第1章　认识AI Agent　1
1.1　人工智能技术　1
1.1.1　什么是人工智能　2
1.1.2　人工智能发展简史　2
1.2　人工智能技术理论　3
1.2.1　什么是深度学习　3
1.2.2　卷积神经网络　3
1.2.3　自然语言处理　4
1.2.4　通用人工智能　4
1.2.5　大模型　5
1.2.6　多模态大模型　5
1.2.7　生成式人工智能　5
1.3　大模型技术的应用层次　6
1.3.1　大模型的基础应用　6
1.3.2　大模型与外部数据进行交互　7
1.3.3　大模型增量优化——大模型微调　7
1.4　AI Agent介绍　8
1.4.1　AI Agent简介　8
1.4.2　AI Agent的特征　9
1.4.3　AI Agent与Agentic AI　9
1.4.4　智能体的原理　9
1.4.5　智能体的功能与组成　10
1.4.6　智能体工作流概念　11
1.4.7　智能体与大模型　11
1.5　AI Agent在不同领域的应用　11
1.5.1　专业分析领域　12
1.5.2　角色扮演领域　12
1.5.3　知识问答领域　12
1.5.4　自媒体运营领域　12
1.5.5　效率办公领域　13
1.6　AI Agent对个人和企业的价值　13
1.6.1　AI Agent改变个人生活方式　13
1.6.2　AI Agent改变企业工作流程　14
1.7　AI Agent与大模型　15
1.7.1　主流AI技术与AI Agent的关系　15
1.7.2　ChatGPT大模型介绍　16
1.7.3　千问大模型介绍　17
1.7.4　DeepSeek大模型介绍　17
1.7.5　AI Agent出现后的大模型应用　19
1.8　AI Agent技术未来的发展　20
1.8.1　多智能体协作　20
1.8.2　多模态智能体　20
1.9　本章小结　21
1.10　课后练习　21
第2章　AI Agent核心技术　22
2.1　AI Agent开发知识储备　23
2.1.1　Python与人工智能　　23
2.1.2　CUDA技术与AIGC　23
2.1.3　机器学习框架　24
2.1.4　基于大模型的智能体　25
2.2　AI Agent的组成　25
2.2.1　大模型　26
2.2.2　工具调用　26
2.2.3　规划　26
2.2.4　记忆　26
2.3　常见AI Agent开发框架与平台　26
2.3.1　目前主流的开源AI Agent开发框架　27
2.3.2　BabyAGI　28
2.3.3　CrewAI　28
2.3.4　AutoGen　29
2.3.5　CAMEL　29
2.3.6　LlamaIndex　30
2.3.7　LangChain　31
2.3.8　LangGraph　31
2.3.9　MetaGPT　33
2.3.10　n8n　33
2.3.11　Dify　34
2.3.12　Coze　34
2.3.13　Manus　35
2.4　AI Agent开发流程　35
2.4.1　需求分析　35
2.4.2　大模型选型　36
2.4.3　提示词设计与优化　37
2.4.4　开发框架选择　37
2.4.5　发布方式选择　37
2.5　AI Agent前置环境　38
2.5.1　Python基础开发环境　38
2.5.2　CUDA环境　39
2.5.3　Anaconda环境　39
2.5.4　PyTorch环境　40
2.5.5　VS Code与Jupyter Notebook的使用　41
2.6　【实战案例】搭建PyTorch深度学习开发环境　42
2.7　本章小结　43
2.8　课后练习　44
第3章　大模型技术基础与提示词工程　45
3.1　大模型介绍　45
3.2　大模型技术基础　48
3.3 大模型的应用　49
3.3.1　大模型的应用场景　49
3.3.2　大模型的里程碑——GPT　50
3.3.3　大模型的核心应用产品——ChatGPT　50
3.3.4　国产大模型　51
3.4　大模型开发技术　51
3.4.1　大模型微调　51
3.4.2　LoRA　52
3.4.3　RAG　52
3.5　Transformer　53
3.5.1　Transformer架构　53
3.5.2　编码器-解码器结构　54
3.5.3　位置编码　55
3.5.4　嵌入　55
3.5.5　自注意力机制与多头注意力机制　55
3.6　Stable Diffusion　57
