智能体培训_大模型培训_vibe coding培训

AI全能开发

是当下的风口，更是未来的保障

什么是智能体？

智能体，也叫Agent，是会思考、会调用工具、能自动完成任务的 AI 程序。

什么是vibe coding？

即：氛围编程，其核心在于使用AI生成代码，使开发者聚焦高层次系统设计，降低编程门槛。

什么是AI全能开发？

是AI时代真正的全端全栈开发者，可集产品开发测试运维于一身，收入更高。

如何成为AI全能开发者？

系统学习AI全能开发课程，掌握各种先进AI工具，一人可抵千军万码。

AI全能开发的发展怎么样？

这不是一阵风，而是未来 5–10 年的系统升级。谁先转型，谁就拥有更长上升周期。

AI全能开发的薪资如何?

传统软件工程师，一旦具备AI全能开发能力，薪资可达：15K-80K，上不封顶。

领先行业一代，就业优势尽显

AI全能开发

Vibe Coding+智能体，就业机会更多，
发展上限更高，薪资更高！

智能体项目+Vibe Coding项目

广泛覆盖多领域多场景，真正实现集产品\开发\测试\运维于一身！

AI时代，一人可抵千军万码

带你熟练使用vibe coding，让普通程序员变身成为超级个体，精准切中企业当下和未来的需求！

10v1就业陪跑，扶上马再送一程

从面试到入职，全程护航，随时响应！入职后每名学员+10个老师单独建群，组成强大后援团，及时协助解决各种问题

课程大纲

划时代布局，讲透企业需要的技术！

阶段一：

Python基础

AI时代的通用编程语言

可掌握的核心技能

1、掌握Python环境搭建与开发工具配置，为AI开发奠定坚实基础。

2、精通PyCharm IDE的高效使用，包括调试技巧和工作流优化。

3、熟练运用Python基础语法和控制结构，构建扎实编程基础。

4、深入掌握Python核心数据结构及其应用场景，高效处理数据。

5、精通函数定义与调用，编写可复用代码，理解作用域与递归。

6、掌握文件I/O操作，实现数据持久化与文本处理。

7、理解面向对象编程基本概念，设计并实现简单类和对象。

8、熟悉异常处理机制，确保程序稳定性。

课程设计特色

专为零基础设计，通过实际案例逐步引导学员从环境搭建到第一个项目，让编程变得轻松易懂。
强调实战导向，每个知识点都配备具体项目练习，如愤怒的小鸟、客户信息管理系统等，使理论知识快速转化为实践能力。
涵盖现代Python开发所需的核心技能，从基础语法到高阶特性，全面培养企业级编码习惯，为后续学习打下坚实基础。

课程详细大纲

Python核心

1、Python入门：Python发展史、Python应用场景、Python开发环境搭建

2、PyCharm：PyCharm的安装、设置字体、设置快捷键、PyCharm常用设置、调试

3、Python基础知识：注释、变量以及数据类型、标识符和关键字、输入函数、输出函数、运算符、程序类型转换

4、分支和循环：if判断语句、运算符、if-else语句、while循环、for循环、break、continue

5、字符串和列表：字符串输入、字符串输出、下标和切片、字符串常见函数、列表(list)、列表的循环遍历、列表的增删改查、列表的嵌套、列表的切片

6、字典和元组：字典的增删改查、字典遍历、访问元组、修改元组、集合（set）

7、函数：函数定义、函数的类型、函数参数、函数返回值、函数嵌套、局部变量、全局变量、递归函数、匿名函数

8、文件操作：文件的打开与关闭、文件的读写、文件读写应用

9、面向对象（类和对象）：定义类、类的构成、类的__init__()方法、创建对象、理解self

10、面向对象（封装、继承、多态）：封装、私有方法、私有属性、__del__()方法、继承、多继承、多态、类属性、实例属性、静态方法和类方法

11、面向对象（设计模式）：单例模式、工厂模式、__new__方法

12、综合案例：愤怒的小鸟

13、异常：捕获异常、异常的传递

14、模块：模块中的__all__、模块制作、打包模块、模块安装与使用

15、深拷贝、浅拷贝、私有化：深拷贝案例、浅拷贝案例、进制、位运算、作用域、私有化、属性property

16、生成器、迭代器、闭包、装饰器、元类、垃圾回收、内建函数

17、网络编程：进程池、进程间通信、多线程、进程和线程区别、协程、网络通信、端口、IP地址、socket、UDP、TCP、http

18、网络编程综合案例：企业级web框架starlette介绍及使用

19、正则表达：表示字符、表示数量、原始字符串、表示边界、匹配分组

20、综合案例：客户信息管理系统综合案例

阶段二：

系统架构与数据服务

AI应用的坚实基座

可掌握的核心技能

1、掌握Linux系统安装配置及常用命令，构建稳定开发环境。

2、熟练编写Shell脚本，实现自动化运维任务。

3、掌握Docker容器技术，快速部署隔离应用。

4、精通MySQL数据库操作，实现数据CRUD及查询优化。

5、理解前后端分离架构，掌握API设计规范。

6、使用FastAPI和SQLAlchemy构建高性能Web服务。

课程设计特色

此阶段专注于打造坚实的系统架构与数据服务能力，从Linux命令行到Docker容器化，再到数据库管理与高性能API服务开发，提供全面的技术栈培训。通过实际操作与案例分析，帮助学员深入理解智能应用背后的基础设施建设，强调工程思维与系统认知的培养，为未来的大模型应用开发铺平道路。

课程详细大纲

Linux基础&Shell

1、Linux环境准备：WSL 安装、Linux 安装、VI 编辑器、软件包安装

2、Linux 常用命令：vim、cd、mkdir、chmod、chown、grep、echo、tail、more、touch、sudo、history、yum、systemctl、ln、ifconfig、hostname、ping、netstat、ps等

