构建真实世界的人工智能代理

MP4 |视频：h264，1920×1080 |音频：AAC、44.1 KHz、2 Ch
级别：所有级别 |类型： 电子学习 |语言： 英语 |时长：60 个讲座（4h 18m）

你将学到什么

• 您将学习大型语言模型、生成式 AI 和提示等概念，这些对于理解 AI 代理架构至关重要。
• 您将了解什么是 AI 代理以及它们与生成式 AI 和代理式 AI 有何不同。
• 您将学习构成 AI 代理的基本组件，例如个性、记忆、工具、推理和规划。
• 您将发现强大的代理模式，例如 ReAct、CoT、ReWOO、ToT 和反射，并使用它们来设计和构建 AI 代理。
• 您将研究多代理架构，分析 Supervisor 和 Swarm 等示例，并使用这些模式构建您自己的多代理系统。
• 您将了解如何将人类带入 AI 代理循环，并通过真实的代码示例巩固您的学习成果。
• 您将探索 Agentic RAG，并通过实际代码示例了解如何在您自己的 AI 代理中使用它。
• 您将了解 AI 代理如何通过 MCP、A2A 和 ACP 等协议进行通信。
• 您将探索广泛使用的 AI Agent 框架，例如 LangGraph 及其核心基础 LangChain。
• 通过学习 LangGraph 中的状态、节点和边等概念，您将能够构建自己的工作流程。
• 您将通过实际代码示例了解在 LangGraph 中使用内存的不同方法。
• 您将学习如何在 LangGraph 框架内使用内置工具和自定义工具。
• 您将探索使用 LangGraph 进行代理协作的示例，并学习自己构建类似的系统。
• 您将发现 CrewAI，这是一个用于开发 AI 代理的强大框架。
• 您将探索 CrewAI 的关键构建模块（团队、任务和代理），并了解如何在自己的项目中使用它们。
• 您将学习用于在 CrewAI 中定义任务和代理的基于 YAML 的配置，并学习创建自己的 YAML 文件。
• 您将了解如何在与团队合作的同时在 CrewAI 中设计和运行流程。
• 您将能够在 CrewAI 中开发可以编写和执行代码的 AI 代理。
• 您将了解如何使用 CrewAI 的测试和训练功能来提高 AI 代理的性能。

要求

• 具备基本的编程和算法开发或理解能力
• 虽然不需要 Python 知识，但它可能有助于理解提供的代码示例

描述

本课程包含人工智能的使用。 （由于这门课程可能会被来自世界各地的人学习，我考虑到我的口音可能不太容易让每个人都听懂。因此，为了保证清晰度和易懂性，我选择使用文本转语音的 AI 工具来进行课程讲解。）
随着大语言模型的快速发展，人工智能已经进入了一个新时代，生成式 AI 已经成为日常生活的一部分。这一演变的下一步是人工智能代理——代表用户与环境交互、做出决策和执行任务的自治系统。在很多方面，这些代理可以扮演与组织内人类员工类似的角色。
那么，我们可以构建自己的人工智能代理来满足特定需求吗？我们能为希望利用这项技术的公司创建解决方案吗？本课程旨在帮助您做到这一点，为您提供开发人工智能代理所需的理论知识和实践技能。
本课程分为两个主要部分。在第一部分中，我们将构建理解人工智能代理所需的基础知识。我们将从大型语言模型开始——这些系统背后的核心“大脑”。
从那里，我们将探索人工智能代理是什么，阐明它们与生成式人工智能和代理式人工智能有何不同。然后，我们将仔细研究它们的内部结构以及定义它们的关键组件。
您还将了解用于开发人工智能代理的广泛使用的设计模式。此外，我们还将介绍检索增强生成（RAG）及其向 Agentic RAG 的演进。为了完成本节，我们将研究代理通信协议，重点关注代理如何彼此交互以及与外部工具交互。
课程的第二部分完全是实践和面向实践的。您将把第一部分中学到的 AI 代理设计模式应用到现实场景中。
我们首先介绍两个最流行的用于构建 AI 代理的框架：LangGraph 和 CrewAI。然后，您将使用这些框架开发 24 个不同的 AI 代理应用程序。在此过程中，您将探索工具集成、内存、Agentic RAG 和多代理系统等关键功能。
这些应用程序将展示 AI 代理如何通过处理内容创建和验证、在线研究、代理协作、文件处理、代码生成和执行、知识检索、对话界面和问题管理等任务来重塑我们的工作方式。
在课程结束时，您不仅会从概念上了解 AI 代理，而且还将拥有根据不同的现实需求构建它们的实践专业知识。

本课程适合谁

• 对于那些希望通过学习 AI Agent 概念在自己的领域做出贡献的人来说，本课程将是一个鼓舞人心的资源。
• 致力于设计和构建自己的 AI 代理的程序员。
• 不同角色的专业人士致力于通过 AI 代理开发新项目、产品或商机。