# 从“聊天”到“干活”：拆解 LLM 智能体的落地实操

很多人用过大模型，却只把它当高级搜索引擎。问一个问题，给一段文本，复制粘贴走人。但真正的生产力提升，发生在模型能自主规划任务、调用工具、形成闭环的时候。这门课的核心目标，就是帮你跨过“只会提问”的门槛，亲手搭建一个能自动搜集资料、生成报告或执行特定工作流的专属智能体（Agent）。它不聊虚的理论框架，而是直接切入 Agent 的架构解析与商业化落地场景，解决“为什么我的提示词写不出稳定结果”以及“如何让 AI 替我执行多步骤复杂任务”这两个痛点。

适合谁学，以及前置知识要求

这门课适合已经熟悉大模型基本调用方式（如 API 或平台对话界面），但卡在“工作流搭建”或“多智能体协作”环节的技术学习者。如果你完全不懂什么是 Token、Context 或 Prompt Engineering，建议先补基础概念，否则在理解第 1 章“Agent 与大模型的关系”时会吃力。课程强调“手把手”实操，因此不需要你精通 Python 编程，但需要具备基本的逻辑拆解能力，能将模糊的业务需求转化为明确的步骤指令。对于转岗至 AI 应用开发或希望利用 AI 工具提升个人效能的职场人，这门课提供了从原理到落地的完整链路。

建议学习路径与重点模块

不要从头刷到尾，建议按“理论地基 -> 工具上手 -> 实战案例”的节奏分三步走。首先死磕第 1 章，重点理解 Agent 要解决的具体问题（如长任务分解、记忆管理）以及多智能体定义的差异。这部分虽然只有 1 小时，但决定了你后续搭建时的视野，避免把 Agent 做成简单的“聊天机器人堆叠”。接着进入第 2 章，熟悉 COZE 平台的基本使用和工作流中大模型的接入方法。这里不要只看视频，一定要动手跟着把每一个节点配置跑通，理解变量传递和逻辑分支的实际表现。最后，第 3 章的“资料搜集与报告”是典型的实战场景，建议作为第一个完整项目来练。学完后，你应能独立回答：“我的智能体为什么在某一步卡住了？”、“如何设计循环判断让 AI 自主决策？”以及“多智能体之间如何避免信息冲突？”。

配套练习与避坑指南

资料包里的架构图和案例演示是理解的辅助，切勿只看不做。建议在学完第 2 章后，立即尝试复现一个“竞品分析助手”：输入竞品名称，Agent 自动搜索最新新闻、提取关键卖点、生成对比表格。在这个过程中，你会遇到提示词不够具体导致幻觉、或工具调用失败的问题，这正是课程希望你在实践中解决的痛点。如果某一步逻辑不通，回到第 1 章重新审视“Agent 需要具备的基本能力”，往往能发现是规划环节缺失。最后提醒，AI 工具迭代极快，课程中使用的 COZE 界面未来可能调整，但核心的“规划-行动-观察”循环逻辑不会变。抓住架构本质，比记住某个按钮在哪里更重要。完成一个完整闭环后，尝试替换数据源或增加审核节点，检验你的智能体是否具备扩展性。

课程介绍

QQ_1760756822941.png 2025-10-18 11:08 上传 手把手带你做自己的专属AI工具，Ai商业化落地必备技术 课程目录： 第1章Agent架构解读与应用分析(1小时8节) 1-11-Agent要解决的问题分析[09:05] 1-22-Agent需要具备的基本能力[08:19] 1-33-与大模型的关系分析[06:37] 1-44-多智能体定义分析[06:02] 1-55-框架的作用和能解决的问题[09:04] 1-66-整体总结分析[04:12] 1-77-GPTS分析一波[08:36] 1-88-经典任务分析[08:31] 第2章COZE智能体搭建框架基本使用(22分钟2节) 2-11-COZE的基本使用解读与说明[10:08] 2-22-工作流中大模型的使用方法[12:40] 第3章COZE打造资料搜集与报告整理智能体

