（预定）AI Agent 全栈工程师训练营

课程介绍

试看链接   https://pan.baidu.com/s/1AYr–ix_ahrv8kN5Ub-xqg?pwd=1y59

相关推荐

AI Agent 企业应用全能实战

Hermes Agent从入门到AI数字员工实战

AI Agent 开发新范式 MCP 从入门到多场景全链路实战 （已完结）

课程目录

第一章LLM API、Prompt 与结构化输出

本章目标：建立大模型应用开发的基础认知，完成从传统 HTTP API 调用到 LLM API 调用的迁移。本章只解决“如何稳定调用模型”的问题。
1.AI Agent 开发工程师能力模型
2.LLM API 与模型调用基础
3.Streaming 流式输出
4.Prompt Engineering 提示词工程
5.Structured Output 结构化输出
6.LLM Gateway 大模型网关
7.项目演进路线 阶段一：LLM 统一模型调用服务

第二章Function Calling、Tool Runtime 与 MCP

本章目标：理解 Agent Tool Use 原理，掌握一套包含工具注册、参数校验、权限控制、审计、超时、失败恢复和可观测性的运行时基础设施。
1.Function Calling 与 Tool Use
2.Tool Runtime 设计
3.工具治理与安全边界
4.MCP：Model Context Protocol
5.Agent Tool Runtime
6.项目演进路线 阶段二：Agent 工具调用基础设施

第三章Agent Loop、State Machine 与 Codebase Agent

本章目标：从“单轮模型调用 + 单次工具执行”升级为可连续思考、执行、观察、纠错和结束的长程任务 Agent。本章聚焦任务执行过程、状态机、执行环境与失败恢复能力。
1.从 Tool Agent 到 Agent Loop
2.Planning 与任务拆解
3.State Machine 与 Checkpoint
4.Sandbox 与执行边界
5.Agent Harness
6.LangGraph 与 Agent 编排
7.Codebase Agent
8.项目演进路线 阶段三：Codebase Agent

第四章Context Engineering、Memory 与 Codebase RAG

本章目标：理解 Agent 的能力上限不只由模型决定，也取决于它在每轮任务中“看到了什么信息、遗漏了什么信息、如何压缩信息、如何检索知识”。本章主要解决上下文、知识和记忆问题。
1.Context Engineering
2.Working Memory 与任务上下文
3.Memory 体系
4.现代 RAG 系统
5.LLM Wiki 与知识资产治理
6.Codebase RAG & Memory
7.项目演进路线 阶段四：Codebase RAG & Memory

第五章Multi-Agent、Skill 与 Agent Eval

本章目标：理解单 Agent 与多 Agent 的边界，掌握复杂任务拆解、子 Agent 协作、结果聚合和冲突处理；同时建立可量化、可回归、可持续优化的 Agent Eval 体系。
1.Multi-Agent 与 Subagent
2.Subagent 任务委托
3.Agent Eval：Agent 的核心护城河
4.Trace Analysis 与失败诊断
5.Multi-Agent & Agent Eval Platform
6.项目演进路线 阶段五：Multi-Agent & Eval

第六章工程化、生产部署与可观测性

本章目标：让学员从“Agent 项目能运行”升级为“Agent 系统可部署、可监控、可灰度、可回滚、可治理”。
1.模型服务与推理部署
2.性能与成本优化
3.Agent 可观测性
4.监控与告警
5.版本管理、灰度与回滚
6.MCP Server 与私有化部署
7.Production Ready Agent Engineering Platform
8.项目演进路线 阶段六：Production Ready

第七章企业级综合项目与产品化落地

本章目标：通过企业级 Agent 平台案例理解成熟 Agent 系统的架构设计，并将前六章的工程能力转化为可展示、可交付、可面试表达的业务项目成果。
第一部分：DeerFlow 企业级 Agent 平台架构解析
第二部分：高阶案例一：企业级深度研究平台
第三部分：高阶案例二：新一代软件工厂
第四部分：Agent 产品化与业务场景落地