杨凯捷:智能体工程化课程

第一模块：AI智能体基础概念与核心原理

1.1AI智能体概述与发展趋势

与传统AI系统相比，智能体具备独立思考、调用工具去逐步完成给定目标的能力，代表了AI应用开发的下一次进化。

具备自主能力的智能体人工智能将在消费级市场普及，AI能力正从基础大模型向注重构建工作流的智能体AI演进。

智能体与传统AI系统的核心区别：

自主性：能够独立决策和执行任务，无需持续人工干预

交互性：与环境及其他智能体进行交互和协作

适应性：通过学习和反馈机制不断优化行为策略

目标导向：基于预设目标进行规划和行动序列生成

智能体在开放式问题、多步骤过程、需要复杂推理以及随时间改进的系统等场景中表现出显著价值

与企业现有AI系统相比，智能体能够解决无法硬编码到工作流程中的复杂问题，大大扩展了AI的应用边界。

1.2智能体核心技术架构与工作原理

智能体的核心架构包含三大模块：大脑（大型语言模型）、感知（多模态交互）与行动

这种架构使智能体能够整合感知、决策、行动等多个环节，在自主能力、决策能力、协作交互等方面展现出优势。

智能体工作原理的三大阶段：

1. 目标初始化和规划阶段：

智能体需要由人工确定的目标和预先定义的规则

执行任务分解，创建包含特定任务和子任务的计划来实现复杂目标

对于简单任务，规划不是必要步骤，可迭代改进响应

2. 使用可用工具进行推理：

智能体根据感知到的信息采取行动，通过工具调用弥补知识差距

从外部数据集、网络搜索、API甚至其他智能体获取信息

不断重新评估行动计划并进行自我修正

3. 学习与反思：

使用反馈机制（如其他智能体和“人在回路”）提高响应准确性

进行迭代改进，存储先前障碍解决方案的数据

随时间推移适应用户期望，提供个性化体验

智能体的五种类型（从简单到高级）：

1.简单反射智能体：在完全可观察环境中基于条件-行动规则运作

2.基于模型的反射智能体：可存储信息，在部分可观察环境中使用

3.基于目标的智能体：具有内部世界模型和目标，能进行行动规划

4.基于效用的智能体：最大化效用或奖励，选择最优行动序列

5.学习智能体：通过经验改进性能，适应新环境

1.3 智能体应用场景与企业价值分析

AI智能体可应用于三种主要场景：单智能体应用、多智能体系统和智能体平台

在企业环境中，智能体技术可以解决复杂任务，包括软件设计、IT自动化、代码生成和对话协助，帮助企业提升运营效率、降低运营成本，加速数字化转型。

企业级应用场景：

· 客户服务：客服自动响应、个性化推荐、问题解答

· 业务流程自动化：文档处理、数据录入、审批流程

· 数据分析与决策支持：风险监测、趋势分析、预测模拟

· 内部知识管理：企业知识库检索、员工培训、合规检查

· 跨系统集成：连接现有企业系统，实现数据流通和任务自动化

第二模块：主流智能体框架深度解析

2.1 智能体框架概述与选型指南

主流智能体框架可分为三类：以研究为导向的框架（如AutoGen）、面向企业的AI编排SDK（如Semantic Kernel）以及平台服务（如Azure AI Agent Service）框架选择应基于项目需求、团队技能和企业环境综合考虑。

框架选型关键考量因素：

· 项目复杂度：简单任务可选用低代码平台，复杂系统需全代码框架

· 团队技术栈：Python系团队适合LangChain，C#团队可选Semantic Kernel

· 集成需求：需要与现有系统深度集成时，应选择API丰富的框架

· 可扩展性：长期项目需框架支持模块化扩展和自定义开发

· 社区生态：活跃社区能提供更多样例、插件和问题解决方案

根据面向的对象和流程不同，智能体框架可支持单智能体应用、多智能体系统或智能体平台三种应用场景企业选择框架时还应考虑部署方式（云端vs本地）、安全要求、成本因素以及性能需求。