3、Shell：变量、运算符、条件判断、流程控制、系统函数&自定义函数、常用工具命令、常用正则表达式

MySQL

MySQL安装和使用、SQL语句、数据库操作、表操作、SQL约束、多表操作、开窗函数、案例、远程连接MySQL

Docker

Docker安装、镜像、启动容器、常用命令

前后端基础

FastAPI+Uvicorn 核心基础、SQLAlchemy 数据库操作基础、FastAPI+SQLAlchemy 整合开发、小型实战与部署

考试一

阶段三：

大模型应用开发

智能体时代的业务赋能

可掌握的核心技能

1、深入理解GPT系列模型的设计哲学与训练方法。

2、掌握大模型微调全流程，从数据准备到质量评估。

3、精通指令微调数据构造，提升模型遵循指令的能力。

4、理解PEFT技术体系，掌握参数高效的模型定制策略。

5、了解LoRA低秩适应技术及其在资源受限环境下的优势。

6、熟练应用vLLM高性能推理引擎优化部署性能。

课程设计特色

低门槛高价值——从零构建AI商业应用的实战指南。课程设计打破"AI高深莫测"的迷思，采用"平台工具+API调用+核心原理"三层递进教学法，让学员快速上手并深入理解。聚焦真实商业场景，特别是电商与自媒体两大热门领域，所有案例均来自一线企业实践，学完即可创造商业价值。技术前瞻性强，不仅教授当前流行工具，更深入解析智能体架构、记忆机制等核心概念，培养学员技术演进预判能力。学习曲线科学设计，从无代码平台到Python集成再到私有部署，逐步提升技术深度，确保学员成为企业争抢的"AI+业务"复合型人才！

课程详细大纲

大模型应用开发概述

微调入门、RAG入门、提示词入门、智能体是什么、LLM代理的构成要素、第一个LLM智能体、为Agent配备工具、智能体基本规划与执行、LLM智能体记忆

项目一：商户运营管家

1、智能体开发概述与搭建流程，Coze、Dify的介绍和基本使用

2、企业私有知识库搭建

3、电商场景AI应用搭建（商品营销卖点提炼、商品评论分析、客服对话记录分析、一键生成行业调研报告、客户投诉分类助手、产品营销海报）

4、自媒体领域AI应用搭建（一键生成行业调研PPT、复刻爆款视频）

5、Python调用Coze、Dify平台工作流

6、Coze、Dify的windows平台部署

7、企业级大模型及Ollama、Xinference部署

阶段四：

LangChain & RAG架构

企业级知识智能系统构建

可掌握的核心技能

1、掌握LangChain框架核心架构，构建可扩展的AI应用。

2、精通Model I/O技术，优化LLM交互质量。

3、熟练使用Chains设计模式，实现复杂业务流程。

4、设计高效Memory模块，提升多轮对话体验。

5、构建基于ReAct范式的自主决策智能体。

6、实现RAG全链路技术，从数据加载到检索优化。

7、应用LangGraph框架，构建状态驱动的复杂应用。

8、集成多模态文档处理技术，扩展知识库覆盖范围。

9、运用RAG深度优化技术，提升问答质量。

10、通过掌柜智库、好医智库等项目实战垂直领域应用。

课程设计特色

架构驱动，工业级标准——培养企业级知识智能系统开发能力。课程以LangChain和LangGraph为骨架，深入解析框架设计哲学与状态管理机制，培养真正架构思维。创新引入"可插拔RAG工作流"设计，使系统具备模块化、可扩展特性。集成多模态处理能力，突破传统RAG系统局限，解决真实企业图文混排文档处理难题。项目直击行业痛点：掌柜智库解决电商知识碎片化；好医智库应对医疗文本专业性挑战；伴学智库攻克教育内容个性化需求。通过RAGAS评估框架建立数据驱动优化机制，让学员掌握从基础到高级的完整技术演进路径。

课程详细大纲

LangChain框架

1、LangChain框架概述、LangChain的安装与调用

2、Model I/O：Message、Prompt Template、Output Parsers、FunctionCaling

3、Chains：Chains的设计理念、SequentialChain、RouterChain

4、Memory：Memory模块的设计理念、如何自定义Memory模块、内置的Memory模块

5、Agents：基于LangChain的Agent抽象、自定义基于ReAct范式的Agents、使用LangChain定义的ReAct策略

6、Retrieval：Source 与 data loaders、Text Splitters、Text embedding models、vector store

7、电商平台商家对话助手案例：集成店铺运营数据库检索、平台政策实时查询和客户服务管理功能；开发多工具调用能力，比如：创建优惠券、平台物流/订单、库存检查、工单分类等；掌握通过记忆机制管理多会话上下文；掌握本地知识库的搭建与调用

LangGraph框架

1、LangGraph入门：从链式到图状的思维转变

2、图的核心要素：State, Node, Edge - State (状态)

3、Graphs：图的构建与编译

4、Memory：图中的持久化状态与记忆

5、Agents：使用LangGraph构建更鲁棒、更可控的智能体

6、高级应用与技巧 - 流式输出 (Streaming)

