一、大模型驱动的Agent智能体概述

1.智能体的定义与特点

2.智能体与传统软件的关系

3.智能体与LLM的关系

4.从ChatGPT到智能体

5.智能体的五种能力

6.记忆，规划，工具，自主决策，推理

7.多智能体协作

8.企业级智能体应用与任务规划

9.智能体开发

二、基于大模型的Agent技术框架

1.Agent的四大要素

2.Agent的规划和决策能力

3.Agent的各种记忆机制

4.Agent的核心技能：调用工具

5.Agent的推理引擎：ReAct框架

6.何谓ReAct

7.用ReAct框架实现简单Agent

8.基于ReAct框架的提示

9.构建ReAct Agent

三、基于LangChain构建智能体

1.何谓LangChain

2.LangChain中的六大模块

3.LangChain和Agent开发

4.LangChain构建智能体的类型

5.LangChain构建工具

6.何谓LlamaIndex

7.说说LlamaIndex

8.LlamaIndex和基于RAG的AI开发

9. 简单的LlamaIndex开发示例  

四、推理与行动的协同——通过LangChain中的ReAct框架实现

1.复习ReAct框架

2.LangChain中ReAct Agent 的实现

3.LangChain中的工具和工具包

4.create_react_agent创建鲜花定价Agent

5.深挖AgentExecutor的运行机制

6.在AgentExecutor中设置断点

7.思考：模型决定搜索

8.行动：工具执行搜索

9.思考：模型决定计算

10.行动：工具执行计算

11.思考：模型完成任务  

五、计划和执行的解耦-通过LangChain中的Plan-and-Execute实现

1.Plan-and-Solve策略的提出

2.LangChain中的Plan-and-Execute Agent

3.通过Plan-and-Execute Agent实现物流管理

4.为Agent定义一系列进行自动库存调度的工具

5.创建Plan-and-Execute Agent并尝试一个“不可能完成的任务”

