功能介绍.ts
Ch 1.3 AI Agent爆发的根本原因.ts
Ch 8.4 MessageGraph源码功能解析.ts
Ch 7.4 LangGraph中如何接入大模型做问答流程.ts
Ch 5.6 Code Interpreter（代码解释器）的应用技巧.ts
Ch 14.1 Supervisor 架构介绍与基本构建原理.ts
【MateGenPro】Ch 6 API_Key接口初始化与校验.ts
Ch 13.4 案例：基于网络架构实现智能BI数据分析多代理系统（上）.ts
Ch 3.2 提示工程到代理工程的平滑过度.ts
Ch 10.3 LangGraph中如何使用流式输出.ts
Ch 6.6 应用案例（2）：集成外部函数方法及项目完整功能介绍.ts
Ch 4.5 实现Run状态的轮询方法，并实现Assistant API完整链路.ts
大模型应用发展及Agent前沿技术趋势.MP4
Ch 12.2 LangGraph中的HIL实现思路.ts
Ch 8.2 使用字典类型定义状态的方法与优劣势.ts
Ch 8.1 LangGraph中State的定义模式.ts
Ch 1.2 大模型应用的本地知识库问答核心技术-RAG.ts
Ch 11.3 检查点的特定实现类型-MemorySaver.ts
Ch 9.3 结合结构化输出构建Router Agent（数据库）.ts
Ch 8.3 LangGraph状态管理中Reducer函数的使用.ts
Ch 6.5 应用案例（1）：异步构建Assistant对象的工程化代码.ts
【MateGenPro】Ch 8 会话管理模块表结构设计与代码讲解.ts
Ch 10.4 LangGraph中的事件流.ts
Ch 13.3 父、子图状态中无共同键的通信方式.ts
【MateGenPro】Ch 2. 本地运行MateGen Pro项目流程.ts
Ch 7.2 LangGraph 的底层构建原理.ts
Ch 13.1 Single-Agent 存在的局限.ts
Ch 14.4 案例：Multi-Agent实现混合多知识库检索.ts
Ch 5.7 基于Funcation Calling实现本地代码解释器.ts
Ch 8.5 LangSmith基本原理与使用入门.ts
Ch 12.4 复杂代理架构中如何添加动态断点.ts
Ch 1.4 AI Agent 经典核心架构与 AgentExcuter.ts
Ch 11.4 检查点的特定实现类型-SqliteSaver.ts
Ch 12.3 标准图结构中如何添加断点.ts
Ch 6.2 Assistant API中流式输出的开启方法.ts
Ch 4.1 Assistant API 框架的整体介绍.ts
Ch 5.1 Assistant API 进阶应用方法介绍.ts
Ch 5.3 基于 Assistant API 创建在线私有知识库.ts
Ch 5.5 如何处理Assistant API输出响应中的注释.ts
Ch 9.4 Tool Calling Agent 中ToolNode的使用.ts
Ch 9.5 Tool Calling Agent的完整实现案例：实时搜索与数据库集成.ts
Ch 11.1 Agent长短期记忆认知.ts
Ch 3.1 Funcation Calling 与 AI Agent的本质区别.ts
Ch 2.5 Function Calling并行调用和多函数调用的应用方法.ts
【MateGenPro】Ch 4. SQLAlchemy原理与项目接入.ts
【MateGenPro】Ch 3. MateGen Pro 后端API核心模块设计.ts
Ch 1.1 大模型应用发展与Agent前沿技术趋势.ts
Ch 3.3 ReAct Agent框架的基础理论.ts
Ch 6.1 为什么企业级应用必须接入流式输出.ts
Ch 4.2 Assistant对象的创建方法.ts
Ch 2.1 AI Agent与LLMs + RAG的本质区别.ts
关于课件和代码.docx
Ch 5.2 File Search内置工具说明及文件管理.ts
Ch 14.3 GraphRAG 基本介绍与核心架构.ts
