2024爆火AI Agent智能应用从0到1(应用解读 项目实战)

本课程名为“2024爆火AI Agent智能应用从0到1(应用解读+项目实战)”，是一门专注于人工智能领域中Agent技术应用的中级课程。课程由经验丰富的讲师唐宇迪博士主讲，内容覆盖了从基础知识到实战项目的全方位教学。

课程基本信息

• 时长：约13小时25分钟
• 课时：90课时
• 学习人数：超过19905人

课程内容

课程内容分为多个章节，包括但不限于：

• Agent架构解读：深入讲解智能体的原理和架构。
• GPTS实战：使用GPTS构建智能体模块，集成动作。
• 客服系统开发：从零开始，集成大模型与API完成客服功能。
• AutogenStudio框架：使用AutogenStudio框架构建Agent任务。
• MetaGpt框架：解读MetaGpt框架，定义角色和动作。
• RAG检索架构：分析RAG的作用与效果，优化方法。
• 斯坦福AI小镇项目：结合源码分析AI小镇架构。
• MOE多专家系统：分析MOE系统的作用与效果。
• LLM与LORA微调策略：讲解大模型微调方法与策略。
• 下游任务训练：基于实际任务与数据集微调大模型。
• 模型优化：总结大模型优化策略。

课程特色

• 实战导向：课程结合大量实战项目，帮助学员学以致用。
• 前沿技术：涵盖AIGC等前沿技术，紧跟AI发展潮流。
• 持续更新：课程内容持续更新，确保技术前瞻性。
• 资料支持：提供全部课件与案例资料，方便学习。

适合人群

本课程适合对人工智能特别是Agent技术感兴趣的学生和从业者，旨在帮助他们掌握构建智能应用的能力。

讲师背景

唐宇迪博士，同济大学硕士，华东理工大学博士，精通机器学习算法，主攻计算机视觉方向，拥有丰富的教学和实战经验。

课程介绍

• 智能体是什么：做一个Ai替你干活

• 为什么不需要学任何Ai工具

• 角色如何定义(光靠提示词它就是个XXX专家了？)

• 如何给智能体设计业务流程

• 智能体只有一个吗？

一、学习收益

1.每个人的人工智能=自己的需求 业务场景 工具使用 标准化流程

2.课程教大家集成：以大模型为大脑让它根据流程来使用各种工具

3.可以任意DIY，结合自己的需求，场景，流程，做自己的Ai产品

4.提供全部案例模板，先把流程跑通，再去替换完成自己的任务

5.课程持续更新，24年会给大家持续加入更多前沿技术与案例

6.不会过时的技术，工具软件会被替换，Agent可以随意配技能

二、章节内容

第 1 章 Agent架构解读与应用分析

【本章主题】通俗讲解智能体的原理与架构

1-Agent要解决的问题分析                 2-Agent需要具备的基本能力

3-与大模型的关系分析                      4-多智能体定义分析

5-框架的作用和能解决的问题             6-整体总结分析

7-GPTS分析一波                              8-经典任务分析

第 2 章 GPTS打造Agent实战

【本章主题】使用GPTS来构建智能体模块并集成相应的动作

1-GPTS任务流程概述分析                 2-调用API的控制方式

3-API相关配置完成                          4-完成指令与脚本并生成

第 3 章 打造自己领域专属客服

【本章主题】从零开始集成大模型与各路api完成客服功能

1-DEMO演示与整体架构分析              2-后端GPT项目部署启动

3-前端助手API与流程图配置              4-接入外部API的方法与流程

5-引入API方法解读                          6-指令提示构建

7-GPTS分析一波                              8-经典任务分析

第 4 章 AutogenStudio智能体框架实战

【本章主题】使用可本地化部署的框架来构建自己的Agent任务

1-AutoGenStudio框架安装与介绍        2-动作API配置方法

3-国内常用API配置方法                     4-API接口在线测试

5-工作流配置                                   6-执行流程与结果

7-Ollama环境配置与安装                   8-autogen接入本地模型

9-API生成方法                                 10-GroupChat模块

11-执行流程分析                              12-外接本地支持库配置方法

13-加入RAG技能                              14-LMStudio本地下载部署模型

15-调用本地模型方法与配置

第 5 章 MetaGpt智能体框架解读

【本章主题】通俗解读生成代码/游戏框架MetaGpt

1-论文概述分析                                2-整体框架逻辑介绍

3-项目环境配置                                4-基础解读-动作定义方式

5-基础解读-角色定义                         6-单动作智能体实现方法

7-多动作配置方法                             8-定时器任务环境配置

9-定时器任务流程解读分析

第 6 章 MetaGpt应用实战应用

【本章主题】使用MetaGpt进行角色和动作定义并完成相应功能

1-基本Agent的组成                          2-Agent要完成的任务和业务逻辑定义

3-问题拆解与执行流程                      4-检索得到重要的URL

5-子问题生成总结结果                      6-总结与结果输出

第 7 章 RAG检索架构分析与应用

【本章主题】RAG的作用与效果解读及其优化方法

1-RAG要完成的任务解读                2-RAG整体流程解读

3-召回优化策略分析                      4-召回改进方案解读

5-评估工具RAGAS                         6-外接本地数据库工具

第 8 章 斯坦福AI小镇架构与项目解读

【本章主题】论文解读及其功能架构分析并结合源码分析

1-整体故事解读                             2-要解决的问题和整体框架分析

3-论文基本框架分析                       4-Agent的记忆信息

5-感知与反思模块构建流程              6-计划模块实现细节

7-整体流程框架图                          8-感知模块解读

9-思考模块解读                             10-项目环境配置方法解读

第 9 章 MOE多专家系统

【本章主题】多专家系统的作用与效果结合mistrialAi分析

1-MOE概述分析                              2-MOE模块实现方法解读

3-效果分析与总结

第 10 章 LLM与LORA微调策略解读

【本章主题】大模型微调方法与微调的策略分析

1-大模型如何做下游任务                   2-LLM落地微调分析

3-LLAMA与LORA介绍                        4-LORA微调的核心思想

5-LORA模型实现细节

第 11 章 LLM下游任务训练自己模型实战

【本章主题】基于实际任务与数据集来微调大模型

1-提示工程的作用                            2-项目数据解读

3-源码调用DEBUG解读                     4-训练流程演示

5-效果演示与总结分析

第 12 章 OPENAI-LLM模型优化总结

【本章主题】大模型优化分析及其常用策略解读

1-RAG与微调可以解决与无法解决的问题     2-RAG实践策略

3-微调要解决的问题

第 13 章 补充：计算机视觉项目全流程解读

【本章主题】全流程解读视觉项目如何做，每一步如何落地

1-项目需求分析流程                          2-数据与特征库准备

3-模型准备与项目分析                       4-模型选择方法总结

5-项目经验总结与优化方法

第 14 章 补充：知识图谱项目全流程解读

【本章主题】全流程解读知识图谱项目如何做，每一步如何落地

1-知识图谱要解决的问题与流程分析                2-知识图谱项目实际应用分析

3-知识图谱实战应用项目解读                         4-大模型要解决的问题和应用分析

5-工具总结分析

第 15章 补充：数据挖掘项目全流程解读

【本章主题】全流程解读数据挖掘项目如何做，每一步如何落地

1-数据挖掘要解决的问题                        2-数据处理与清洗分析

3-特征工程的作用与流程                        4-机器学习算法分析

5-模板到哪去找