课程目录

QQ_1760756822941.png   2025-10-18 11:08 上传 手把手带你做自己的专属AI工具，Ai商业化落地必备技术 课程目录：
第1章Agent架构解读与应用分析(1小时8节) 1-11-Agent要解决的问题分析[09:05] 1-22-Agent需要具备的基本能力[08:19] 1-33-与大模型的关系分析[06:37] 1-44-多智能体定义分析[06:02] 1-55-框架的作用和能解决的问题[09:04] 1-66-整体总结分析[04:12] 1-77-GPTS分析一波[08:36] 1-88-经典任务分析[08:31]
第2章COZE智能体搭建框架基本使用(22分钟2节) 2-11-COZE的基本使用解读与说明[10:08] 2-22-工作流中大模型的使用方法[12:40]
第3章COZE打造资料搜集与报告整理智能体(35分钟4节) 3-11-数据查找配置[09:48] 3-22-读取新闻内容并整理报告[10:43] 3-33-循环的配置与中间变量的作用[13:44] 3-44-循环体注意事项更新[01:01]
第4章COZE中配置自己的插件(34分钟3节) 4-11-插件的基本配置方法[11:00] 4-22-输入输出参数配置方法[09:09] 4-33-再工作流中配置自己的插件并使用[14:35]
第5章COZE结合飞书表格办公(56分钟6节) 5-11-DEMO演示与基本流程分析[10:14] 5-22-表格填入模块解读[10:15] 5-33-表格的输入与输出[08:51] 5-44-查找与匹配的方法[08:58] 5-55-全局变量设置方法[08:48] 5-66-智能体测试应用[09:42]
第6章 使用Coze动手做自己的Agent (42分钟 5节) 6-11-扣子开发平台实例解读[07:23] 6-22-技能测试与插件创建实例[08:40] 6-33-配置好自己的DIY技能[07:30] 6-44-工作流的基本配置流程和方法[10:19] 6-55-自己DIY的Agent测试与发布[08:59]
第7章 COZE打造自己的文案生成助手 (30分钟 3节) 7-11-产品功能与需求分析[06:45] 7-22-文案助手的工作流程设计[11:06] 7-33-配置插件与测试效果[12:44]
第8章 GPTS打造Agent实战 (33分钟 4节) 8-11-GPTS任务流程概述分析[10:07] 8-22-调用API的控制方式[06:16] 8-33-API相关配置完成[06:50] 8-44-完成指令与脚本并生成[09:52]
第9章 打造自己领域专属客服 (1小时7分钟 6节) 9-11-DEMO演示与整体架构分析[16:03] 9-22-后端GPT项目部署启动[12:27] 9-33-前端助手API与流程图配置[13:42] 9-44-接入外部API的方法与流程[10:55] 9-55-引入API方法解读[09:04] 9-66-指令提示构建[05:03]
第10章 autogen框架实战 (2小时30分钟 18节) 10-10-Python环境说明[12:14] 10-21-AutoGenStudio框架安装与介绍[08:21] 10-32-动作API配置方法[07:54] 10-43-国内常用API配置方法[07:02] 10-54-API接口在线测试[06:23] 10-65-工作流配置[07:04] 10-76-执行流程与结果[05:48] 10-8API生成方法[08:03] 10-9GroupChat模块[08:09] 10-10执行流程分析[05:35] 10-11外接本地支持库配置方法[13:25] 10-12加入RAG技能[05:32] 10-13LMStudio本地下载部署模型[09:40] 10-14调用本地模型方法与配置[09:44] 10-15AutogenStudio本地化部署流程[09:39] 10-16本地化部署接入应用实例[11:32] 10-17Ollama环境配置与安装[06:50] 10-18autogen接入本地模型[07:09]
第11章 metaGpt框架解读 (30分钟 3节) 11-11-论文概述分析[08:00] 11-22-整体框架逻辑介绍[10:47] 11-33-项目环境配置[11:38]
第12章 metaGpt应用实战-网上调研资料 (54分钟 6节) 12-10-基本Agent的组成[10:01] 12-21-Agent要完成的任务和业务逻辑定义[10:12] 12-32-问题拆解与执行流程[14:43] 12-43-检索得到重要的URL[06:37] 12-54-子问题生成总结结果[08:37] 12-65-总结与结果输出[04:13]
