Agentic AI 智能体开发实战

企业级AI智能体实战课程 · 6个完整项目 · 从底层原理到生产部署

📚 课程定位

🎯 课程目标

面向大模型智能体中高级学习者的系统化实战课程，通过6个完整的企业级项目，掌握从底层原理到生产部署的全链路技能。本课程不是入门教程，而是帮助你构建可落地、可扩展、可维护的智能体系统。

👥 适合人群

学习者类型	技术背景	学习目标	预期收获
AI工程师	有Python基础，了解大模型API调用	掌握智能体系统架构设计与实现	独立构建企业级智能体应用
后端开发者	熟悉FastAPI/Django等Web框架	转型AI应用开发	掌握AI工具链集成与部署
算法工程师	有深度学习基础，想做应用落地	学习模型微调与推理优化	将研究成果工程化落地
技术Leader	负责AI项目架构设计	了解完整技术栈和优秀做法	制定团队技术路线和规范

💡 课程特色

🔬 深度实战：6个完整项目，涵盖从原理到部署的全流程
🏗️ 底层理解：不只用框架，更要理解Agent底层工作原理（GAME框架）
📊 企业级：包含监控、评估、优化、部署等生产环境必备能力
🎯 垂直场景：医疗、旅游等真实行业应用案例
⚡ 性能优化：涵盖模型微调、推理加速、成本优化等高级主题

🎯 六大实战项目

项目概览

每个项目都是完整可运行的企业级应用，包含从需求分析到生产部署的全流程。

#	项目名称	技术栈	难度
1️⃣	MCP工具集成	MCP + DeepSeek + FastMCP	⭐⭐⭐
2️⃣	从零构建智能体框架	OpenAI API + GAME架构	⭐⭐⭐⭐
3️⃣	深度研究助手	LangGraph + Tavily Search	⭐⭐⭐⭐
4️⃣	多角色旅行规划系统	LangGraph + Docker + Streamlit	⭐⭐⭐⭐⭐
5️⃣	智能体监控评估	Langfuse + LangSmith	⭐⭐⭐⭐
6️⃣	医疗领域模型微调	LlamaFactory + vLLM + LoRA	⭐⭐⭐⭐⭐

项目1：MCP工具集成 · 和风天气

🎯 项目目标：基于Model Context Protocol实现智能体与外部工具的标准化集成。

📂 代码位置：01-agent-tool-mcp/mcp-demo/

🔑 核心知识点：

MCP协议原理与规范（Resources/Tools/Prompts）
客户端-服务器架构设计
异步工具调用与并发处理
工具Schema定义与验证
多轮对话与工具链路管理

💡 实战产出：

# 完整的MCP天气服务
weather_server.py       # MCP服务端（FastMCP）
mcp_client_deepseek.py  # 集成DeepSeek的客户端
- get_weather_warning   # 获取天气预警
- get_daily_forecast    # 获取天气预报

🎓 学习价值：

✅ 掌握MCP协议，接入任意第三方工具
✅ 学习异步编程与错误重试机制
✅ 理解工具调用的完整生命周期

项目2：从零构建智能体框架

🎯 项目目标：不使用任何框架，从零实现一个完整的智能体系统，深入理解Agent工作原理。

📂 代码位置：01-agent-tool-mcp/ASimpleAgentFramework.ipynb

🔑 核心知识点：

GAME架构设计（Goals/Actions/Memory/Environment）
OpenAI Function Calling原理与实现
Agent主循环（Prompt构造 → LLM决策 → 工具执行 → 记忆更新）
工具注册与动态调用机制
错误处理与异常捕获

💡 实战产出：

# 你将实现的核心组件
- Goal: 目标定义系统
- Action: 工具注册与执行
- Memory: 对话历史管理
- Environment: 工具执行环境
- AgentLanguage: Prompt格式化与解析
- Agent: 主循环协调器