Ch 11.2 LangGraph的短期记忆及Checkpointer(检查点).ts
Ch 9.2 LangGraph中可应用的三种结构化输出方法.ts
在线大模型部署调用
【GLM】09_CogVideoX视频生成大模型.ts
【GPT4o】15_风格微调（下）微调作业运行与应用评估.ts
【Claude】07_tool use全流程讲解与wiki搜索实战.ts
【GLM】06_tooluse上-一次api调用的tooluse.ts
【Claude】09_揭秘prompt Cache提示缓存：节省成本加快响应的绝技.ts
GLM Assistant API集成与FastAPI服务复刻实战指南.ts
【Claude】01_了解Claude的所有特质.MP4
【GPT】04_API账户充值及领取API_KEY及首次调用API.ts
【GLM】03_大模型API调用的消息和构建多轮对话机器人.ts
【Claude】10_stream函数及生成器本质讲解.ts
【GPT4o】06_3步的 tool use基础讲解与【实战】社交媒体情绪数据分析.ts
【GPT4o】11_首token时延与提示缓存原理与最佳实践.ts
【GPT4o】02_2个核心必需参数详解与对话消息本质剖析.ts
【Gemini】04_掌握原生generate_content函数多轮对话技巧.ts
【GLM】08_tooluse接入维基百科搜索实战.ts
【Claude】06_API生成定制化与提示工程实战长文档.mp4
【Gemini】09_提示工程之长文档实战.ts
【GPT4o】09_并行的函数调用与实时股票价格、历史走势绘图与分析【实战】.ts
【GPTo1】02_o1模型的API调用详解与总结.ts
【GPT4o】04_精细控制生成可选参数系列讲解.ts
【Gemini】02_生态体验攻略与微调实战.ts
【Gemini】06_API精细化控制生成之System Instruction.ts
【GLM】01_GLM大模型API调用介绍与领取APIKEY.ts
【GPTo1】06_用o1蒸馏模型实战（下）.ts
【GPT4o】05_4o多模态图片的文本生成API调用详解.ts
【GPT4o】01_4o文本生成API基本讲解与调用.ts
【Claude】11_stream流式概念与使用方法讲解.ts
【GPTo1】03_通过COT制作4o-mini版本的o1模型【实战】.ts
【Claude】05_API多模态的最佳实践.ts
【Claude】03_API_KEY领取及调用.ts
【Claude】13_异步的API调用的讲解与实践.ts
【GPT4o】08_tool use 维基百科实时写作助手【实战】.ts
【GPT】03_虚拟信用卡开通与升级GPT_Plus会员.ts
【Claude】08_tool_choice与定制Json输出及tool_use大实战.ts
【Claude】04_API必须参数揭秘,多轮对话机器人速成指南_x264.ts
GLM模型：流式处理的工具调用、多模态应用及模型微调实战指南.ts
【Gemini】05_API内置简化多轮对话的start_chat函数与ChatSessi.ts
DSPy：斯坦福20k+星标项目 - 革命性的LLM优化框架，从评估到自动优化你的LLM系统（如RAG系统）.ts
【GPTo1】01_o1大模型原理介绍 从4o到o1实际上发生了什么.ts
【Gemini】08_API精细化控制生成之Temperature与Stop Sequen.ts
【GPT4o】12_Streaming流式响应详解.ts
【GLM】07_tooluse下-两次api调用的tooluse.ts
【GLM】04_十分钟速通GLM的可选参数.ts
【Gemini】01_Gemini注册指南-最新模型免费API调用.ts
【GPT4o】13_函数调用中的Streaming流式响应.ts
【GPT4o】14_风格微调（上）创建数据集与微调作业.ts
【GLM】02_GLM模型API初次调用与响应解析.ts
【GPT】01_OPENAI的账号注册速通.ts
【GPTo1】05_用o1蒸馏模型实战（上）.ts
