从概念到落地：Agent 学习者的能力缺口在哪？
很多人误以为 Agent 就是“调大模型聊天”，但真到了做项目时，才会发现缺失的不是 API 调用技巧，而是**系统架构意识**和**工程化闭环能力**。这门课解决的核心痛点，正是帮你把零散的 AI 积木拼成一个能自主决策、执行任务的完整应用。你不需要是算法专家，但必须理解：一个 Agent 如何通过工作流串联工具、如何管理长上下文、以及如何安全地与外部数据交互。课程从 Agent 的基本能力拆解入手，厘清它与大模型、多角色协作的边界，再对比 COZE、AutoGenStudio 等主流框架的适用场景，帮你建立清晰的选型判断力。适合具备 Python 基础、希望从“玩聊天机器人”转型为“搭建自动化助手”的技术学习者。若你毫无编程背景，建议先补齐基础语法；若你只是纯业务人员，可侧重低代码部分，略过框架源码。
建议先攻克的三块内容：认知打底、低代码上手、框架实战
别一上来就啃代码，极易劝退。建议严格按顺序先过完前三节：**Agent 要解决的问题分析、基本能力解读、与大模型的关系**——这三节帮你建立底层逻辑，避免后面被各种黑话绕晕。接着立刻上手 **COZE 工作流**，从数据查找、新闻报告生成，到循环配置、插件接入，全是可视化拖拽，能让你快速看到“任务被自动执行”的完整反馈，建立直观信心。重点攻克**插件配置**（输入输出参数、自建邮箱插件）和**知识库构建**，这是 Agent 从“闲聊”变“专业助手”的分水岭。完成低代码部分后，再切入 **AutoGenStudio**：安装配置、国内 API 接入、动作配置、GroupChat 模块。这里你会真正理解多智能体协作原理，而非仅停留在单模型调用层面。
学完能独立做什么？资料怎么配合练习？
结课后，你应该能独立完成两件事：一是用 COZE 搭建具备**数据读取、报告生成、外部 API 调用**能力的业务助手（如发票识别、新闻摘要）；二是用 AutoGenStudio 配置**多角色协作自动化工作流**，并清晰解释其执行逻辑。资料包中的 DEMO 演示、前后端部署步骤、指令提示构建是核心练习素材。务必跟着**手动建插件、配知识库、调 GroupChat** 的环节走一遍，不要只看。**遇到报错时，对照工作流配置和执行流程分析部分回溯节点**，这是排查问题最快的方式。Agent 学习最怕“看完就忘”，唯有亲手把数据表连上、把插件跑通、把多轮对话调顺，才能把知识转化为肌肉记忆。
课程目录
001.1-Agent要解决的问题分析 002.2-Agent需要具备的基本能力 003.3-与大模型的关系与多角色交互 004.4-框架的作用和能解决的问题 005.5-整体总结分析 006.6-GPTS分析一波 007.7-经典任务分析 008.1-COZE的基本使用解读与说明 009.2-工作流中大模型的使用方法 010.1-数据查找配置 011.2-读取新闻内容并整理报告 012.3-循环的配置与中间变量的作用 013.4-循环体注意事项更新 014.1-插件的基本配置方法 015.2-输入输出参数配置方法 016.3-再工作流中配置自己的插件并使用 017.1-发票助手插件接入 018.2-数据表创建方法 019.3-识别工作流配置与测试 020.4-调用模块工作流配置 021.1-构建自己的邮箱插件 022.2-插件应用与大模型流程配置 023.3-知识库构建方法与应用 024.1-DEMO演示与整体架构分析 025.2-后端GPT项目部署启动 026.3-前端助手API与流程图配置 027.4-接入外部API的方法与流程 028.5-引入API方法解读 029.6-指令提示构建 030.0-Python环境说明 031.1-AutoGenStudio框架安装与介绍 032.2-动作API配置方法 033.3-国内常用API配置方法 034.4-API接口在线测试 035.5-工作流配置 036.6-执行流程与结果 037.1-API生成方法 038.2-GroupChat模块 039.3-执行流程分析 040.4-外接本地支持库配置方法 041.5-加入RAG技能 042.6-LMStudio本地下载部署模型 043.7-调用本地模型方法与配置 044.8-AutogenStudio本地化部署流程 045.9-本地化部署接入应用实例 