7、案例：内部文档查询助手（小型知识库）

RAG原理及优化

1、RAG 架构演进、RAG 效果评估、质量分数评估、基本能力评估、评估工具 Ragas

2、搭建 RAG 系统：系统架构、索引过程、检索过程、生成过程、索引模块、RAG 链条、流式响应 API

3、索引过程：文档加载、文本分块、向量嵌入与存储

4、RAG 优化：检索前处理-多查询、检索前处理-HyDE、检索后处理-重排序、混合检索、分层缓存

5、Graph RAG：传统 RAG 的局限、基于语料库的 Graph RAG、基于已有知识图谱的 Graph RAG

6、基于语料库的 Graph RAG：切分文本块、抽取实体与关系、构建知识图谱、构建图社区、生成社区摘要、全局查询、局部查询

git/github/gitee/gitlab 安装配置、本地库搭建、基本操作、工作流、集中式

项目二：掌柜智库

1、前沿架构：基于 LangGraph 构建企业级可插拔 RAG 工作流。

2、多模态处理：集成 MinerU 与 OCR，精准解析图文混排 PDF。

3、多路召回：向量检索 + 稀疏检索 + Neo4j 知识图谱多路混合召回。

4、智能切片：支持滑动窗口、Small-to-Big 及语义切分策略。

5、深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术。

6、全链路评估：集成 RAGAS 框架，自动化评估检索与生成质量。

项目实战一：好医智库（五选一）

1、前沿架构：基于 LangGraph 构建可审计、可溯源的企业级可插拔 RAG 工作流。

2、多模态处理：集成 MinerU 与OCR，精准解析医学影像报告、电子病历（EMR）及图文混排医学文献。

3、多路召回：向量检索 + 稀疏检索 + 临床知识图谱多路融合召回，确保医疗问答的准确性与覆盖率。

4、智能切片：支持基于病例结构的切片、滑动窗口、Small-to-Big及医学语义切分策略，适配长文档 EMR 与指南。

5、深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术，优化对症状、诊断、治疗路径等查询的匹配质量。

6、全链路评估：集成 RAGAS 与临床知识正确性校验流程，实现检索与生成的自动化医疗级评估。

项目实战一：伴学智库（五选一）

1、前沿架构：基于LangGraph构建在线教育可插拔RAG工作流，支持课程构建、教辅生成与学习路径推荐的模块化扩展。

2、多模态处理：集成MinerU与OCR，精准解析教材扫描件、课堂板书截图、图文混排课件PDF。

3、多路召回：向量检索+稀疏检索+知识图谱（课程体系/题库知识点网）多路混合召回，支撑题目解析与知识点推送。

4、智能切片：支持滑动窗口、Small-to-Big及教育语义切分策略，适配不同学科的课件、笔记与大体量教材。

5、深度优化：引入HyDE假设性嵌入与BGE-Rerank重排序技术，增强对知识点、题干语义与解题逻辑的精准匹配。

6、全链路评估：集成RAGAS框架，结合题目正确率与知识点覆盖度，完成检索与生成质量的自动化性能评估。

项目实战一：倾听智库（五选一）

1、前沿架构：基于 LangGraph 构建企业级可插拔 RAG 工作流，支持对话意图理解、多轮问答与知识溯源，模块可灵活扩展与替换。

2、多模态处理：集成 MinerU 与 OCR，精准解析对话纪要、访谈文稿、图文混排报告及音视频转写文档。

3、多路召回：向量检索 + 稀疏检索 + 业务场景知识图谱多路混合召回，提升问答连贯性与场景匹配度。

4、智能切片：支持滑动窗口、Small-to-Big 及对话语义切分策略，适配长文本访谈记录与多轮对话日志。

5、深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术，强化对观点、诉求、关键信息的精准提取与匹配。

6、全链路评估：集成 RAGAS 框架，结合信息完整度、回答合理性与事实一致性，实现自动化质量评估。

项目实战一：金融智库（五选一）

1、前沿架构：基于 LangGraph 构建金融场景可插拔 RAG 工作流，支持研报解读、数据查询、风险提示与合规校验一体化流程。

2、多模态处理：集成 MinerU 与 OCR，精准解析财报 PDF、研报图表、招股书、合同文本及金融图文混排资料。

3、多路召回：向量检索 + 稀疏检索 + 金融知识图谱（行业 / 标的 / 指标 / 法规）多路融合召回，保障金融问答严谨性与准确性。

4、智能切片：支持按财报章节、指标维度、条款段落切分，结合滑动窗口、Small-to-Big 与金融语义切片，适配长文档研报与法规。

5、深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术，提升对金融指标、业务逻辑、风险条款的检索与生成精度。

6、全链路评估：集成 RAGAS 框架并叠加金融合规性校验，自动化评估检索准确性、生成可靠性与合规风险。

项目实战一：美途智库（五选一）

1、前沿架构：基于 LangGraph 构建文旅出行场景可插拔 RAG 工作流，支持行程规划、攻略生成、景点问答与服务推荐模块化扩展。

2、多模态处理：集成 MinerU 与 OCR，精准解析旅游攻略、景点介绍、线路手册、票务文件及图文混排文旅宣传资料。

3、多路召回：向量检索 + 稀疏检索 + 文旅知识图谱（景点 / 线路 / 交通 / 住宿 / 政策）多路混合召回，提升推荐合理性与信息全面性。

4、智能切片：支持按地域、行程天数、景点主题切片，结合滑动窗口、Small-to-Big 与出行语义切分，适配长攻略与线路手册。

5、深度优化：引入 HyDE 假设性嵌入与 BGE-Rerank 重排序技术，优化对出行需求、偏好、游玩路线的语义理解与匹配。

6、全链路评估：集成 RAGAS 框架，结合信息真实度、路线合理性与用户问答满意度，完成自动化检索与生成质量评估。

考试二

阶段五：

智能体项目实战

多场景AI解决方案深度开发

可掌握的核心技能

1、精通Rasa框架定制开发，构建企业级对话系统。

2、应用DIET多任务学习架构，提升对话理解准确率。

3、设计混合对话策略，平衡业务规则与交互灵活性。

4、实现垂直领域特征工程优化，攻克专业术语识别。

5、开发动态动作执行机制，连接外部业务系统。

6、构建NL2SQL智能体，实现自然语言到复杂SQL转换。

7、设计高并发异步架构，优化系统响应性能。

8、实现中控调度架构，构建多功能统一智能入口。

9、构建全生命周期记忆机制，确保对话连贯性。

10、通过三大业务方向（电商、数据、医疗/教育）实战智能应用项目。

课程设计特色

真场景、真技术、真价值——AI智能体商业落地的终极实战。课程聚焦三大高价值赛道项目：电商小二系统攻克中文电商口语识别；掌柜问数实现复杂NL2SQL能力；万应助手融合LBS、知识库与SQL查询，构建统一智能入口。创新采用"技术模块化+场景定制化"教学模式，核心引擎统一讲解，业务适配分场景精讲。所有项目强调"能办事"而非"会聊天"，集成真实业务API，实现订单查询、挂号预约、报表生成等实际功能。项目开发遵循企业标准流程，从需求分析到测试验收，培养工程化思维。最终交付可直接投入生产的智能体系统，让学员携真实商业价值进入就业市场，成为企业AI转型的核心推动力量。

课程详细大纲

项目三：电商小二

1、行标级开源项目深度二开与定制：深入 Rasa 源码层进行企业级二次定制开发。

2、深度语义融合：构建 Sparse + Dense 双路特征提取网络，结合正则表达式（Regex）与预训练语言模型（BERT/ChineseBERT），实现对电商复杂术语的精准理解。

3、DIET 多任务学习：采用 DIET (Dual Intent and Entity Transformer) 架构，在一个模型中同时完成意图分类与实体提取，大幅提升训练效率与识别准确率。