🎓 学习价值：

✅ 理解智能体的本质：LLM + 工具调用 + 记忆系统
✅ 掌握如何设计可扩展的Agent架构
✅ 为学习LangChain/LangGraph等框架打下基础

项目3：深度研究助手

🎯 项目目标：构建一个能够自主进行深度研究的智能体，集成搜索引擎并生成结构化报告。

📂 代码位置：02-agent-multi-role/deepresearch/

🔑 核心知识点：

LangGraph图状态机设计
多步骤工作流编排
搜索引擎集成（Tavily API）
信息提取与结构化
LangGraph Studio可视化调试

💡 实战产出：

# 研究助手工作流
用户查询 → 分析意图 → 搜索信息 → 深度分析 → 生成报告
- 自动拆解复杂问题
- 多轮搜索与信息整合
- Markdown格式报告生成

🎓 学习价值：

✅ 掌握LangGraph状态机编排
✅ 学习如何设计复杂工作流
✅ 理解ReAct模式在研究场景的应用

项目4：多角色旅行规划智能体

🎯 项目目标：构建企业级的多智能体协作系统，包含完整的前后端和容器化部署。

📂 代码位置：03-agent-build-docker-deploy/

🔑 核心知识点：

多智能体协作架构（需求分析/行程规划/预算管理/偏好学习/协调调度）
LangGraph多角色State管理
FastAPI后端服务开发
Streamlit前端界面构建
Docker多容器编排
生产环境配置管理

💡 实战产出：

前端：Streamlit Web界面
后端：FastAPI服务 + LangGraph智能体
部署：Docker Compose一键启动
功能：
  - 自然语言旅行规划
  - 多智能体协作决策
  - 实时天气查询
  - 个性化推荐
  - 预算优化

🎓 学习价值：

✅ 掌握企业级智能体系统架构
✅ 学习前后端分离与API设计
✅ 理解多智能体协作模式
✅ 掌握Docker容器化部署

项目5：智能体监控与评估

🎯 项目目标：建立完整的智能体质量评估和性能监控体系。

📂 代码位置：04-agent-evaluation/langfuse/03_example_langgraph_agents.ipynb

🔑 核心知识点：

Langfuse追踪与监控集成
调试工具使用
智能体评估指标设计（准确性/完整性/安全性）
自动化评估流程
成本分析与优化

💡 实战产出：

# 评估体系
- 实时追踪：每次调用的完整链路
- 性能监控：延迟、Token消耗、成本
- 质量评估：自动化测试用例
- 安全检测：敏感信息过滤、越狱检测
- 可视化：Dashboard展示

🎓 学习价值：

✅ 掌握生产环境监控优秀做法
✅ 学习如何评估智能体质量
✅ 理解成本优化策略

项目6：医疗领域模型微调

🎯 项目目标：针对医疗垂直领域进行模型微调，包含数据集构建、LoRA微调、推理部署全流程。

📂 代码位置：05-agent-model-finetuning/llamafactory/

🔑 核心知识点：

领域数据集构建（Alpaca/ShareGPT格式）
LlamaFactory微调框架使用
LoRA/QLoRA参数高效微调
vLLM推理部署
模型评估与对比
显存优化技巧

💡 实战产出：

# 完整微调流程
dataset/              # 医疗领域数据集
  - MedicalData-2025/
  - alpaca.json       # 微调数据
  - dataset_info.json # 数据集配置

configs/              # 微调配置
  - llamafactory-*.yaml    # LlamaFactory配置

lora/                 # LoRA适配器
  - 微调后的模型权重

inference/            # 推理服务
  - vLLM部署脚本

🎓 学习价值：

✅ 掌握领域模型微调完整流程
✅ 学习数据工程与质量控制
✅ 理解LoRA原理与参数选择
✅ 掌握推理服务部署与优化

🏆 学习收获

维度	具体能力
🧠 架构能力	从零设计智能体系统架构，理解GAME/ReAct等核心范式
🔧 工程能力	掌握MCP协议、Docker部署、前后端集成等工程技能
📊 优化能力	监控评估、成本优化、推理加速、模型微调
🎯 落地能力	6个完整项目经验，可直接应用于实际业务
💼 求职优势	企业级项目经验，覆盖智能体开发全栈技能