【Gemini】03_解锁 Gemini API-开启文本生成之旅.ts
【GPT】02_OPEN AI官网及开发者平台使用指南.ts
【GPTo1】04_2种加载模型o1没有的Json结构功能与【实战】.ts
【GPT4o】03_多轮对话历史及面向对象多轮对话机器人实战.ts
【Claude】12_异步的使用原因与基本语法.ts
【Claude】02_Claude的注册流程.ts
【GPT4o】07_5步的 tool use完整的调用流程与汇总.ts
【Gemini】10_API精细化控制生成结构化与Json参数.ts
【GPT4o】10_输出生成结构化的3种方式（JSON结构化）.ts
【Gemini】07_API精细化控制生成之generation_config与max_t.ts
提示工程全解指南.ts
GLM 4 工具调用从入门到精通与CogVideoX 文本生成视频 API 全流程.ts
【GLM】05_GLM的stream流式响应讲解.ts
DSPy优化器优化LLM程序.ts
RAG项目实战企业篇
week_3_1_part_4_yolox + orc 识别私有PDF语料的方案实践.mp4
week_4_1_part_5_自定义RAG评估Pipeline-ReRanker原理及实.mp4
week_2_2_part_3_项目启动文件详细说明及流程复现.mp4
week_3_2_part_2_RAG评估框架-TruLens实践.mp4
week_4_1_part_1_自定义RAG评估Pipeline-构建统一的数据集格式.mp4
week_4_1_part_2_自定义RAG评估Pipeline-构建统一的提示模板.mp4
week_3_2_part_3_RAG评估框架-Ragas的使用及借助GLM4生成评估数据.mp4
week_5_part_2_大模型用于特征工程及实现推荐系统的整体逻辑代码.MP4
week_4_1_part_4_自定义RAG评估Pipeline-评估指标及评估流程实现.mp4
week_1_2_part_3_FastAPI项目介绍.mp4
week_2_1_part_1_本周开发任务说明.mp4
week_2_1_part_2_Naive RAG介绍及借助LangChain实现RAG流.mp4
week_1_2_part_2_Langchain应用框架整体介绍.mp4
week_1_1_part_1_课程说明及大模型问答功能复现.mp4
week_3_1_part_1_企业级RAG的构建架构和思路.mp4
week_3_1_part_3_百万量级的wiki公有语料构建方法实践.mp4
week_5_part_4_项目整体框架下实现基于Agent的问答流程代码实践.ts
week_3_2_part_1_本地RAG知识库问答功能链路详解与复现.mp4
week_5_part_1_大模型融入推荐系统一种思路_1.MP4
week_2_1_part_3_RAG集成历史对话信息及SqlalChemy持久化存储的使.mp4
week_5_part_3_基于Langchain实现基于ReAct的代码实践及TOT提示.MP4
week_5_part_5_Docker介绍及借助Docker打包部署完整项目的流程.mp4
week_4_1_part_3_自定义RAG评估Pipeline-整体逻辑实现及细节说明.mp4
week_3_1_part_2_结合Faiss向量数据的RAG Indexing构建流程.mp4
week_4_2_part_2_基于Serper实现系统架构下的联网实时检索功能.mp4
week_1_2_part_1_GLM在线API调用方法.mp4
week_1_1_part_2_本地私有化部署glm4-9b-chat模型.mp4
week_4_2_part_1_Serper API联网检索数据预处理过程拆解.mp4
week_1_1_part_3_调用本地启动的glm4模型的方法.mp4
week_2_2_part_1_通用问答流程整体流程介绍及参数说明.mp4
week_2_2_part_2_FastChat项目说明及Python多进程.mp4
开源大模型部署调用