4、混合对话策略： Rule + ML (TED) 双引擎驱动。利用 RulePolicy 处理退换货等硬性业务流程，利用 TED 策略处理上下文跳跃等复杂多轮对话，拒绝"人工智障"。

5、全链路特征工程：内置 Jieba 中文分词与 CountVectors 词袋模型，针对中文电商语境进行专项优化，解决"口语化"、"缩略语"识别难题。

6、动态动作执行：基于 Action Selection 模块，不仅能"答疑"，更能"办事"。支持自定义 Action 调用外部 API，实时查询订单状态、修改物流信息。

7、可视化故事建模：基于 Stories 故事策略进行多轮对话流程建模，将非线性的用户交互转化为可控的机器学习训练样本。

项目实战二：尚医助手（五选一）

1、开源项目深度二开与定制：深入 Rasa 源码层进行企业级二次定制开发。

2、深度语义融合：构建 Sparse + Dense 双路特征提取网络，结合正则表达式（Regex）与预训练语言模型（BERT/ChineseBERT），实现对医疗专业术语的精准理解。

3、DIET 多任务学习：采用 DIET (Dual Intent and Entity Transformer) 架构，在一个模型中同时完成意图分类与实体提取，大幅提升训练效率与识别准确率。

4、混合对话策略： Rule + ML (TED) 双引擎驱动。利用 RulePolicy 处理挂号缴费、病历查询等硬性业务流程，利用 TED 策略处理病情描述、用药咨询等复杂多轮对话。

5、全链路特征工程：内置 Jieba 中文分词与 CountVectors 词袋模型，针对中文医疗语境进行专项优化，解决"口语化症状描述"、"医学缩略语"识别难题。

6、动态动作执行：基于 Action Selection 模块，不仅能"答疑"，更能"办事"。支持自定义 Action 调用外部 API，实时查询检验报告、预约检查项目、更新患者诊疗信息。

7、可视化故事建模：基于 Stories 故事策略进行多轮对话流程建模，将非线性的用户交互（如症状主诉、病史追问、用药指导）转化为可控的机器学习训练样本。

项目实战二：知学助手（五选一）

1、开源项目深度二开与定制：深入Rasa源码，针对在线教育平台进行二次定制开发，支持课程咨询、学习路径推荐、作业提醒等教育业务场景需求。

2、深度语义融合：构建Sparse+Dense双路特征提取网络，结合正则表达式（Regex）与教育领域语言模型（EduBERT/ChineseBERT），精准理解课程名、教学术语、学生口语化提问。

3、DIET多任务学习：应用DIET模型，实现意图分类（课程查询/报名咨询/学习疑问）与实体识别（课程名称、章节、知识点、年级）一体化，提升模型性能。

4、混合对话策略：Rule+ML(TED)双引擎驱动。RulePolicy处理选课流程、考试流程等固定路径；TED策略处理学生自由问答、课程跳跃式咨询等复杂多轮学习互动场景。

5、全链路特征工程：内置对教育语境优化的分词器与CountVectors特征模型，解决课程简称、学习术语、学生非正式表达等解析困难问题。

6、动态动作执行：基于ActionSelection，可调用LMS/教务系统API，实现课程进度查询、作业提醒、学习数据汇总等实时教学辅助功能。

7、可视化故事建模：使用Stories建模多轮学习场景，将课程咨询、知识点问答、学习规划等过程转换为可控训练样本，提高学习交互的可解释性与可扩展性。

项目实战二：倾听助手（五选一）

1、开源项目深度二开与定制：深入 Rasa 源码层进行企业级二次开发，适配政务咨询、民意倾听、投诉建议、回访调研等对话场景。

2、深度语义融合：构建 Sparse + Dense 双路特征提取网络，结合正则表达式（Regex）与中文预训练模型（BERT/ChineseBERT），精准识别诉求、意见、问题描述等口语化表达。

3、DIET 多任务学习：采用 DIET 架构，在统一模型中完成意图分类（投诉 / 建议 / 咨询 / 求助）与实体提取（时间、地点、事件、对象），提升意图理解准确率。

4、混合对话策略：Rule + ML (TED) 双引擎驱动。使用 RulePolicy 处理流程化业务（登记信息、工单流转、进度查询）；使用 TED 策略处理自由陈述、多轮追问、复杂诉求表达。

5、全链路特征工程：基于 Jieba 分词与 CountVectors 词袋模型，针对民生口语、方言化表达、缩略称谓做专项优化，解决模糊诉求、长句描述的理解难题。

6、动态动作执行：通过 Action Selection 模块调用外部系统 API，实现诉求登记、工单派发、进度查询、结果反馈、回访提醒等自动化办事能力。

7、可视化故事建模：基于 Stories 完成多轮交互建模，将诉求表达、信息核实、问题追问、结果告知等流程标准化，提升对话可控性与业务落地能力。

项目实战二：金融助手（五选一）

1、开源项目深度二开与定制：深入 Rasa 源码进行金融场景企业级二次开发，支持理财咨询、业务办理、风险提示、客服回访等智能对话需求。

2、深度语义融合：构建 Sparse + Dense 双路特征提取网络，结合正则表达式（Regex）与金融领域预训练模型，精准识别产品名称、金额、期限、风险等级、业务条款等专业信息。

3、DIET 多任务学习：采用 DIET 架构，同步实现意图分类（开户 / 转账 / 理财 / 贷款 / 查询）与实体抽取（账号、金额、产品、日期、费率），提升金融对话识别精度。

4、混合对话策略：Rule + ML (TED) 双引擎驱动。RulePolicy 负责密码验证、业务鉴权、流程办理等强规则场景；TED 策略负责理财咨询、风险解读、收益对比等复杂多轮问答。