📖 课程大纲

模块一：智能体基础与工具集成

🎯 学习目标：理解智能体底层原理，掌握工具集成方法

课程	内容	代码位置
智能体的工具调用	工具链路、并发调用、错误处理	`01-agent-tool-mcp/tool-use/`
MCP协议集成	MCP服务端/客户端开发 + 和风天气案例	`01-agent-tool-mcp/mcp-demo/`
从零构建智能体	GAME架构 + OpenAI Function Calling	`01-agent-tool-mcp/ASimpleAgentFramework.ipynb`

模块二：多角色智能体系统

🎯 学习目标：掌握LangGraph框架，构建复杂工作流

课程	内容	代码位置
LangGraph基础	状态机、路由、记忆管理	`02-agent-multi-role/langgraph/1-Base/`
LangGraph进阶	断点调试、时光旅行、子图编排	`02-agent-multi-role/langgraph/2-Advance/`
深度研究助手	完整项目：搜索集成 + 报告生成	`02-agent-multi-role/deepresearch/`

模块三：企业级系统搭建与部署

🎯 学习目标：构建生产级智能体应用

课程	内容	代码位置
多角色协作	旅行规划智能体（5个专业角色）	`03-agent-build-docker-deploy/backend/agents/`
前后端开发	FastAPI + Streamlit	`03-agent-build-docker-deploy/`
容器化部署	Docker Compose一键部署	`03-agent-build-docker-deploy/docker-compose.yml`

模块四：监控、评估与优化

🎯 学习目标：建立质量保障体系

课程	内容	代码位置
Langfuse集成	追踪、监控、成本分析	`04-agent-evaluation/langfuse/01_*.ipynb`
自动化评估	LLM评估、安全检测	`04-agent-evaluation/langfuse/02_*.ipynb`
完整案例	旅行智能体评估体系	`04-agent-evaluation/langfuse/03_*.ipynb`

模块五：模型微调与推理优化

🎯 学习目标：掌握垂直领域模型定制

课程	内容	代码位置
数据集构建	医疗领域数据工程	`05-agent-model-finetuning/llamafactory/01-llm-fine-tuning/dataset/`
LoRA微调	LlamaFactory微调实战	`05-agent-model-finetuning/llamafactory/01-llm-fine-tuning/`
推理部署	vLLM高性能推理	`05-agent-model-finetuning/llamafactory/02-llm-inference/`

🛠️ 技术栈

📋 版本信息参考:

🚀 版本快速参考 - 核心版本一览表和快速安装命令

📖 完整版本依赖清单 - 所有组件的详细版本信息、说明和安装指南

🏗️ 系统架构图

graph TB
    A[用户界面层] --> B[智能体协调层]
    B --> C[LangGraph多角色系统]
    B --> D[MCP工具集成层]
    
    C --> E[旅行规划智能体]
    C --> F[预算管理智能体]
    C --> G[行程优化智能体]
    
    D --> H[天气查询工具]
    D --> I[地图导航工具]
    D --> J[酒店预订工具]
    
    E --> K[大模型推理层]
    F --> K
    G --> K
    
    K --> L[vLLM推理引擎]
    L --> M[DeepSeek-R1模型]
    L --> N[微调适配器]
    
    O[工作流自动化] --> P[LangGraph平台]
    P --> Q[数据处理节点]
    P --> R[AI服务节点]
    
    S[评估监控] --> T[Langfuse平台]
    T --> U[性能监控]
    T --> V[质量评估]
    
    W[压测框架] --> X[vLLM基准测试]
    X --> Y[性能指标收集]
    X --> Z[可视化报告]