046.11-Ollama环境配置与安装 047.12-autogen接入本地模型 048.1-RAGFLOW介绍和特点 049.2-RAGFLOW接入本地模型 050.3-Chat与Embedding模型接入 051.4-知识库构建实例 052.5-封装成API调用 053.1-GPTS任务流程概述分析 054.2-调用API的控制方式 055.3-API相关配置完成 056.4-完成指令与脚本并生成 057.1-论文概述分析 058.2-整体框架逻辑介绍 059.3-项目环境配置 060.4-基础解读-动作定义方式 061.5-基础解读-角色定义 062.6-单动作智能体实现方法 063.7-多动作配置方法 064.8-定时器任务环境配置 065.9-定时器任务流程解读分析 066.0-基本Agent的组成 067.1-Agent要完成的任务和业务逻辑定义 068.2-问题拆解与执行流程 069.3-检索得到重要的URL 070.4-子问题生成总结结果 071.5-总结与结果输出 072.1-RAG要完成的任务解读 073.2-RAG整体流程解读 074.3-召回优化策略分析 075.4-召回改进方案解读 076.5-评估工具RAGAS 077.6-外接本地数据库工具 078.1-整体故事解读 079.2-要解决的问题和整体框架分析 080.3-论文基本框架分析 081.4-Agent的记忆信息 082.5-感知与反思模块构建流程 083.6-计划模块实现细节 084.7-整体流程框架图 085.8-感知模块解读 086.9-思考模块解读 087.10-项目环境配置方法解读 088.1-langchain框架解读 089.2-基本API调用方法 090.3-数据文档切分操作 091.4-样本索引与向量构建 092.5-数据切块方法 093.1-MOE概述分析 094.2-MOE模块实现方法解读 095.3-效果分析与总结 096.1-大模型如何做下游任务 097.2-LLM落地微调分析 098.3-LLAMA与LORA介绍 099.4-LORA微调的核心思想 100.5-LORA模型实现细节 101.1-提示工程的作用 102.2-项目数据解读 103.3-源码调用DEBUG解读 104.4-训练流程演示 105.5-效果演示与总结分析 106.1-RAG与微调可以解决与无法解决的问题 107.2-RAG实践策略 108.3-微调要解决的问题 109.1-项目需求分析流程 110.2-数据与特征库准备 111.3-模型准备与项目分析 112.4-模型选择方法总结 113.5-项目经验总结与优化方法 114.1-数据挖掘要解决的问题 115.2-数据处理与清洗分析 116.3-特征工程的作用与流程 117.4-机器学习算法分析 118.5-模板到哪去找 119.1-知识图谱要解决的问题与流程分析 120.2-知识图谱项目实际应用分析 121.3-知识图谱实战应用项目解读 122.4-大模型要解决的问题和应用分析 123.5-工具总结分析 124.1-COZE开发者平台解读 125.1-llama3模型下载与配置安装 126.2-环境相关配置解读 127.3-工具调用流程拆解 128.4-功能调用方法实例 129.5-RAG环境配置搭建 130.6-LLAMA3应用-RAG搭建方法 131.7-RAG基本流程分析 132.1-LORA微调方法 133.2-指令微调所需数据与模型下载 134.3-llama3模型微调实例 135.4-llama3微调后进行量化 136.5-llama.cpp量化实例 137.6-部署应用 138.配置 139.1-提示词与工作流配置 140.2-插件配置方法与输出 141.COZE基本使用操作实例(必看) 142.语聚AI插件制作更新(刷完第三章动手做的时候再看就行) 143.1-扣子开发平台实例解读 144.语聚API更新(课时9如遇问题看这个) 145.2-技能测试与插件创建实例 146.3-配置好自己的DIY技能 147.4-工作流的基本配置流程和方法 148.5-自己DIY的Agent测试与发布 149.COZE的UI界面变化 150.1-产品功能与需求分析 151.2-文案助手的工作流程设计 152.3-配置插件与测试效果 153.COZE的UI界面更新 154.COZE介绍与界面更新 155.语聚AI插件制作更新