5、全链路特征工程：优化 Jieba 分词与 CountVectors 特征模型，适配金融口语、产品简称、行业黑话与数字表达式，解决模糊查询与歧义理解问题。

6、动态动作执行：通过 Action Selection 调用核心业务 API，支持余额查询、交易明细、风险测评、产品推荐、业务预约等实时操作。

7、可视化故事建模：使用 Stories 构建多轮金融对话流程，实现咨询 — 校验 — 办理 — 告知全链路标准化，提升合规性与交互稳定性。

项目实战二：美途助手（五选一）

1、开源项目深度二开与定制：基于 Rasa 源码深度二次开发，面向文旅出行场景打造智能助手，支持景点问答、行程规划、票务查询、酒店咨询、投诉建议等功能。

2、深度语义融合：构建 Sparse + Dense 双路特征网络，结合 Regex 与中文预训练模型，精准识别目的地、景点、日期、人数、预算、出行方式等关键信息。

3、DIET 多任务学习：采用 DIET 架构，统一完成意图识别（订票 / 订房 / 攻略 / 投诉 / 问路）与实体抽取（城市、景点、时间、价格区间、交通方式），提高交互效率。

4、混合对话策略：Rule + ML (TED) 双引擎驱动。RulePolicy 处理票务查询、酒店预订、入园预约等标准化流程；TED 策略处理自由行程规划、偏好调整、多目的地对比等复杂对话。

5、全链路特征工程：基于 Jieba 分词与 CountVectors 做文旅场景优化，支持景点别称、口语化需求、模糊地点描述的理解，提升用户体验。

6、动态动作执行：通过 Action Selection 调用文旅、交通、票务 API，实现实时查询车次、景点开放时间、天气、路线规划、订单状态更新等能力。

7、可视化故事建模：使用 Stories 建模多轮出行对话，将需求收集、方案推荐、修改调整、确认下单流程结构化，支持灵活扩展线路与服务类型。

项目四：掌柜问数（三选一）

1、大厂开源内核：基于京东最新开源 DataAgent 架构深度定制，承袭经亿级业务场景验证的企业级稳定性与工业化标准。

2、思维链驱动 NL2SQL：引入 Deep-Thinking 推理层，采用"重写-思考-生成"三阶段 Agent 架构，确保复杂 SQL 生成的逻辑准确性。

3、混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现 Schema 语义与单元格精准值的双重混合召回。

4、动态 Schema 剪枝： ColumnFilterModule 智能列过滤技术，基于查询语义自动剔除无关字段，大幅降低 LLM 上下文噪声。

5、高并发异步架构：全链路基于 AsyncIO 构建，并行执行 Query Rewrite 与 Schema Ranking，显著降低端到端响应延迟。

6、精准语义对齐：集成 Jieba 分词与 HyDE 策略进行查询意图扩展，有效解决业务术语与数据库字段名的语义鸿沟。

项目四：归因分析（三选一）

1、大厂开源内核：基于最新 AttributionAgent 架构深度定制，适配电商多渠道、长链路的归因分析需求。

2、思维链驱动多模型归因：引入 Deep-Attribution 推理层，采用"路径解析-因子拆解-权重分配"三阶段 Agent 架构，兼容末次互动、线性归因、时间衰减等多类模型，确保复杂用户路径归因的逻辑准确性与合理性。

3、混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现用户行为触点与归因因子的双重混合召回，精准匹配每笔交易对应的全链路营销渠道与运营动作。

4、动态因子剪枝：AttrFilterModule 智能因子过滤技术，基于电商业务场景（广告投放、促销活动、自然流量等）自动剔除无关归因因子，大幅降低 LLM 上下文噪声，提升归因效率。

5、高并发异步架构：全链路基于 AsyncIO 构建，并行执行路径追溯与权重计算，适配电商大促峰值时段的海量交易数据归因需求，显著降低端到端响应延迟。

6、精准语义对齐：集成 Jieba 分词与 HyDE 策略进行归因意图扩展，有效解决电商业务术语（如直通车、直播带货、复购归因）与归因模型字段名的语义鸿沟，提升归因精准度。

项目四：商城风控（三选一）

1、大厂开源内核：基于最新 RiskAgent 架构深度定制，适配电商全场景风控排查需求。

2、思维链驱动风险识别：引入 Deep-Risk 推理层，采用"特征提取-风险研判-决策生成"三阶段 Agent 架构，确保复杂交易风险、欺诈行为识别的逻辑准确性。

3、混合多路召回：创新性融合 Qdrant 向量检索与 Elasticsearch 倒排索引，实现风险特征语义与交易行为数据的双重混合召回，精准捕捉潜在风控隐患。