第13章 RAG检索架构分析与应用 (44分钟 6节) 13-11-RAG要完成的任务解读[07:12] 13-22-RAG整体流程解读[08:07] 13-33-召回优化策略分析[08:10] 13-44-召回改进方案解读[09:12] 13-55-评估工具RAGAS[09:01] 13-66-外接本地数据库工具[03:10]
第14章 斯坦福AI小镇架构与项目解读 (1小时11分钟 10节) 14-11-整体故事解读[06:27] 14-22-要解决的问题和整体框架分析[08:30] 14-33-论文基本框架分析[12:00] 14-44-Agent的记忆信息[07:26] 14-55-感知与反思模块构建流程[07:02] 14-66-计划模块实现细节[07:40] 14-77-整体流程框架图[05:30] 14-88-感知模块解读[05:12] 14-99-思考模块解读[04:33] 14-1010-项目环境配置方法解读[07:36]
第15章 langchain工具实例 (49分钟 5节) 15-11-langchain框架解读[09:18] 15-22-基本API调用方法[10:25] 15-33-数据文档切分操作[10:25] 15-44-样本索引与向量构建[10:02] 15-55-数据切块方法[09:37]
第16章 MOE多专家系统 (24分钟 3节) 16-11-MOE概述分析[06:29] 16-22-MOE模块实现方法解读[08:42] 16-33-效果分析与总结[09:20]
第17章 LLM与LORA微调策略解读 (1小时2分钟 5节) 17-11-大模型如何做下游任务[10:16] 17-22-LLM落地微调分析[14:00] 17-33-LLAMA与LORA介绍[12:20] 17-44-LORA微调的核心思想[09:13] 17-55-LORA模型实现细节[16:46]
第18章 LLM下游任务训练自己模型实战 (57分钟 5节) 18-11-提示工程的作用[14:46] 18-22-项目数据解读[09:42] 18-33-源码调用DEBUG解读[10:24] 18-44-训练流程演示[12:00] 18-55-效果演示与总结分析[10:17]
第19章 OPENAI-LLM模型优化总结 (25分钟 3节) 19-11-RAG与微调可以解决与无法解决的问题[10:05] 19-22-RAG实践策略[08:30] 19-33-微调要解决的问题[06:42]
第20章 llama3应用实战 (1小时15分钟 7节) 20-11-llama3模型下载与配置安装[10:16] 20-22-环境相关配置解读[07:57] 20-33-工具调用流程拆解[10:16] 20-44-功能调用方法实例[14:03] 20-55-RAG环境配置搭建[10:49] 20-66-LLAMA3应用-RAG搭建方法[11:33] 20-77-RAG基本流程分析[10:42]
第21章 llama3微调-量化-部署 (1小时1分钟 6节) 21-11-LORA微调方法[09:39] 21-22-指令微调所需数据与模型下载[09:55] 21-33-llama3模型微调实例[12:40] 21-44-llama3微调后进行量化[10:07] 21-55-llama.cpp量化实例[08:04] 21-66-部署应用[11:32]
第22章 计算机视觉项目实例 (46分钟 5节) 22-11-项目需求分析流程[06:15] 22-22-数据与特征库准备[10:21] 22-33-模型准备与项目分析[10:07] 22-44-模型选择方法总结[08:39] 22-55-项目经验总结与优化方法[10:43]
第23章 数据挖掘项目流程实例 (45分钟 5节) 23-11-数据挖掘要解决的问题[06:14] 23-22-数据处理与清洗分析[08:59] 23-33-特征工程的作用与流程[11:02] 23-44-机器学习算法分析[10:07] 23-55-模板到哪去找[09:22]
第24章 自然语言处理项目流程 (57分钟 5节) 24-11-知识图谱要解决的问题与流程分析[11:31] 24-22-知识图谱项目实际应用分析[13:13] 24-33-知识图谱实战应用项目解读[09:37] 24-44-大模型要解决的问题和应用分析[14:17] 24-55-工具总结分析开始学习