6.完善请求，让Agent完成任务

7.从单Agent到多Agent  

六、Agent智能体实战--贴身管家：出行订票智能体

1.探索智能体：让代码思考起来

2.解析LangChain与ReAct的核心思想

3.智能体如何简化出行订票流程

4.从0到1构建你的第一位出行助手Agent

5.搭建开发环境：Agent工具与环境配置详解

6.智能体核心模块解析：代码实现与逻辑设计

7.案例总结

七、Agent智能体实战-智能翻译Agent

1.翻译需求分析与设计规划

2.多语言支持与术语一致性设计

3.输入输出格式与核心模块规划

4.核心逻辑与代码原理：多语言模型与翻译算法详解

5.多语言模型的调用与上下文保持

6.翻译优化与错误处理机制

7.Prompt设计与多轮交互实现

8.代码实现与智能体集成：从开发到部署的全流程

9.翻译系统的代码实现与模块测试

10.智能翻译系统的部署与优化

八、多Agent 最佳实践—langGraph框架

1.为什么选择多智能体架构？

2.常见的多智能体架构

3.LangGraph架构和应用

4.LangGraph 核心组件：节点与可控制性

5.节点与可控制性-第一个LangGraph

6.节点与可控制性-基本控制：串行控制&分支控制&条件分支与循环

7.节点与可控制性-精细控制：图的运行时配置&map-reduce

8. LangGraph 核心组件：持久化与记忆

9.记忆：短期记忆的实现&长期以及实现&使用总结技术优化记忆

10. LangGraph 核心组件：人机交互)

11. LangGraph 核心组件：时光旅行

12. LangGraph 核心组件：流式输出

13. LangGraph 核心组件：工具调用

14.基于LangGraph 构建代码助手

15.基于LangGraph 的提示词生成小助手

九、基于多模态构建Agent

1.多模态技术原理讲解

2.常用的多模态模型介绍、原理解析

3.多模态典型应用场景举例，以及技术实现

4.多模态技术实战

5.多模态需求输入：图像、语音、文本

6.语音输入集成模块

7.图像输入集成模块

8.核心需求理解与多轮输入整合模块

9.语音输入处理

10.利用多模态技术实现多模态智能聊天对话

11.基于多模态大模型的Agent开发

十、 Agent智能体实战-智能邮件助理

1.需求分析：邮件助手的核心功能与用户痛点

2.任务分类与优先级排序的需求分析

3.实现多任务邮件管理的技术架构

4.集成LLM处理自然语言邮件回复

5.LLM在多轮对话中的语境保持

6.个性化与情感分析在邮件回复中的应用

7.模板化与自定义语句生成的实现设计

8.错误处理与异常情况的回复策略

9.个性化优化：学习用户风格的邮件写作

10.用户行为追踪与语言模型的训练优化

11.自适应个性化邮件模板的设计与实现

十一、CrewAI: 一款主流的多Agents开发框架

1.CrewAI架构和原理

2.CrewAI安装与第一个示例

3.CrewAI 核心组件讲解

4.CrewAI 核心组件：Agents

5.CrewAI 核心组件：Task

6.CrewAI 核心组件：Crew & flow

7.CrewAI 核心组件：知识库 & 记忆

8.基于CrewAI 的游戏开发助手最近学习

9.基于CrewAI 的营销策略大师

十二、基于低代码平台--字节Coze 构建智能体

1.Coze：零基础开发对话机器人

2.Coze功能概述

3.Coze基础能力

4.Coze插件

5.Coze工作流

6.Coze记忆库

7.用工作流优化输出结果

8.基于字节Coze构建开发软件开发智能体

9.构建研发工程师agent案例

十三、基于低代码平台—开源DIfy构建智能体

1.Dify：零基础开发对话机器人

2.Dify：功能概述

3.Dify：基础能力

4.Dify：插件

5.Dify：工作流

6.Dify：记忆库

7.综合实战：基于Dify的数据库查询实现

8.Dify本地化与Agent各终点发布(网页嵌入、微信、API)

十四、Agent实战--企业专属领域的智能客服

1.打造专属领域的客服聊天机器人        

2.客服聊天机器人概述   

3.客服聊天机器人价值简介        

4.客服聊天机器人研发工具        

5.AI课程客服聊天机器人总体架构       

6.前端功能设计    

7.后端功能设计    

8.AI课程客服聊天机器人应用实例    

十五、Manus产品分析和OpenManus源代码分析

1.Manus产品架构解析：云端智能体、多工具调用、任务分解与自主执行

2.Manus在职场的应用：文档智能处理、任务自动化、代码编写与调试

3.Manus实操训练：任务自动化演练、网页数据采集、代码执行挑战

4.Manus办公赋能：会议纪要自动总结、

5.Manus 办公赋能：邮件自动分类与回复

6.Manus 办公赋能：PPT生成对比

7.OpenManus架构分析

8.OpenManus设计思路分析

9.OpenManus开源代码分析

十六、MCP原理与实战：高效AI Agent智能体开发

1.什么是MCP

2.MCP的起源与发展

3.掌握MCP的好处

4.MCP的工作原理

5.MCP的核心架构

6.MCP的核心组件

7.MCP与API的区别

8.MCP与Function Calling的区别

9.MCP与A2A协议的区别

10.MCP的本地搭建

11.MCP案例分析

12.构建MCP案例

十七、Agent智能体实战--智能写作助手

1.需求分析与功能设计

2.内容生成的应用场景与需求挖掘

3.多语言支持与语义校准的必要性

4.个性化写作与用户偏好定制

5.模块设计与核心算法：搭建智能写作系统的逻辑框架

6.内容生成与续写算法的实现原理

7.多轮交互与上下文保持策略

8. 智能写作系统的核心代码实现

9.API集成与功能扩展方案

10.Agent系统部署与性能优化

11.案例小结

十八、Agent智能体实战--智能推荐Agent

1.推荐系统的需求分析与数据来源

2.用户行为数据的采集与分析策略

3.推荐系统中的特征工程与数据标注

4.协同过滤与内容推荐算法的应用

5.基于用户和物品的协同过滤算法

6. 基于内容的推荐算法实现

7.算法优化与模型训练

8.案例小结