3.6.1　生成对抗网络　57
3.6.2　CLIP　58
3.6.3　Stable Diffusion的原理与构成　58
3.6.4　变分自编码器　59
3.6.5　AI绘画的原理　60
3.7　提示词工程　61
3.7.1　提示词工程的定义　62
3.7.2　任务分解的提示词链设计　62
3.7.3　思维链和思维树　63
3.7.4　常见的提示词框架　64
3.7.5　设计清晰、准确的提示词　65
3.8　【实战案例】提示词工程写作案例　71
3.9　本章小结　76
3.10　课后练习　76
第4章　AI Agent开发技术架构与环境搭建　77
4.1　AI Agent的组成与核心技能　78
4.1.1　AI Agent的组成　78
4.1.2　AI Agent的长短期记忆能力　78
4.1.3　AI Agent的规划和决策能力　79
4.2　Function Calling　79
4.3　ReAct架构　80
4.3.1　ReAct概述　80
4.3.2　Plan-and-Execute　81
4.4　模型上下文协议　82
4.5　多智能体通信的A2A协议　83
4.6　智能体与用户交互的AG-UI协议　84
4.7　使用Python实现ReAct的程序设计思想　84
4.7.1　用Python的函数来模拟ReAct的智能体思想　84
4.7.2　函数设计基本思想　85
4.8　在AI Agent开发中部署大模型　86
4.8.1　Ollama　86
4.8.2　Chatbox　88
4.8.3　Cherry Studio　89
4.8.4　ChatGPT Playground　90
4.9　通过代码访问大模型　91
4.9.1　访问权限和API密钥　91
4.9.2　通过OpenAI接口访问大模型　91
4.9.3　使用Chat Completions进行对话与参数配置　92
4.10　【实战案例】使用Ollama搭建本地大模型　92
4.11　【实战案例】使用Ollama和Python与本地大模型对话　96
4.12　【实战案例】使用Python与千问大模型对话　98
4.13　本章小结　99
4.14　课后练习　100
第5章　基于LangChain的AI Agent开发　101
5.1　LangChain及其应用场景　102
5.1.1　LangChain概述　102
5.1.2　LangChain的应用场景　102
5.2　LangChain的七大模块　103
5.2.1　模型I/O　103
5.2.2　提示词　103
5.2.3　检索　104
5.2.4　Agent　104
5.2.5　链　104
5.2.6　记忆　104
5.2.7　回调　105
5.2.8　最简单的LangChain基础程序　105
5.3　LangChain的提示词模板　105
5.3.1　PromptTemplate　106
5.3.2　ChatPromptTemplate　106
5.3.3　OutputParser　106
5.4　搭建LangChain开发环境　107
5.4.1　LangChain中的ReAct架构　108
5.4.2　LangChain的安装　108
5.4.3　LangChain的依赖包　109
5.4.4　初始化模型　109
5.4.5　创建提示词模板　109
5.4.6　LangChain调用大模型实例　110
5.5　LangChain表达式语言　110
5.5.1　LCEL的核心组成　111
5.5.2　LCEL的执行与流式传输　111
5.5.3　LangChain中的ReAct应用　112
5.5.4　LangChain中的工具调用　113
5.5.5　LangChain中的AgentExecutor　113
5.6　【实战案例】基于LangChain的LCEL实践　115
5.7　【实战案例】使用LangChain的多链组合案例　117
5.8　本章小结　118
5.9　课后练习　119
第6章　基于LlamaIndex的AI Agent开发　120
6.1　LlamaIndex开发理论基础　120
6.1.1　什么是LlamaIndex　121
6.1.2　RAG技术　121
6.1.3　RAG的基本流程　121
6.2　LlamaIndex的组成　122
6.2.1　数据连接器　122
6.2.2　数据索引　122
6.2.3　查询引擎　123