2.2 LangChain框架深度解析

LangChain是一个用于开发基于语言模型的应用程序的框架，它提供了一套完整的工具和组件，使开发者能够构建端到端的智能体应用；它是当前最流行的智能体开发框架之一。

LangChain核心组件：

1. 模型（Models）：支持多种大语言模型接口，包括OpenAI、Anthropic等

2. 提示（Prompts）：简化提示模板管理和优化，支持动态提示构建

3. 链（Chains）：将多个组件链接在一起，完成复杂任务序列

4. 代理（Agents）：智能体核心，根据输入动态选择工具和操作序列

5. 内存（Memory）：持久化存储对话和历史信息，实现多轮交互

6. 索引（Indexes）：结合向量数据库，实现高效信息检索

LangChain高级特性：

· 工具调用：智能体能够根据上下文动态选择和执行工具

· 检索增强生成（RAG）：结合外部知识库，提高回答准确性

· 工作流管理：支持复杂多步任务的编排和监控

· 多模态支持：逐步扩展至文本、图像、音频等多模态处理

2.3 LangGraph框架深度解析

LangGraph是建立在LangChain之上的库，用于构建有状态、多智能体应用程序，它通过图结构来定义和控制智能体的工作流程；它是LangChain生态系统中的重要组成部分。

LangGraph核心概念：

1. 图（Graph）：定义智能体工作流的基本结构，由节点和边组成

2. 状态（State）：在整个工作流中持久化和传递的数据结构

3. 节点（Nodes）：执行特定任务的单元，可以是函数、工具或智能体

4. 边（Edges）：根据条件决定工作流的下一节点

LangGraph高级特性：

· 状态管理：提供完整的状态管理机制，支持复杂多轮对话

· 循环控制：支持工作流中的循环和条件分支，适应复杂场景

· 多智能体协调：便于构建和管理多个协同工作的智能体

· 检查点：支持工作流状态的保存和恢复，提高容错性

2.4 AutoGen框架深度解析

AutoGen是一个以研究为导向的框架，专注于事件驱动、分布式智能体应用。它支持创建多个可以协同工作的智能体，基于参与者模型的智能体间通信，适合实验和研究型项目。

AutoGen核心概念：

1. 代理（Agent）：基本的智能体单元，具有特定角色和能力

2. 对话模式：定义智能体之间的交互规则和通信协议

3. 群聊（GroupChat）：多个智能体协同工作的协调机制

4. 控制器（Controller）：管理对话流程和任务分配

AutoGen高级特性：

· 多智能体协作：支持多个智能体通过对话协同解决复杂问题

· 灵活通信模式：智能体间可进行复杂的信息交换和任务传递

· 代码执行能力：支持生成和执行代码，扩展智能体能力边界

· 自定义代理：允许开发者创建特定领域和专业角色的智能体

第三模块：MCP（模型上下文协议）原理与应用

3.1 MCP核心概念与架构设计

MCP（模型上下文协议）是一种协议标准，用于规范智能体与工具、资源和服务之间的交互方式。虽然搜索结果中仅简要提及，但MCP在智能体生态中扮演着关键角色，它定义了智能体如何获取、使用和管理上下文信息。

