搭建知识库问答系统
实践RAG系统评估
使用LazyLLM或LangChain & LangGraph搭建知识库问答系统，掌握RAG系统的评估体系与优化策略。
-
学习时长
8周/建议每周至少6小时
-
答疑服务
专属微信答疑群/讲师助教均参与
-
作业批改
课程配有作业/助教1V1批改
-
课程有效期
一年/告别拖延，温故知新
- 第1章: 大模型与Agent入门
- 第1节: 什么是大模型？
- 第2节: Transformer原理讲解
- 第3节: LLM模型结构发展：从稠密模型(Dense)到混合专家(MoE)
- 第4节: LLM微调技术解读
- 第5节: 强化学习（RL）在大模型后训练中的应用
- 第6节: 实践：LazyLLM介绍与实验环境搭建
- 第7节: 实践：基于LazyLLM搭建聊天机器人
- 第8节: 课堂小结与本章作业
- 第9节: 作业：实验环境搭建与简单聊天机器人实现
- 第2章: 提示词与ReAct基础
- 第1节: 提示词工程 Prompt Engineering
- 第2节: 主流LLM应用介绍与对比
- 第3节: AI Agent概述
- 第4节: 实践：提示词工程实践
- 第5节: 实践：基于LazyLLM实现ReAct Agent
- 第6节: 课堂小结与本章作业
- 第7节: 作业：提示词工程与ReAct Agent实践
- 第3章: 朴素RAG搭建与评估
- 第1节: RAG技术简介
- 第2节: RAG技术演进
- 第3节: RAG系统评估
- 第4节: 实践一：Naive RAG搭建
- 第5节: 实践二：RAG系统评估
- 第6节: 课堂小结与本章作业
- 第7节: 作业：朴素RAG搭建与RAG系统评估实践
- 第4章: RAG深度优化
- 第1节: 检索优化
- 第2节: 召回优化
- 第3节: 生成优化
- 第4节: 实践一：RAG优化策略实战
- 第5节: 实践二：Agentic RAG实现
- 第6节: 课堂小结与本章作业
- 第7节: 作业：RAG系统优化与Agentic RAG实践
- 第5章: MCP入门与Agent协议
- 第1节: 模型上下文协议（MCP）
- 第2节: Agent应用中其他协议串讲
- 第3节: 实践一：MCP依赖环境安装
- 第4节: 实践二：基于FastMCP快速搭建自己的MCP Server
- 第5节: 实践三：一键部署MCP，构建使用MCP的Agent
- 第6节: 课堂小结与本章作业
- 第7节: 作业：搭建MCP Server并部署使用MCP的Agent
- 第6章: DeepResearch复现
- 第1节: 什么是DeepResearch
- 第2节: Deep Research应用拆解
- 第3节: Deep Research的评估
- 第4节: 实践准备：复现思路
- 第5节: 实践：Deep Research实现
- 第6节: 课堂小结与本章作业
- 第7节: 作业：Deep Research应用复现实践
- 第7章: 多Agent架构与常用工具集成
- 第1节: 多智能体技术介绍
- 第2节: 多智能体技术面临的挑战
- 第3节: 智能体记忆管理介绍
- 第4节: Agent Benchmark：智能体应用评估标准
- 第5节: 课堂小结
- 第8章: 通用智能体Manus类应用实现
- 第1节: 为Agent优化的大模型
- 第2节: 多智能体技术面临的挑战
- 第3节: 实践：多智能体应用复现实战
- 第4节: 课堂小结与本章作业
- 第5节: 作业：多智能体应用复现实战
部分实践项目展示
课程包含7个实战项目，为满足学员多样化学习需求，我们适配了两套Agent开发框架：一套是商汤的LazyLLM，主打低代码一站式全生命周期开发框架，极简落地；另一套则是开源生态中广泛使用的LangChain和LangGraph，是目前互联网与AI企业招聘中高频要求的核心技术栈。
搭建知识库问答系统
Agent调用MCP工具
浏览网页并生成总结
搭建Agent应用，部署并调用MCP Server，实现浏览器调用与内容总结。
DeepResearch
报告撰写智能助手
实现一个能够根据主题主动规划、搜索、撰写报告的智能体应用。
