第一章、智能體(Agent)入門
1、智能體（Agent）概述（什么是智能體？智能體的類型和應用場景、典型的智能體應用，如：Google Data Science Agent等）
2、智能體（Agent）與大語言模型（LLM）的關系
3、智能體（Agent）的五種能力（記憶、規劃、工具、自主決策、推理）
4、多智能體（Multi-Agent）協作
5、智能體（Agent）構建的基本步驟
6、案例演示與實操練習
第二章、基于字節Coze 構建智能體(Agent)
1、Coze平臺概述
2、從0到1搭建第一個智能體（Agent）
3、智能體（Agent）基礎設置（多Agent模式、對話流模式、LLM模型設置、提示詞撰寫等）
4、為智能體（Agent）添加技能（插件、工作流、觸發器、卡片等）
5、為智能體（Agent）添加知識（知識庫介紹、添加知識庫、知識庫檢索與召回等）
6、為智能體（Agent）添加記憶（創建和使用變量、數據庫、長期記憶的開啟、修改和刪除等）
7、提升智能體（Agent）的對話體驗（設置開場白、快捷指令等）
8、智能體（Agent）的預覽、調試與發布
9、案例演示與實操練習
第三章、基于其他平臺構建智能體（Agent）
1、百度平臺構建智能體
2、基于智譜清言平臺構建智能體
3、基于通義千問平臺構建智能體
4、基于豆包平臺構建智能體
5、案例演示與實操練習
第四章、國內外智能體(Agent)經典案例詳解
1、斯坦福小鎮：生成式智能體（Generative Agents）
2、ByteDance Research推出的論文檢索智能體
3、Google Data Science Agent
4、AutoGPT：通過自然語言的需求描述執行自動化任務
5、OpenAI推出的首個智能體(Agent)：Operator
6、案例演示與實操練習
第五章、大語言模型應用開發框架LangChain入門
1、LangChain平臺概述（LangChain框架的核心功能與特點）
2、（實操演練）LangChain安裝與使用
3、（實操演練）LangChain的核心組件：Models（模型）、Prompts（提示詞）、Indexes（索引）、Chains（鏈）、Agents（智能體）、Memory（記憶）
4、案例演示與實操練習
第六章、基于LangChain的大模型API接入
1、在LangChain 中使用OpenAI大語言模型
2、在LangChain 中使用文心一言大語言模型
3、在LangChain 中使用DeepSeek大語言模型
4、在LangChain 中使用智譜清言大語言模型
5、在LangChain 中使用本地開源大語言模型
6、案例演示與實操練習
第七章、基于LangChain的智能體(Agent)開發
1、使用LangChain構建Agent的使用流程
2、LangChain的配置與管理
3、LangChain提示詞模板（PromptTemplate）的創建與調用
4、利用LLMRequestsChain類實現從互聯網獲取信息（查詢天氣等）
5、LangChain鏈式請求的創建與調用
6、LangChain讓AI記住你說過的話
7、案例演示與實操練習
第八章、開源大語言模型及本地部署
1、開源大語言模型簡介（開源大語言模型的基本概念、開源大語言模型與閉源大語言模型的對比）
2、開源大語言模型（Llama3、Mistral、Phi3、Qwen2、DeepSeek等）下載與使用
3、使用Docker部署開源大語言模型（Docker的基本概念、Docker的核心組件與功能、Docker的安裝與配置、在Docker中部署Llama3等開源大語言模型）
4、使用Open-WebUI構建Web可視化交互（類似ChatGPT）的開源大語言模型對話系統（Open-WebUI的基本概念與功能、Open-WebUI的下載與安裝、配置一個用于對話系統的Open-WebUI）
5、案例演示與實操練習
第九章、從0到1搭建第一個大語言模型
1、（實操演練）數據集構建（數據集的收集與處理、從互聯網上收集文本數據、數據清洗與標注、常用的數據集格式，如：CSV、JSON、TXT等）
2、（實操演練）大語言預訓練模型的選擇（預訓練模型的優勢、常見的預訓練模型，如：GPT、BERT等、從Hugging Face等平臺下載預訓練模型）
3、大語言模型的訓練（模型訓練的基本步驟、訓練過程中的監控與調試）
4、大語言模型的優化（常見訓練參數，如：學習率、批次大小等、參數調整與優化技巧、優化訓練參數以提高模型性能）
5、大語言模型的推理（模型推理與模型訓練的區別、提高推理速度的技巧、從輸入到輸出的完整推理流程）
6、大語言模型的部署與應用（模型部署的基本流程、部署環境的配置與管理）
7、案例演示與實操練習
第十章、大語言模型優化
1、檢索增強生成（RAG）技術詳解（RAG的基本原理、RAG在大語言模型中的作用和優勢、RAG的系統架構、RAG檢索結果與生成結果相結合的方法、RAG知識庫的構建方法）
2、向量數據庫簡介與向量檢索技術詳解（使用向量數據庫進行快速檢索）
3、文本嵌入（Text Embedding）技術概述（常用的文本嵌入模型、使用GPT API）
4、基于RAG的問答系統設計
5、微調（Fine-Tuning）技術詳解（微調的基本原理、微調在大語言模型中的作用、準備一個用于微調的數據集、常見的微調方法，如PEFT、LoRA等、不同任務的微調策略、微調過程中的常見問題與解決方案）
6、微調一個預訓練的GPT模型
7、量化技術詳解（量化的基本概念、量化在模型優化中的重要性、量化的不同方法，如：靜態量化、動態量化、混合量化等、量化處理的步驟）
8、案例演示與實操練習