🔧 核心技术组件

技术领域	核心技术	版本	应用场景
🧠 大语言模型	OpenAI/DeepSeek/Anthropic	GPT-4/DeepSeek-R1/Claude	核心推理引擎
🐍 Python环境	Python	3.10.18	开发运行环境
🐍 包管理器	Conda/Miniconda	24.4.0	Python环境管理
🔗 LangChain生态	langchain	1.1.3 / 0.3.27	大语言模型应用框架
🔗 LangChain核心	langchain-core	1.1.3 / 0.3.75	LangChain基础抽象层
🔗 LangChain社区	langchain-community	0.4.1 / 0.3.27	第三方集成工具集
🔗 LangChain OpenAI	langchain-openai	1.1.1 / 0.3.31	OpenAI接口适配器
🔄 LangGraph	langgraph	1.0.4 / 0.6.7	多智能体工作流编排
🔄 LangGraph预构建	langgraph-prebuilt	1.0.5	预构建智能体组件
🔄 LangGraph检查点	langgraph-checkpoint-sqlite	3.0.1	SQLite状态持久化
🔄 LangGraph CLI	langgraph-cli	0.4.9	命令行工具集
🔄 LangGraph SDK	langgraph-sdk	0.2.15	SDK开发工具包
🌐 MCP协议	mcp	1.17.0	模型上下文工具集成
🌐 MCP适配器	langchain-mcp-adapters	0.1.11	LangChain MCP集成
📡 OpenAI SDK	openai	1.107.0	OpenAI官方SDK
🤖 Transformers	transformers	4.45.0	HuggingFace模型库
🚀 Web框架	fastapi	0.116.1	高性能API服务
🚀 Web服务器	uvicorn	0.35.0	异步ASGI服务器
📊 数据处理	pandas	2.2.2	数据分析处理
📊 数值计算	numpy	1.25.0	科学计算库
✅ 数据验证	pydantic	2.11.9	数据模型验证
🌐 HTTP客户端	httpx	0.28.1	异步HTTP请求
🌐 HTTP库	requests	2.32.5	同步HTTP请求
🔍 网页解析	beautifulsoup4	4.14.3	HTML/XML解析
🔍 网络搜索	duckduckgo-search	8.1.1	隐私搜索引擎
🔍 AI搜索	tavily-python	0.7.14	AI驱动的实时搜索
📚 知识库	wikipedia	1.4.0	Wikipedia数据访问
📦 环境管理	python-dotenv	1.1.1	环境变量管理
🧪 测试框架	pytest	8.4.1	单元测试工具
📊 监控平台	Langfuse	3.3.0	性能监控与评估
🎯 数据集工具	Easy Dataset	1.6.1	数据集处理工具
🎯 微调框架	LLaMA Factory	v0.9.3	模型个性化微调
⚡ 推理引擎	vLLM	0.8.5	高性能模型推理
🐳 容器化	Docker	28.4.0	容器化部署
🐳 容器编排	Docker Compose	v2.39.4	多容器管理

🚀 快速开始

⚡ 5分钟快速体验

🌤️ 体验项目1：MCP工具集成

# 1. 进入MCP演示目录
cd 01-agent-tool-mcp/mcp-demo

# 2. 安装依赖
pip install -r requirements.txt

# 3. 配置环境变量
cp env.example .env
# 编辑.env文件，填入API密钥

# 4. 启动MCP服务器（新终端）
python server/weather_server.py

# 5. 运行客户端
python client/mcp_client_deepseek.py

🎉 预期效果：

请输入你的问题: 北京今天天气怎么样？
助手: 今天北京天气晴朗，最低10°C，最高25°C...