【ChatGLM3-6B】04_ChatGLM3-6b的多种启动方法.ts
Marco-o1模型介绍与本地部署.ts
【GLM4-9B】02_安装部署流程展示.ts
【ChatGLM3-6B】09_LoRA原理浅析.ts
【GLM4-Voice】05_开源大模型比拼-排行榜介绍.ts
Ollama最新版本启动多模态模型Llama3.2Vision全流程[Linux环境].ts
【GLM4-Voice】04_线上部署流程.ts
【Llama3.1】01_Llama家族系列模型生态介绍.ts
【Qwen2.5Coder&Math】07_vLLM推理Coder流程.ts
【Qwen2.5】06_vLLM部署与调用流程.ts
【Qwen2.5Coder&Math】06_Coder本地部署推理流程.ts
【Qwen2.5Coder&Math】03_Coder技术文章分析.ts
【Llama3.1】04_官网以及Ollama部署流程.ts
【ChatGLM3-6B】11_DeepSpeed原理浅析.ts
【Qwen2.5Coder&Math】01_Coder介绍.ts
【GLM4-Voice】02_多模态与AGI技术展望.ts
在Windows环境下使用Ollama启动多模态模型llama3.2Vision全流程.ts
【Qwen2.5】05_在Windows系统中使用Ollama框架部署流程.ts
【GLM4-Voice】03_本地化部署流程.ts
【Qwen2.5】04_Ollama框架部署流程.ts
Ollama最新版本保姆级指南.ts
【GLM4-9B】01_模型基本介绍.ts
【GLM4-Voice】01_模型基本介绍.ts
【GLM4-9B】04_vLLM介绍和部署应用.ts
【ChatGLM3-6B】07_以ChatGLM3-6b为例的大模型更新办法.ts
【Llama3.1】07_LlamaFactory中文能力微调实例.ts
【ChatGLM3-6B】14_LangChian体系详解.ts
【Llama3.1】02_线上体验办法.ts
【Qwen2.5Coder&Math】08_Ollama推理Coder流程.ts
【ChatGLM3-6B】15_LangChain0.3安装部署与调用方法.ts
【GLM4-9B】03_多种启动方式流程展示.ts
【Qwen2.5】03_ModelScope线上部署办法.ts
【Llama3.1】05_ModelScope线上部署.ts
【ChatGLM3-6B】02_Ubuntu环境下ChatGLM3-6b命令行安装办法.MP4
【ChatGLM3-6B】10_LoRA微调实战训练.ts
【ChatGLM3-6B】06_Git方法简洁下载ChatGLM3-6b.ts
Qwen2--5Coder本地部署使用全流程.ts
【Llama3.1】03_技术论文解读.ts
【Llama3.2】01_基本介绍与线上测试办法.ts
【GLM4-9B】05_WSL部署流程.ts
【Qwen2.5】02_ModelScope本地化部署流程.ts
【Llama3.2】02_官网下载流程.ts
Qwen2VL多模态模型参数介绍&部署使用全流程.ts
【Llama3.1】06_ModelScope本地部署.ts
【ChatGLM3-6B】03_服务器环境下部署ChatGLM3-6b.ts
【Llama3.2】03_Ollama在Linux和Windows部署方法.ts
【ChatGLM3-6B】05_AutoDL快速部署ChatGLM3-6b办法.ts
【Qwen2.5Coder&Math】04_Math技术文章分析.ts
Qwen2--5Coder：32B基本介绍和测试.ts
【ChatGLM3-6B】08_单机多卡启动大模型办法.ts
【Qwen2.5】01_基本介绍与线上体验办法.ts
【Qwen2.5Coder&Math】02_Math介绍.ts
【Qwen2.5Coder&Math】10_Math部署流程.ts
【ChatGLM3-6B】01_Ubuntu双系统安装.MP4
【ChatGLM3-6B】12_PEFT高效微调原理浅析.ts
【ChatGLM3-6B】13_P-Tuning V2微调实战.ts