MCP的核心目标：

· 标准化接口：提供统一的工具集成和上下文管理标准

· 上下文保持：确保智能体在多轮交互中保持对话上下文的一致性

· 工具抽象：将复杂工具和能力封装为标准化接口

· 安全控制：管理智能体对资源和工具的访问权限

MCP协议核心组件：

1. 上下文管理器：负责维护和更新对话上下文

2. 工具适配器：将外部工具和能力转换为标准化的MCP接口

3. 策略执行器：实施上下文使用策略和访问控制

4. 缓存机制：优化上下文检索和存储的性能

3.2 MCP主要应用场景：

1. 工具调用标准化

2. 上下文管理：

▪ 对话历史保持和检索

▪ 跨会话上下文持久化

▪ 上下文压缩和摘要

3. 多模态数据处理：

▪ 统一处理文本、图像、音频等不同模态数据

▪ 上下文信息的模态转换和融合

3.3 MCP与主流框架的集成策略

1、MCP可与LangChain、AutoGen等主流框架深度集成，增强其工具调用和上下文管理能力。集成时应考虑框架特性和项目需求。

集成最佳实践：

· 渐进式集成：从关键工具开始，逐步扩大MCP覆盖范围

· 错误处理：实现完善的错误处理和降级机制

· 性能监控：跟踪M调用延迟和成功率，优化性能

· 安全加固：实施适当的认证授权和输入验证

第四模块：智能体框架深入实战与比较

4.1 三大框架功能对比与适用场景分析

为帮助企业正确选择智能体框架，以下从多个维度对比LangChain、LangGraph和AutoGen的特性与适用场景。

4.2 框架选择指南：

1. LangChain适用场景：

▪ 需要快速构建基于LLM的应用程序

▪ 主要关注检索增强生成（RAG）场景

▪ 单智能体架构即可满足需求

▪ 需要丰富的集成和社区资源

2. LangGraph适用场景：

▪ 复杂、有状态的工作流需求

▪ 需要精确控制执行流程和条件分支

▪ 多智能体协作场景

▪ 任务需要循环执行或复杂状态管理

3. AutoGen适用场景：

▪ 多智能体对话和协作需求

▪ 研究型项目或需要智能体间复杂交互

▪ 人类与智能体混合协作场景

▪ 需要代码生成和执行能力

第五模块：AI智能体与前端开发基础

1、智能体开发基础与框架选型

1.1 AI智能体核心概念与企业应用场景

· 智能体定义与特性：自主性、反应性、主动性和社会性四大特性深度解析

· 与传统AI系统区别：交互性和适应性方面的优势对比

· 企业级应用场景：智能客服、数据分析助手、业务流程自动化等实际案例

1.2 全栈开发架构设计

· 前端-后端-智能体协同模式：模块化架构设计与数据流规划

· 技术栈选型指南：根据业务需求选择合适框架组合的决策矩阵

· 架构设计原则：高扩展性、模块化服务、清晰数据流的企业级要求

1.3 企业级智能体开发最佳实践

· 开发环境标准化：Conda虚拟环境配置与依赖管理

· 版本控制策略：Git工作流与团队协作规范

· 调试与测试：智能体系统的测试方法论与调试技巧

2、Streamlit前端框架深度实战

2.1 Streamlit核心特性与数据应用优势

· 快速原型开发：几行代码构建交互式数据应用

· 丰富组件库：数据表格、图表、表单等核心组件详解

· 会话状态管理：保持应用状态的关键技术与实践

2.2 Streamlit与智能体集成模式

· 流式输出实现：实时显示智能体生成内容

· 文件上传处理：PDF、文档等多格式文件的上传与解析

· 会话管理：多轮对话状态的保持与恢复机制

2.3 高级特性与性能优化

· 缓存机制：@st.cache_data优化应用性能

· 组件自定义：创建专用智能体交互组件

· 部署优化：Streamlit Cloud部署与性能调优

3、Chainlit与Gradio框架应用

3.1 Chainlit专精LLM应用开发

· 对话交互优化：原生聊天UI与消息流处理

· 思维链可视化：工具调用过程的可视化展示

· 与LangChain深度集成：无缝衔接智能体开发框架

3.2 Gradio快速原型开发

· 极简API设计：快速构建模型演示界面

