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。
限时特价 ：
¥749
原价 ： ¥799.00
限时特价
剩余名额
剩余名额
2
-
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
为什么要学这门课程
2024年底以来，业内出现了如DeepResearch、Manus等现象级Agent应用，这类产品的共同底座是AI Agent——基于大模型但不局限于大模型本身，具备自我反思、链式调用工具、多智能体协作能力，远超“会聊天、会检索”传统大模型的应用形态。如同移动互联网时代的APP一样，Agent将会在AI时代呈现涌现式的发展态势。
只懂Prompt/简易RAG
难以支撑生产级需求
目前现状
目前现状：只会调用模型、调Prompt
带来的问题
带来的问题：无法处理链式决策、外部工具调用等需求，只能干巴巴地聊天
目前现状：只会传统RAG
带来的问题
带来的问题：检索精度不够、评测无从下手，应用落地只停留在Demo阶段
目前现状：缺乏Agent应用实战经验
带来的问题
带来的问题：容易重复造轮子，研发效率低，应用难落地
本课程直击工业级需求
从LLM与Agent基础知识入手，掌握RAG全流程和性能评估技巧，并基于此搭建“Agentic RAG”高性能知识库问答助手，能够通过自我反思与推理，实现复杂查询与问题解答；深入解析MCP协议与工具封装，学习单智能体应用、多智能体协作、记忆管理等智能体应用技术，接入浏览器、文档管理等外部工具，实现报告撰写智能体、通用多智能体应用，积累智能体应用实战经验。
课程亮点
系统视角
从LLM机理到Agent应用实战，构建完整技术框架，避免碎片化学习
工程实战
每节课“先理论后实践”，通过写代码、跑指标，快速积累实践经验
可迁移经验
课程产出的ChatBot、RAG、AI Agent Demo可快速迁移至真实业务场景，缩短PoC周期
课程收获
硬技能
- 掌握使用大模型应用框架快速搭建并部署ChatBot、RAG、AI Agent应用全流程。
- 系统掌握RAG系统的发展路线以及优化策略，掌握工业级RAG系统的实现思路。
- 掌握MCP Server的实现原理与接入应用方式，具备设计单智能体、多智能体应用的能力。
软实力
- 指标驱动迭代思维：掌握RAG系统评估思路，亲自尝试自动评估→调参→再评估的性能提升闭环。
- 协议化、插件化开发理念：告别重复造轮子，让模型能力像积木一样组合。
- 具备短时间内完成一个可演示、可度量、可扩展的AI应用原型的能力。
讲师简介
陈家豪
大模型与Agent算法研究员
硕士毕业于新加坡南洋理工大学，深耕群体智能仿真、大语言模型应用等领域，专注于检索增强生成技术与 Agentic AI 应用落地。先后主导或参与多个企业级知识库问答系统、多智能体应用项目。
课程大纲
- 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: 实践一：实验环境搭建
- 第7节: 实践二：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: 实践一：提示词工程实践
- 第5节: 实践二：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。
这门课适合谁
AI应用开发者/全栈工程师
技术爱好者/职业转型求职者
相关专业的本科生/研究生
基础&设备要求
编程基础
具备Python编程基础，熟悉Linux操作系统
基础知识
掌握自然语言处理相关基础知识，有大模型相关经验更佳
设备要求
不限操作系统，推荐Ubuntu 22.04+，全程使用云端算力
全方位的学习服务
个性化增值服务，学习有保障更高效
作业批改
助教1V1批改作业，定期针对作业中的“通病”进行点评
结业证书
本课程将根据作业完成情况评选结业学员及优秀学员，颁发证书
实时答疑
讲师和助教微信群答疑，及时解决大家遇到的问题
班班督学
班主任全程带班，不定时“关照”未交作业的同学，克服拖延
上课流程说明
进入答疑群，参加开课仪式
每周学习课程，完成作业
助教1V1批改作业、社群内讲评答疑
完成课程，领取证书
一开启"工业级RAG与Agent"的学习之旅吧一
开启学习之旅吧
Q1
学习形式是什么样的?
A：为了保证学习效果，本门课程采取录播的形式，每周解锁一章。建议同学们登录深蓝学院PC端官网，体验更佳!
Q2
课程有有效期吗？
A：为了督促同学们学习，保证学习效率，学院的课程有效期均为一年，当课程有效期截止后将不再支持观看视频、下载课件等课程服务及操作。若同学们依旧想观看视频和下载课件，建议可选择续费本课程。需要提醒大家的是，课程答疑、作业批改&讲评等课程相关服务仅限开课仪式至结课仪式期间。
Q3
作业会提供参考答案吗？
A：课程不提供参考答案。每章作业截止提交后，会组织作业讲解。我们倾向于引导大家培养独立思考的习惯与敢于动手实践的勇气，以便于更快适应实际工作中解决问题的模式。做作业过程中，如果有任何困惑和问题，可以在答疑群中提问解决。
Q4
如果不满意，可以退款吗？
A：我们承诺：开班后7天内可以无条件全额退款。课好不好，学了就知道了！
更多信息，请添加客服咨询
添加时请备注关键词『Agent』
