获课：shanxueit.com/12336/

一、认知筑基：理解大模型与Agent的底层逻辑

一切实践都始于正确的理论认知。课程第一阶段将聚焦于大模型与Agent的核心概念，帮助你建立扎实的知识地基。

大模型原理精讲部分，会以通俗易懂的方式拆解Transformer架构、自注意力机制、预训练与微调的逻辑分野，以及涌现能力与规模定律的现实意义。你不必成为数学专家，但必须理解模型如何“理解”语言、为何会产生幻觉、以及参数规模与能力之间的非线性关系。

Agent概念深度解析则是本阶段的重点。课程将明确区分“大模型”与“智能体”的本质差异——大模型是“大脑”，而Agent是拥有“大脑+手脚+记忆”的完整系统。你将学习Agent的四大核心模块：规划模块（任务分解与路径选择）、记忆模块（短期上下文与长期知识库）、工具模块（连接外部世界的API与函数）、执行模块（输出行动并接收反馈），并理解它们如何协同工作。

二、提示工程与RAG：与大模型高效协作的基石

当理论认知初步建立，你将进入与大模型深度协作的实战修炼。这一阶段包含两大核心技能：

提示工程工业化——课程将引导你超越简单的“一问一答”，掌握结构化提示模板设计、思维链（CoT）、思维树（ToT）、ReAct框架等高级编排技巧。更重要的是，你将学会建立评测驱动的优化流程：准备覆盖正常、边界、恶意输入的测试用例集，用准确率、格式合规率等硬指标指导调优方向，让提示词从“艺术”走向“工程”。

RAG（检索增强生成）全链路实战是解决大模型知识盲区与幻觉问题的黄金方案。你将系统学习文档解析与文本分块策略、Embedding模型选型、向量数据库（Milvus/Pinecone）的架构与检索策略，以及HyDE、父文档检索、重排序等进阶优化技术。通过企业知识库问答系统的实战案例，你将从离线索引构建到在线查询调优，完整掌握RAG的全流程方法论。

三、Agent工程化核心：从“对话”到“行动”的跃迁

这是课程最具挑战性也最具价值的阶段，核心目标是将大模型从“只会说”进化为“能动手”的智能体。

规划能力构建——你将学习任务分解策略（如Plan-and-Solve）、自我反思与修正机制，让Agent能够将模糊的用户指令拆解为明确的步骤序列，并在执行过程中动态调整计划。

工具调用标准化——课程将教授如何将外部函数与API封装为统一接口的“工具”，涵盖输入输出契约定义、错误码设计、超时与重试策略。这类似微服务治理，要求每个工具具备幂等性和健壮的错误恢复能力。

记忆系统设计——短期记忆通过滑动窗口与摘要压缩控制上下文长度；长期记忆则依赖向量数据库，但检索策略（如HyDE、父文档检索）往往决定召回质量，需要反复实验调优。

多智能体协作框架——你将了解如何设计多个Agent角色分工与辩论协商机制，让它们协同解决复杂任务，这是迈向通用人工智能的重要一步。

四、评估、优化与生产级交付

AGI应用进入生产环境的最大障碍往往是“不确定性”。课程专设模块解决评估体系构建与性能优化问题。

你将学习设计多维度的自动化评测集（涵盖准确性、鲁棒性、安全性），并运用追踪工具实时监控Agent的决策轨迹与Token消耗。可观测性建设要求为每次交互生成全链路追踪日志，从原始输入、提示词版本、模型输出到工具调用结果，全部记录在案。

此外，课程还会覆盖推理加速（量化、批处理）与成本控制策略——通过路由机制将简单任务导向轻量级模型，复杂任务才调用高性能模型，确保应用具备商业可行性。

安全护栏与合规治理则是不可逾越的红线。你将学习配置输入过滤层（拦截注入攻击、不当内容）和输出审核层（防范幻觉、保护隐私），为Agent的安全运行保驾护航。

五、综合实战：从零构建完整Agent应用

路线的最终章是一场为期两周的全流程实战冲刺。学员将以小组形式完成一个完整的Agent应用原型——往期优秀作品涵盖智能客服、自动化报告生成、科研助手等多个领域。

你将经历完整的项目生命周期：需求定义、技术选型、开发迭代、评估优化到部署演示。这个过程不仅是对前期学习成果的全面检验，更是你积累真实项目经验、构建个人作品集的关键机会。

结语

【2025年12月班】所铺设的这条学习路线，是一条从理论土壤通往落地果实的完整天梯。它尊重认知规律，强调动手实战，更注重培养你独立解决未知问题的元能力。Agent时代的到来，意味着AI不再只是被动的回答者，而是主动的行动者。 此刻入局，正是拥抱这一变革的最佳时机——在这里，你不只是大模型的使用者，更将成为智能体时代的创造者与定义者。