【Qwen2.5Coder&Math】09_线上部署推理Coder流程.ts
Glm-Edge-v-5B模型介绍与本地部署.ts
【Qwen2.5Coder&Math】05_Math线上体验.ts
Cursor&Coder高效低代码开发办法.ts
大模型微调实战
Ch 6.4 奖励模型训练流程.ts
Ch 5.4 PPO模型与数据的选择.ts
Ch 6.2 RLHF流程拆解与核心.ts
Ch 4.1 win&Qlora&qwen2.5_Qlora能节约多少内存.ts
Ch 3.3 模型微调及参数详解.ts
Ch 5.6 PPO源码解读.ts
DPO微调Qwen2.5.ts
Ch 4.2 Qlora核心概念.ts
Ch 4.3如何在windows配置环境.ts
Ch 1.2 微调与其他技术的区别和关联.ts
Ch 5.5 PPO微调实操.ts
window系统微调QLORA.ts
Ch 5.2 如何理解PPO.ts
Ch 6.5 RLHF全流程微调.ts
Ch 3.1 如何获取数据源及使用解析.ts
Ch 6.3 奖励模型原理.ts
Ch 2.5 配置TensorBoard.ts
Ch 5.3 各个模型PPO算法的协作关系.ts
Ch 1.4 高效微调及范围.ts
Ch 2.2 LLama_factory 介绍.ts
Ch 1.5 强化学习RHLF介绍.ts
Ch 1.6 主流微调框架.ts
Ch 1.3 微调步骤及技术栈.ts
Ch 2.3 LLama_factory 安装部署及验证.ts
Ch 3.4 数据验证&deepspeed微调.ts
Ch 2.4 实战Qwen2.5微调.ts
LLama_factory&Lora微调Qwen2.5做NL2sql.ts
Ch 6.6 RLHF挑战与改进方向.ts
Ch 5.1PPO&llama3.2_什么是PPO算法.ts
Ch 1.1 通用模型发展与微调前景.ts
Ch 2.1 Lora原理详解.ts
Ch 3.2 llamafactory中如何使用和注册数据集.ts
Ch 6.1 RLHF&Qwen2.5,RLHF背景与意义.ts
Ch 4.4 Qlor微调实战与验证.ts
LLama_Factory+LORA大模型微调.ts
PPO微调Llama-3.2.ts
相关推荐
卢菁博士AI大模型微调实战训练营
卢菁博士AI大模型微调实战训练营
¥29 · 485 浏览
慕课网 - AI Agent全栈开发工程师（完整版）
慕课网 - AI Agent全栈开发工程师（完整版）
¥29 · 564 浏览
海豚《AI漫剧系列教程》
海豚《AI漫剧系列教程》
¥29.9 · 46 浏览
赋范 AI-2026年大模型 Agent智能体开发实战 夏季班
赋范 AI-2026年大模型 Agent智能体开发实战 夏季班
¥79.9 · 575 浏览
 FastAPI+LangChain打造智能招聘系统
FastAPI+LangChain打造智能招聘系统
¥39.9 · 297 浏览
蔡梦熙《AI超创学院》
蔡梦熙《AI超创学院》
¥29.9 · 411 浏览
AI+全能测试工程师
AI+全能测试工程师
¥129 · 427 浏览
知乎-AI大模型应用专家实战训练营-18期
知乎-AI大模型应用专家实战训练营-18期
¥29.9 · 111 浏览
【九天菜菜】深度学习实战
【九天菜菜】深度学习实战
¥29.9 · 37 浏览
B站AI小王子 Jay-ComfyUI AI系统课全程陪跑
B站AI小王子 Jay-ComfyUI AI系统课全程陪跑
¥29.9 · 35 浏览
AI短剧动画制作入门小白从零到独立实操
AI短剧动画制作入门小白从零到独立实操
¥29.9 · 28 浏览
尚硅谷AI全能开发260525至2026年8月底最新版95G
尚硅谷AI全能开发260525至2026年8月底最新版95G
¥29.9 · 21 浏览
课程购买
课程价格
金币29
290金币限时优惠会员免费
销量：0
💎 开通会员每日免费下载，比单买更划算 →
支付成功后会自动显示下载资源云盘的链接！点击链接即可下载到本地。
[衡天云]爆款云服务器 低至12元/月
[衡天云]爆款云服务器 低至12元/月