· 多模态支持：文本、图像、音频的输入输出处理

· 分享与部署：Hugging Face Spaces一键部署

第六模块：后端框架集成与全栈实战

4、FastAPI高性能后端开发

4.1 FastAPI异步特性与API设计

· 异步编程模型：async/await在智能体服务中的应用

· 高性能API设计：依赖注入与路由优化

· 自动文档生成：OpenAPI与Swagger UI集成

4.2 智能体服务封装与暴露

· API端点设计：RESTful接口规范与版本管理

· WebSocket实时通信：智能体流式响应的实时推送

· 错误处理机制：智能体服务异常的统一处理

4.3 安全与认证集成

· JWT认证：用户身份验证与权限管理

· 速率限制：API访问频率控制与防护

· 数据验证：Pydantic模型保障数据完整性

5、Django企业级框架集成

5.1 Django全功能框架核心

· ORM高级特性：复杂查询优化与数据库性能

· Admin管理系统：智能体数据管理后台定制

· 用户认证系统：RBAC权限控制与企业级安全

5.2 智能体服务的企业级架构

· 业务逻辑封装：Django与智能体服务的深度集成模式

· 缓存策略：Redis集成与对话历史管理

· 任务队列：Celery异步任务处理智能体复杂计算

5.3 数据库模型设计与优化

· 向量数据库集成：Qdrant等向量数据库的Django集成

· 知识库管理：企业知识库的存储与检索优化

· 性能监控：数据库查询性能分析与优化

6、前后端框架集成策略

6.1 框架整合架构模式

· 微服务架构设计：FastAPI与Django的职责分离方案

· 通信协议标准化：REST API与WebSocket的混合使用

· 数据一致性保障：分布式事务处理与数据同步机制

6.2 会话状态管理

· JWT令牌管理：跨服务身份认证与会话保持

· 上下文传递：智能体对话上下文的跨框架传递

· 缓存共享：Redis集群实现多框架数据共享

6.3 性能优化实战

· 异步处理优化：前后端异步调用的性能优化

· 负载均衡策略：多智能体实例的负载分发

· 容错与降级：服务故障的自动降级处理

模块七：企业级智能体项目实战

7.1 智能客服系统全栈架构

· 需求分析：企业客服场景的功能需求分析

· 技术选型决策：基于业务需求的技术栈选择

· 架构设计：微服务化智能体系统的完整架构

7.2 前后端分离架构实现

· API网关设计：统一入口管理与路由分发

· 服务发现机制：动态服务注册与发现

· 配置中心：分布式环境下的统一配置管理

7.3 安全加固与监控

· 安全防护体系：API安全、数据加密、访问控制

· 监控告警：Prometheus监控体系与业务指标监控

· 日志分析：集中式日志收集与分析处理

模块八：培训总结与进阶指导

8.1 关键技术回顾

· 框架整合模式：前后端框架的最佳整合实践

· 性能优化要点：企业级智能体系统的性能关键点

· 安全防护总结：多层次安全防护体系的核心要素

8.2企业落地实践建议

· 渐进式迁移策略：传统系统向智能体架构的迁移路径

· 团队技能建设：全栈智能体开发团队的技能矩阵规划

· 项目风险管理：智能体项目实施的风险识别与应对

8.3常见问题解答

· 技术选型困惑：不同业务场景下的框架选择指导

· 性能瓶颈解决：典型性能问题的识别与解决方案

· 团队协作优化：跨职能团队的协作模式与流程优化

授课老师

杨凯捷 AI应用实践专家

常驻地：北京
邀请老师授课：13439064501 陈助理

邀请授课

主讲课程：《AI赋能：DeepSeek助力办公效能提升实战课》 《生成式AI重构办公场景》 《AI自动化流程设计》 《AI大预言模型与多模态图片、视频生成》 《国内人工智能平台在工作中的实操应用》 《生成式人工智能图像处理平台的实操应用》 《GPT生成式人工智能的发展趋势展望》《华为企业业务渠道管理的方式与经验》 《互联网云业务生态战略与数字化变革》 《腾讯产业云计算解决方案的落地经验分享》

杨凯捷老师的课程大纲