🎯 体验项目2：从零构建智能体

# 1. 打开Jupyter Notebook
jupyter notebook 01-agent-tool-mcp/ASimpleAgentFramework.ipynb

# 2. 配置OpenAI API密钥（在notebook中）
OPENAI_API_KEY=sk-your-openai-api-key
OPENAI_BASE_URL=https://api.openai.com/v1

# 3. 运行所有单元格
# 观察GAME框架如何工作：Goals → Actions → Memory → Environment

🎉 预期效果：智能体会自动列出项目文件、读取内容并生成README

🔍 体验项目3：深度研究助手

# 1. 进入LangGraph目录
cd 02-agent-multi-role/deepresearch

# 2. 启动LangGraph Studio
langgraph dev

# 3. 在浏览器打开
# https://smith.langchain.com/studio

# 4. 可视化调试智能体工作流

🎉 预期效果：看到智能体的完整思考过程和工具调用链路

🏨 体验项目4：旅行规划系统

# 1. 进入部署目录
cd 03-agent-build-docker-deploy

# 2. 配置环境
cp backend/env.example backend/.env
# 编辑.env文件

# 3. 一键启动（Docker方式）
docker-compose up -d

# 4. 访问Web界面
# http://localhost:8501

🎉 预期效果：完整的多角色智能体协作系统，生成旅行规划报告

📚 学习路径建议

学习阶段	推荐顺序	学习重点	时间投入
🟢 入门阶段	项目1 → 项目2	理解Agent原理、掌握工具集成	1-2周
🟡 进阶阶段	项目3 → 项目4	LangGraph框架、多角色协作	2-3周
🔴 高级阶段	项目5 → 项目6	监控评估、模型微调	2-3周

🎯 学习目标检查清单

✅ 基础能力（完成项目1-2）

理解智能体的GAME架构
掌握OpenAI Function Calling
熟悉MCP协议和工具集成
能够处理异步调用和错误重试

✅ 进阶能力（完成项目3-4）

掌握LangGraph状态机设计
实现多智能体协作系统
能够开发前后端分离应用
掌握Docker容器化部署

✅ 高级能力（完成项目5-6）

建立完整的监控评估体系
掌握模型微调与优化
理解推理服务部署
具备成本优化能力

📁 项目结构

Agent_In_Action/
├── 01-agent-tool-mcp/                      # 【项目1-2】智能体基础与MCP集成
│   ├── ASimpleAgentFramework.ipynb        # 从零构建智能体（GAME框架）
│   ├── mcp-demo/                          # MCP工具集成 - 和风天气
│   │   ├── server/weather_server.py       # MCP服务端
│   │   └── client/mcp_client_deepseek.py  # MCP客户端
│   └── tool-use/                          # 工具调用进阶示例
│
├── 02-agent-multi-role/                   # 【项目3】多角色智能体
│   ├── deepresearch/                      # 深度研究助手（完整项目）
│   │   ├── deployment/                    # 部署配置
│   │   └── *.ipynb                        # 实战案例
│   └── langgraph/                         # LangGraph学习路径
│       ├── 1-Base/                        # 基础：状态机、路由、记忆
│       └── 2-Advance/                     # 进阶：断点、时光旅行、子图
│
├── 03-agent-build-docker-deploy/         # 【项目4】旅行规划系统
│   ├── backend/                           # FastAPI后端
│   │   ├── agents/                        # 多角色智能体实现
│   │   ├── tools/                         # 工具集成（天气、搜索等）
│   │   └── api_server.py                  # API服务
│   ├── frontend/                          # Streamlit前端
│   │   └── streamlit_app.py
│   ├── docker-compose.yml                 # 一键部署配置
│   └── docs/                              # 架构文档与教程
│
├── 04-agent-evaluation/                   # 【项目5】监控与评估
│   └── langfuse/                          # Langfuse完整教程
│       ├── 01_*_integration_*.ipynb       # SDK集成（OpenAI/LangChain/LangGraph）
│       ├── 02_evaluation_*.ipynb          # 自动化评估
│       ├── 03_example_*.ipynb             # 完整项目案例
│       └── 04_example_*.ipynb             # 安全监控案例
│
├── 05-agent-model-finetuning/            # 【项目6】医疗模型微调
│   └── llamafactory/                      # LlamaFactory完整流程
│       ├── 00-docs/                       # 技术文档
│       ├── 01-llm-fine-tuning/            # 微调实战
│       │   ├── dataset/                   # 医疗数据集
│       │   ├── configs/                   # 微调配置
│       │   └── lora/                      # LoRA适配器
│       └── 02-llm-inference/              # vLLM推理部署
│
└── README.md                              # 本文档