4、动态风险因子剪枝：RiskFilterModule 智能风险因子过滤技术，基于查询语义自动剔除无关风险字段，大幅降低 LLM 上下文噪声，提升风控识别效率。

5、高并发异步架构：全链路基于 AsyncIO 构建，并行执行风险检测与特征排序，适配电商大促峰值时段的海量交易风控需求，显著降低端到端响应延迟。

6、精准语义对齐：集成 Jieba 分词与 HyDE 策略进行风控意图扩展，有效解决电商风控术语（如刷单、盗刷、恶意退款）与风控模型字段名的语义鸿沟。

项目五：市场罗盘（四选一）

1、场景化任务拆解：结合问数、客服等智能体场景，布置真实业务需求（如电商订单数据查询、售后问题统计），明确智能体功能边界与验收标准

2、自主设计与开发：学生从 0 到 1 完成智能体架构设计、核心功能编码（如对话逻辑、数据接口集成），老师提供实时技术答疑与方案指导

3、阶段性目标划分：按 "需求分析→原型设计→开发调试→功能验证" 拆分阶段，每个阶段设定明确产出（如需求文档、可运行 Demo），避免盲目开发

4、动态进度管控：通过项目看板同步各学生进度，每周开展 1 次进度复盘，老师针对滞后情况调整任务难度或提供额外支持

5、多维度过程检查：关键节点（如架构确定、核心功能完成）进行代码评审与功能测试，老师指出优化点（如交互流畅度、数据准确性）

6、成果落地与展示：学生最终提交可运行智能体及开发报告，组织成果演示环节，老师点评亮点与改进方向，强化实战成就感

项目五：万应助手（四选一）

1、中控调度架构：采用基于 Orchestrator 的分诊模式，精准识别用户意图，在知识库、SQL 查询、地图服务与购物助手间动态路由。

2、Text-to-SQL：内置 sql_info_agent，支持将自然语言转化为结构化 SQL，精准查询维修站分布、城市覆盖及特定服务信息。

3、时空智能集成：引入 MCP (Model Context Protocol) 协议对接百度地图，实现基于地理位置（LBS）的维修点查询与导航规划。

4、领域知识 RAG：集成 knowledge_agent 垂直知识库，专门处理"电脑无法开机"等硬件故障诊断，提供专家级维修指导。

5、全生命周期记忆：基于 JSON 的持久化 Session 管理，支持多轮对话上下文保持，确保服务过程的连续性与个性化。

6、全栈交互体验：Python 异步后端配合 Vue3 + Element Plus 前端，打造响应式、可视化的现代智能客服终端。

项目五：舆情分析（四选一）

1、多源舆情采集架构：采用分布式爬虫与API对接结合模式，全面抓取电商平台、社交媒体、新闻资讯、论坛评论等多渠道舆情数据，实现全场景舆情覆盖。

2、智能舆情分类研判：内置 sentiment_agent 情感分析模块，结合 BERT 预训练模型，精准识别舆情正面、负面、中性倾向，自动标注舆情核心诉求与关键词。

3、舆情热度动态追踪：引入热度计算模型与时间序列分析，实时监测舆情传播速度、覆盖范围、互动量，生成可视化热度趋势图，精准捕捉舆情爆发点。

4、风险舆情预警机制：基于关键词匹配与语义相似度检索，设置多级预警阈值，针对恶意诋毁、投诉集中、虚假宣传等风险舆情，实现实时弹窗与短信预警。

5、全周期舆情记忆：采用 JSON 持久化存储与上下文关联技术，留存舆情历史数据与研判记录，支持多轮舆情追溯、趋势对比与复盘分析。

6、全栈可视化展示：Python 异步后端搭配 Vue3 + ECharts 前端，打造舆情仪表盘，直观呈现舆情分布、情感占比、风险等级，支持自定义查询与数据导出。

项目五：运维管家（四选一）

1、智能运维调度架构：采用基于 Orchestrator 的分诊模式，精准识别运维告警意图，在设备监控、故障排查、日志分析与工单处理间动态路由，实现运维全流程自动化。

2、日志智能解析：内置 log_analysis_agent，结合 NLP 与正则匹配技术，支持将自然语言运维需求转化为日志查询指令，精准提取设备异常、性能瓶颈等关键信息。

3、多维度监控集成：引入 Prometheus + Grafana 监控协议，对接服务器、数据库、应用程序等多类运维对象，实现硬件负载、软件性能的实时监测与可视化展示。

4、运维知识 RAG：集成 ops_knowledge_agent 垂直知识库，专门处理服务器宕机、端口异常、内存溢出等常见运维故障，提供标准化排查流程与解决方案。

5、全周期运维记忆：基于 JSON 的持久化 Session 管理，留存设备运行日志、故障处理记录与运维操作历史，支持多轮故障追溯、问题复盘与经验沉淀。

6、全栈运维交互：Python 异步后端配合 Vue3 + Element Plus 前端，打造智能化运维控制台，直观呈现设备状态、告警信息、处理进度，支持一键提交运维工单。

考试三

阶段六：

大模型微调

大模型垂直领域转化的核心技术

阶段七：

Vibe Coding 项目实战

AI 生成式编程全流程落地开发

可掌握的核心技能

1、产品设计:能完成项目业务需求分析、页面与功能规划,借助AI生成页面原型图及交互说明。

2、架构设计:掌握DDD领域设计思想,能完成领域与服务划分、ER图设计、数据库表结构设计及前后端接口设计,遵循开发规范与工程约定。

3、前端开发：能拆解页面原型提示词、固化生成规范，看懂Vue3页面结构，完成页面调试与接口验证。

4、后端开发：能固化后端生成规范，基于若依框架实现微服务CRUD，掌握Elasticsearch搜索、Redis缓存、多线程异步编排等核心场景解决方案。

5、小程序开发：能拆解小程序原型提示词，使用微信开发者工具完成模拟测试与接口验证。

6、AI多智能体集成：掌握RAG流程设计，能完成多类型文件转换、图片提取、向量转换及Milvus向量数据库的存储与查询，优化文本切片与搜索重排。

7、测试技能：掌握测试基础，能编写测试方案与用例，实现自动化测试、JMeter压力测试，管理Bug并完成AI Agent评估测试。

8、掌握接口测试、流程测试等验收方法，能编写后端Dockerfile、使用Docker Compose编排多服务，完成Nginx部署与Jenkins CI/CD持续交付。

9、提示词拆解与需求转化：能精准拆解不同行业项目的产品风格、功能需求，通过自然语言Prompt描述产品意图、交互风格，实现需求向AI可识别指令的转化。

10、AI代码生成与优化：借助Vibe Coding技术，让AI自动生成项目完整代码架构，无需深耕传统编程语法，重点掌握代码优化、逻辑调试技巧，提升开发效率。

11、Vibe Coding场景落地：熟练运用Vibe Coding"意图主导、AI落地"核心逻辑，掌握其在文旅、房产、音频、教育、生活服务、医疗等多行业的落地技巧。

课程设计特色

精准覆盖Vibe Coding工具、前后端、微服务等前置基础，层层铺垫，确保学员具备商城项目开发所需的全栈基础能力，避免基础薄弱导致的实战脱节。遵循"产品设计—架构设计—前后端开发—小程序开发—AI集成—测试—运维"全流程，完整复刻硅谷商城项目从需求到上线的全链路，贴合企业实际开发场景。核心贯穿Vibe Coding理念，通过提示词拆解、生成规范固化，借助AI辅助完成原型、代码生成，兼顾开发效率与代码质量，贴合行业AI赋能开发的趋势。涵盖微服务、缓存、消息队列、搜索引擎、向量数据库、Docker、CI/CD等企业核心技术，聚焦电商场景高频需求，让学员掌握岗位必备核心技能。融入AI多智能体集成、AI辅助测试等前沿内容，将RAG、VL模型等技术落地到电商场景，助力学员掌握AI+电商的差异化技能，提升岗位竞争力。提供6个不同行业（文旅、房产、音频、教育、家政、医疗）的实战项目，学员可根据自身兴趣与目标岗位选择，覆盖多领域AI开发场景，拓宽就业方向。全程以Vibe Coding技术为核心，贯穿"自然语言描述需求—AI生成代码—人工优化"全流程，弱化传统编码门槛，聚焦需求转化与业务落地，贴合企业AI赋能开发的主流趋势。每个项目均复刻对应行业主流APP核心功能与业务流程，覆盖从需求描述、代码生成到产品交付的全链路，让学员在实战中积累真实项目经验，实现"学完即能用"。