6.3　RAG流程及RAG应用场景　123
6.3.1　从技术角度看RAG流程　123
6.3.2　从用户角度看RAG流程　125
6.3.3　RAG的应用场景　126
6.4　LlamaIndex RAG的实现与相关概念　126
6.4.1　LlamaIndex的依赖包　126
6.4.2　读取文件　127
6.4.3　配置嵌入模型　127
6.4.4　索引　128
6.4.5　查询　128
6.5　在LlamaIndex中实现RAG代码　129
6.6　【实战案例】基于LlamaIndex的知识库RAG查询　130
6.7　【实战案例】基于LlamaIndex和RAG的增强查询智能体　133
6.8　本章小结　136
6.9　课后练习　136
第7章　基于LangGraph的AI Agent开发　137
7.1　LangGraph理论基础　137
7.1.1　LangChain和LangGraph　138
7.1.2　LangGraph介绍　138
7.1.3　LangGraph应用领域　139
7.1.4　LangGraph的组件　139
7.2　LangGraph 的组成 　140
7.2.1　LangGraph 的依赖包　140
7.2.2　LangGraph 中的元素　141
7.2.3　状态　141
7.2.4　节点　141
7.2.5　边　142
7.2.6　状态图与工作流 142
7.3 【实战案例】LangGraph程序设计实践　143
7.4 【实战案例】使用LangGraph实现学习内容分析　148
7.5　本章小结　153
7.6　课后练习　153
第8章基于Dify的AI Agent开发　154
8.1　了解Dify开发平台　154
8.1.1　Dify的本地部署　155
8.1.2　Dify开发平台介绍　155
8.2　Dify　的部署　156
8.2.1　下载Docker　156
8.2.2　配置Windows虚拟机平台功能 156
8.2.3　启动Docker桌面版　157
8.2.4　安装WSL协议　157
8.2.5　部署Ollama　158
8.3　配置Dify开发环境　158
8.3.1 下载Dify源代码文件　158
8.3.2　部署Docker容器　159
8.3.3　访问本地部署好的Dify　160
8.4　Dify工作流与常用节点　160
8.4.1　Dify支持的应用类型　160
8.4.2　Dify常用节点　163
8.4.3　模型配置　168
8.4.4　给智能体配置工具　169
8.4.5　工作流搭建　171
8.5　Dify 知识库　172
8.5.1　创建Dify 知识库　172
8.5.2　设置Dify 知识库　174
8.6　【实战案例】使用Dify开发知识库检索智能体　176
8.6.1　需求分析与业务流程　177
8.6.2　构建知识库　178
8.6.3　Chatflow 搭建　180
8.6.4　测试与运行Chatflow　182
8.7　本章小结　183
8.8　课后练习　183
第9章　基于Coze的AI Agent开发　185
9.1　Coze平台介绍　185
9.1.1　Coze界面　186
9.1.2　Coze 的优势与特点　187
9.1.3　Coze AI Agent 开发流程　188
9.1.4　策划智能体　188
9.1.5　设计智能体　189
9.1.6　开发智能体　189
9.1.7　发布智能体　190
9.2　Coze工作流　190
9.2.1　插件节点　190
9.2.2　大模型节点　192
9.2.3　图像生成节点 193
9.2.4　数据库节点　194
9.2.5　画板节点　194
9.2.6　选择器节点　195
9.2.7　代码节点　196
9.2.8　循环节点　196
9.2.9　文本处理节点　196
9.3　【实战案例】Coze工作流搭建　197
9.3.1　需求分析与流程设计　197
9.3.2　工作流搭建　198
9.3.3　发布工作流　202
9.4　【实战案例】Coze完整智能体开发　203
9.4.1　需求分析——策划智能体阶段　204
9.4.2　流程设计——设计智能体阶段　204
9.4.3　智能体创建——开发智能体阶段　205
9.4.4　工作流搭建——开发智能体阶段　206
9.4.5　智能体测试与发布——发布智能体阶段　211
9.5　本章小结　213
9.6　课后练习　214