💡 学习建议：

🟢 新手：按项目1→2→3顺序学习
🟡 进阶：重点学习项目3→4→5
🔴 高级：深入研究项目5→6

🛠️ 环境搭建

📖 完整环境搭建指南：AI Agent 101 环境搭建完整指南

🎯 两种方式快速开始

方式一：使用预配置虚拟机（⚡最快，推荐新手）

直接导入已配置好所有环境的虚拟机镜像（OVF 格式），开箱即用！

# 1. 下载虚拟机镜像
链接: https://pan.baidu.com/s/1sAtxJABh2fM_c8_D9mIdow 
提取码: 1234

# 2. 导入到 VMware 或 VirtualBox
# 3. 启动即可使用（用户名: root, 密码: fly123）

方式二：手动安装（推荐进阶用户）

按照完整指南从零开始搭建环境

💻 系统要求

基础配置（项目1-5）

组件	推荐配置
操作系统	Ubuntu 22.04 LTS
Python	3.10.x
CPU	4C
内存	8 GB+
存储	100 GB+
GPU	非必需（API调用）

高级配置（项目6：模型微调）

组件	要求	说明
GPU	NVIDIA GPU	支持CUDA 12.8+
显存	80GB+	LoRA微调最低要求
内存	32GB+	推荐配置

☁️ 云端环境

Google Colab：免费GPU，适合项目1-5

🚀 快速安装

快速开始

在Ubuntu 22.04系统上安装和配置Conda环境：

1. 准备工作

# 更新系统包
sudo apt update && sudo apt upgrade -y

# 安装必要的系统依赖
sudo apt install -y wget curl git build-essential

2. 安装Miniconda (如果未安装)

# 下载Miniconda安装包
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 安装Miniconda
bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3

# 初始化conda
$HOME/miniconda3/bin/conda init bash

# 重新加载shell配置
source ~/.bashrc

# 验证conda安装
conda --version

3. 创建conda环境

# 1. 创建conda环境
conda create -n agent101 python=3.10.18 -y

# 2. 激活环境
conda activate agent101

4. 按项目安装（推荐）

# 1. 克隆项目
git clone https://github.com/FlyAIBox/Agent_In_Action.git
cd Agent_In_Action


# 2. 根据你要学习的项目安装依赖

# 项目1-2：智能体基础与MCP
cd 01-agent-tool-mcp/mcp-demo
pip install -r requirements.txt

# 项目3：深度研究助手
cd ../../02-agent-multi-role/deepresearch/deployment
pip install -r requirements.txt

# 项目4：旅行规划系统
cd ../../../03-agent-build-docker-deploy
pip install -r backend/requirements.txt
pip install -r frontend/requirements.txt

# 项目5：评估监控
pip install langfuse langchain langgraph

# 项目6：模型微调
cd ../05-agent-model-finetuning/llamafactory
pip install -r requirements.txt

🔐 环境变量配置

🔑 按项目配置API密钥

项目1-2：智能体基础与MCP

# 01-agent-tool-mcp/mcp-demo/.env
OPENAI_API_KEY=sk-xxx              # 项目1需要
OPENAI_BASE_URL=https://api.openai.com/v1

DEEPSEEK_API_KEY=sk-xxx            # 项目2需要
QWEATHER_API_KEY=xxx               # 项目2需要（和风天气）

项目3-4：多角色智能体与旅行系统

# 03-agent-build-docker-deploy/backend/.env
OPENAI_API_KEY=sk-xxx
TAVILY_API_KEY=tvly-xxx            # 搜索功能
QWEATHER_API_KEY=xxx               # 天气查询