课程详细大纲

前置基础

Vibe Coding 工具：Codex Cursor、Claude Code

web基础：HTML、CSS、HTTP、前后端请求响应机制、前后端分离开发模式

前端基础：Npm Vue3 vite element plus Axios

后端技术： Java核心

后端技术：Springboot Springcloud

后端技术：RabbitMQ

后端技术：Redis

项目六：硅谷商城-产品设计

项目业务需求分析：项目背景、核心业务目标、用户角色、业务流程梳理

页面与功能范围规划：页面清单梳理、功能模块划分、用户使用路径设计

ai辅助生成页面原型图：借助 AI 生成页面草图、原型图、交互说明

项目六：硅谷商城-系统架构设计

领域划分与服务划分：DDD概念介绍，领域模型初步分析、模块边界划分、服务职责拆分

核心数据实体设计：产出实体关系图 (ER图）

数据库设计规范、数据库表结构设计：表设计原则、主外键关系、索引基础、冗余字段设计

前后端数据接口设计：接口命名规范、请求参数与返回结构、状态码、异常返回接口命名规范、请求参数与返回结构、状态码、分页查询、异常返回

开发规范与工程约定：目录结构、命名规范、代码注释、接口文档规范

项目六：硅谷商城-前端设计

基于页面原型稿，拆解出提示词

定义生成规范，固化为SKILL

理解看懂生成的VUE3页面结构

手动页面调试

验证交互接口

项目六：硅谷商城-后端设计

定义生成规范，固化为SKILL

基于若依框架微服务基础CRUD操作

基于Elasticsearch的搜索场景解决方案

基于Redis的缓存加速场景解决方案

多线程异步编排场景

低耦合消息队列场景

权限管理认证中心场景

第三方支付场景

项目六：硅谷商城-小程序

基于页面原型稿，拆解出提示词

定义生成规范，固化为SKILL

理解看懂生成的VUE3页面结构

学会使用微信开发者工具进行模拟测试

验证交互接口

项目六：硅谷商城-AI多智能体集成

RAG流程设计

多类型文件转换

利用VL模型进行图片提取

利用Embedding模型和进行向量化转换

利用存储向量数据库milvus进行向量存储查询

文本切片规则优化

reranker模型对多路搜索进行重排

项目六：硅谷商城-生成测试

测试基础概论

测试方案、测试用例的编写

自动化测试

基于jmeter的压力测试

bug平台管理

AI Agent 评估与测试

项目六：硅谷商城-运维上线

测试与验收基础：接口测试流程测试测试用例测试文档

后端Dockerfile 编写：后端镜像制作、镜像构建、运行参数配置

Docker Compose 部署：多服务编排、数据库与中间件整合、容器启动与管理

Nginx 与前端、静态资源的部署：前端部署在nginx容器中反向代理

项目持续交付：jenkins ci/cd 持续交付

项目实战三：美途旅行（多选一）

采用Vibe Coding技术开发一站式旅行服务平台，复刻主流旅行APP核心功能，涵盖目的地探索、景点门票预订、酒店民宿选型、行程规划、在线支付及旅行攻略分享等模块。学生只需通过自然语言描述产品"氛围感"与功能需求，即可借助AI生成完整代码架构，快速实现VR景点预览、智能行程推荐、多产品联动预订等核心功能，全程聚焦业务逻辑与用户体验，高效完成符合市场需求的旅行平台开发，掌握Vibe Coding在文旅场景的落地技巧。

项目实战三：好房易租（多选一）

基于Vibe Coding技术打造便捷高效的租房服务平台，覆盖个人租房、房东管理、房源筛选三大核心场景。学生通过自然语言Prompt描述租房平台的功能意图与交互风格，AI自动生成房源搜索筛选、VR看房、在线沟通、电子合同签署、租金支付、房源状态管理等完整代码，无需深耕传统编程语法，重点锻炼需求引导与代码优化能力，快速交付可直接落地的租房平台，积累房产服务领域的AI编程实战经验。

项目实战三：倾听FM（多选一）

运用Vibe Coding技术开发沉浸式音频服务平台，复刻主流FMAPP核心体验，涵盖电台直播、精品有声内容播放、节目回听、订阅收藏、互动聊天室、个性化推荐等功能。学生通过自然语言描述音频平台的视觉风格与功能需求，AI快速生成完整代码架构，实现音频播放控制、内容分类展示、用户互动、定时关闭等核心功能，深度践行Vibe Coding"意图主导、AI落地"的核心逻辑，掌握音频类产品的快速开发技巧。

项目实战三：云尚课堂（多选一）

依托Vibe Coding技术构建一站式在线教育平台，适配K12至成人教育全学段需求，涵盖直播授课、录播课程、智能题库、学习进度跟踪、在线答疑、个性化学习计划生成等核心模块。学生通过自然语言描述教育平台的功能诉求与界面风格，AI自动生成完整代码，快速实现课程管理、学员管理、学习数据分析等功能，高效完成教育类产品开发，熟练运用Vibe Coding技术解决在线教育场景的实际开发需求。

项目实战三：谷德家政（多选一）

采用Vibe Coding技术开发专业化家政服务平台，覆盖用户端、家政人员端、后台管理端三大场景，涵盖服务分类浏览、智能匹配、在线预约、订单管理、资质认证、评价反馈、财务管理等核心功能。学生通过自然语言描述家政平台的业务流程与功能需求，AI快速生成完整代码架构，无需繁琐编码，重点聚焦业务场景落地与用户体验优化，高效交付可满足三方需求的家政服务平台，积累生活服务领域的AI编程实战经验。

项目实战三：好医在线（多选一）

基于Vibe Coding技术打造便捷化医疗服务平台，复刻主流在线医疗APP核心功能，涵盖在线问诊、名医挂号、电子处方、药品配送、诊后随访、健康管理、长辈模式等核心模块。学生通过自然语言描述医疗平台的功能意图与安全需求，AI自动生成符合医疗行业规范的代码，快速实现医患高效对接、医疗服务闭环，践行Vibe Coding高效开发理念，掌握医疗服务场景下的AI编程技巧与合规性开发要点。

阶段八：

前沿热点技术融合

紧跟行业趋势，抢占技术红利

可掌握的核心技能

1、基于Hermes Agent技术,掌握自我改进型智能体核心设计方法,实现具备自我进化能力的长期运行型Agent开发。

2、吃透Harness思想核心,掌握其核心能力与关键概念,夯实复杂智能体系统设计基础,实现原始大模型向可控自治体转化。

3、基于OpenClaw平台，掌握常驻型AI助手实操技巧，可独立完成多场景智能体应用的搭建与落地。

课程设计特色

聚焦行业热门方向，对接主流技术生态，同步行业最新成果，让学员掌握贴合前沿的实用技能。

课程详细大纲

Harness Engineering

基于 Hermes Agent 技术，讲解"自我改进型智能体"这一前沿方向。学生将掌握具备长期记忆、技能沉淀、经验学习、工具调用、自动调度与多 Agent 协同能力的智能体系统设计方法，理解 AI 应用如何从一次性代码生成，进一步升级为"会记忆、会积累、会持续执行任务"的长期运行型 Agent。Hermes Agent 官方将其定位为 self-improving AI agent，强调 built-in learning loop，可从经验中创建并改进 skills、搜索过往对话、跨会话建立用户模型，并支持定时任务与多平台接入。

OpenClaw小龙虾技术

基于 OpenClaw 开源智能体平台，掌握常驻型 AI 助手的基本使用方式，掌握多渠道消息接入、工具调用、技能扩展与日常任务处理等重要能力。学生将通过实际操作，认识个人 AI 助手类产品的基本形态，掌握搭建与使用通用智能体应用的入门方法。

Hermes Agent爱马仕技术

围绕 Harness 思想，讲解 AI Agent 从"直接调用模型"走向"可控运行系统"的关键架构升级。学生将理解 Harness 并非单一产品，而是位于模型与外部世界之间的运行控制层，负责工具接入、权限约束、状态管理、执行循环、安全控制与结果回收等核心能力，掌握 Agent Runtime / Agent Host / 控制外壳等重要概念，为后续学习复杂智能体系统设计打下基础。近期关于 agent harness 的研究与技术讨论，普遍将其定义为把原始大模型转化为可控自治体的基础设施层。

阶段九：

就业冲刺

大牛引路，冲击大厂，把握超级风口

全新项目库

真正企业级项目，面试轻松搞定，工作直接可用

真正的企业所用项目

项目广泛覆盖电商、医疗、旅游、教育等多个领域，并且智能体项目和AI全能开发项目之间是关联的。智能体项目和智能体项目之间也都是闭环的，智能体项目解决某一行业所需要用到的主流场景。你可系统掌握AI时代企业急需的数字化、智能化转型急需的核心关键技术。

真正的全链路闭环项目

从产品设计、架构设计开始，到前端开发、后端开发、小程序开发、AI多智能体集成，最后进行项目测试、运维部署上线，真正进行全链路项目开发，真正掌握全栈开发的全部技术！

真正的智能体项目

项目授课时间长、不敷衍。从项目需要的理论基础开始讲起，对每一个需求均详细讲解，确保学生跟上思路，彻底理清项目架构，掌握项目设计思维。实打实花一个多月时间去讲5个智能体项目，非其他机构只花1周左右时间去简单讲解小案例可比。

真正的按企业级标准进行

课程中使用真实企业开发数据，学生按照企业级开发标准进行项目的搭建。开发流程、代码编写规范、项目上线流程、项目的性能调优也全部按照企业级标准进行。面试时一看就是有经验的熟手。

商户运营管家

掌柜智库

好医智库

伴学智库

倾听智库

金融智库

美途智库

电商小二

尚医助手

知学助手

倾听助手

金融助手

美途助手

掌柜问数

归因分析

商城风控

市场罗盘

万应助手

舆情分析

运维管家

硅谷商城

美途旅行

好房易租

倾听FM

云尚课堂

谷德家政

好医在线

项目一商户运营管家

项目介绍

1. 一个项目两个平台：分别采用市面上比较流行的 Coze 与 Dify 两种方式实现，通过 Agent 与 Workflow 编排，实现从数据洞察到AIGC的全链路自动化。 2. 闭环营销：首创"热点-卖点-买点-文案-海报"自动化营销流，基于情感价值公式（痛点/爽点/痒点）自动生成高转化内容。 3. 智能风控：集成钉钉机器人的投诉分类助手，利用 LLM 进行两级问题归类与情感分级，实时预警售后风险。 4. 数据洞察：基于 Python 代码节点与批处理技术，将非结构化客服对话与商品评论转化为结构化数据，精准提取用户画像与产品缺陷。 5. 视觉生产：工作流内嵌绘图与叠图插件，支持智能布局、Logo/二维码自动合成，一键生成专业级营销海报。 6. 竞品雷达：融合 Google Search 与 Firecrawl 深度爬虫技术，自动化生成竞品分析与行业调研报告，辅助战略决策。

技术背景

【从"被动应答"到"主动营销"：重塑电商运营的智能大脑】在流量红利见顶的今天，电商商家面临着"内容生产难、售后响应慢、数据挖掘浅"的三大痛点。本项目致力于打破这一僵局，构建一套"能思考、会执行"的电商智能运营中台。我们摒弃了单一的工具拼接，而是采用 Coze 和 Dify 编排复杂的业务流。在营销端，系统不仅能通过知识库实时捕捉抖音/微博热点，更能结合通用性、独特性、保障性三大维度智能提炼卖点，并自动转化为小红书文案与短视频脚本，甚至直接生成带货海报。在服务端，系统化身为"金牌店长"，利用 LLM 强大的语义理解能力，对客服对话进行毫秒级的情感分析与意图识别，将投诉扼杀在萌芽状态。这不仅是一套提效工具，更是一个 24 小时在线的智能运营团队，帮助商家实现从粗放式管理到精细化智能运营的跨越。

技术

Coze、Dify、Python 、AIGC、LLM(DeepSeek/GPT)、Google_Search_API、DingTalk、RAG

架构图