项目5：监控评估

# Langfuse配置（在notebook中）
LANGFUSE_PUBLIC_KEY=pk-xxx
LANGFUSE_SECRET_KEY=sk-xxx
LANGFUSE_HOST=https://cloud.langfuse.com

# LangSmith配置（可选）
LANGSMITH_API_KEY=xxx
LANGSMITH_TRACING_V2=true

项目6：模型微调

# 无需API密钥，使用本地模型
# 需要下载开源模型（如Qwen、LLaMA等）

📝 API密钥获取指南

API服务	获取地址	用途	费用
OpenAI	platform.openai.com	基础模型调用	按量付费
DeepSeek	platform.deepseek.com	中文优化模型	价格实惠
和风天气	dev.qweather.com	天气查询	免费额度
Tavily	tavily.com	网络搜索	免费额度
Langfuse	cloud.langfuse.com	监控评估	免费版可用

📄 许可证

本项目采用 MIT License 开源协议。

📋 使用权限

✅ 个人学习和研究使用
✅ 企业内部使用和二次开发
✅ 开源项目集成和引用
✅ 商业项目使用（保留版权声明）

⚠️ 免责声明

项目仅供学习和研究使用
生产环境使用请充分测试
API密钥和数据安全请自行保障
对使用本项目造成的损失不承担责任

📞 获取帮助

🐛 Bug报告: GitHub Issues
📧 邮件联系: fly910905@sina.com
🔗 微信公众号: 萤火AI百宝箱

🙏 致谢

本项目使用了以下开源项目：

PyTorch

MCP

Langchain

LangGraph

LangFuse

LLaMA Factory

Vllm

特别感谢所有贡献者和社区成员的支持！

⭐ 如果这个项目对你有帮助，请给个Star支持！⭐

🔗 更多访问：大模型实战101

Name		Name	Last commit message	Last commit date
Latest commit History 177 Commits
01-agent-tool-mcp		01-agent-tool-mcp
02-agent-multi-role		02-agent-multi-role
03-agent-build-docker-deploy		03-agent-build-docker-deploy
04-agent-evaluation/langfuse		04-agent-evaluation/langfuse
05-agent-model-finetuning		05-agent-model-finetuning
live-streaming		live-streaming
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md

License

FlyAIBox/Agent_In_Action

Folders and files

Latest commit

History

Repository files navigation

Agentic AI 智能体开发实战

📚 课程定位

🎯 课程目标

👥 适合人群

💡 课程特色

🎯 六大实战项目

项目概览

项目1：MCP工具集成 · 和风天气

项目2：从零构建智能体框架

项目3：深度研究助手

项目4：多角色旅行规划智能体

项目5：智能体监控与评估

项目6：医疗领域模型微调

🏆 学习收获

📖 课程大纲

模块一：智能体基础与工具集成

模块二：多角色智能体系统

模块三：企业级系统搭建与部署

模块四：监控、评估与优化

模块五：模型微调与推理优化

🛠️ 技术栈

🏗️ 系统架构图

🔧 核心技术组件

🚀 快速开始

⚡ 5分钟快速体验

🌤️ 体验项目1：MCP工具集成

🎯 体验项目2：从零构建智能体

🔍 体验项目3：深度研究助手

🏨 体验项目4：旅行规划系统

📚 学习路径建议

🎯 学习目标检查清单

✅ 基础能力（完成项目1-2）

✅ 进阶能力（完成项目3-4）

✅ 高级能力（完成项目5-6）

📁 项目结构

🛠️ 环境搭建

🎯 两种方式快速开始

方式一：使用预配置虚拟机（⚡最快，推荐新手）

方式二：手动安装（推荐进阶用户）

💻 系统要求

基础配置（项目1-5）

高级配置（项目6：模型微调）

☁️ 云端环境

🚀 快速安装

快速开始

1. 准备工作

2. 安装Miniconda (如果未安装)

3. 创建conda环境

4. 按项目安装（推荐）

🔐 环境变量配置

🔑 按项目配置API密钥

📝 API密钥获取指南

📄 许可证

📋 使用权限

⚠️ 免责声明

📞 获取帮助

🙏 致谢

About

Topics

Resources

License

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Languages

Packages