本大纲为《从入门到精通：AI 智能体实战速成指南》的导航索引，各条目均链接至对应章节的二级标题，便于按知识脉络跳转学习。

阶段一：会用大模型

• 大模型的起源与发展历程、大模型与 AGI 关系、AI 应用场景 → 1、认识大模型、3、大模型如何落地
• 国际知名、国产主流大模型的功能特点、优势与适用场景，以及开源 / 闭源差异 → 1.5 大模型的开源 vs 闭源
• 大模型分类：按模态（LLM / 多模态理解 / 多模态生成）、按功能（生成式 / 嵌入 / 重排序 / 分类）→ 1.4 大模型分类
• 参数规模与计量单位（B、T、FLOPs）、token 与上下文窗口 → 1.3 大模型计量单位
• 训练三阶段：预训练 → 微调 → 推理；预训练、SFT、RLHF/RLAIF 的含义与区别 → 2、大模型是如何"被教会说人话"的？
• 训练与推理的区别、算力从何而来、常见硬件与瓶颈 → 3、大模型如何落地

• Ollama 定义、安装与本地运行大模型、以及与 LangChain 的整合方式 → 1、Ollama 简介、2、安装与配置、4、安装与验证模型、5、LangChain 整合 Ollama
• 如何调用私有大模型：在线平台、API 调用、本地客户端 → 4.2 访问大模型的方式
• 云端部署（AWS、阿里云）、本地部署等模型部署流程与方法 → 1、企业级大模型部署概述、2、Dify 平台私有化部署、3、模型部署

• 提示词工程基础：核心原则、基础结构、基础编写方法 → 1、提示词与提示词工程、2、提示词怎么写
• 高级技巧：深入上下文控制、任务分解与链式思维提示法、Few-shot 示例与模式引导 → 2.2 核心六要素与典型构成、2.3 Zero-shot 与 Few-shot
• 多轮对话与结构化组织：System / User / Assistant 消息角色、文件加载提示词 → 2.4 结构化组织方式
• 评估提示效果与迭代优化、解决 Prompt 失效与偏差问题 → 3、提示词工程的边界、4、提示词工程的几个注意点
• 提示词在 Agent 与工具调用中的应用 → 4、智能体开发
• 项目：商品营销卖点提炼、电商 / 自媒体爆款文案生成 → 3.10 商品营销卖点提炼（Coze）

• 大模型的发展历程、关键推动因素与趋势 → 1.2 为什么会出现大模型？
• Transformer 编码器 / 解码器结构、可扩展性与 MoE 模型，以及工程实现思路 → 1.2 为什么会出现大模型？、4、大模型的工程实现概览
• 自注意力机制与多头注意力 → 全书术语表：大模型与训练基础术语
• LLaMA、Qwen、GPT 等主流体系 → 1.4 大模型分类
• 多模态架构：文本 + 图像 + 音频 + 视频 / 文档 / 图表 / 屏幕 UI 理解 → 1.4 大模型分类

阶段二：低代码做应用

• Coze 界面主要功能介绍、主要目标用户 → 4.2 Coze(扣子)介绍
• 核心功能模块（插件、知识库、工作流、智能体）的创建与配置 → 4.3 功能说明
• 提示词设计、模型选择与配置、发布渠道与多端部署能力 → 4、level 3：使用 Coze 搭建高阶智能体
• Python 调用 Coze 平台工作流 → 1. 发布 API

• 模块 1：一键生成行业调研 PPT → 3.1 Coze 案例：一键生成行业调研 PPT
• 模块 2：复刻爆款视频 → 3.2 Coze 案例：复刻爆款视频
• 模块 3：产品营销海报生成 → 3.3 Coze 案例：产品营销海报生成
• 模块 4：商品营销卖点提炼 → 3.10 Coze 案例：商品营销卖点提炼
• 模块 5：商品评论分析 → 3.8 Coze 案例：商品评论分析

• 不同低代码平台对比、Dify 核心功能与组件（工作流、Agent、知识库）→ 5.1 Dify 介绍
• 提示词编排、工具与 Agent、模型集成、工作流基本结构 → 6、工作流的搭建
• Dify 案例：客户投诉分类助手 → 3.5 Dify 案例：客户投诉分类助手
• Dify 案例：一键生成行业调研报告 → 3.4 Dify 案例：一键生成行业调研报告
• Dify 案例：客服对话记录分析 → 3.7 Dify 案例：客服对话记录分析
• Dify 案例：商品评论分析 → 3.9 Dify 案例：商品评论分析
• Python 调用 Dify 平台工作流 → 1、发布

• Docker / Compose 核心概念、镜像、容器、数据卷、端口映射与常用命令 → 第 8 章 Docker 快速入门与 Dify 部署排障
• Docker Desktop 安装与验证 → 第 8 章 2.2 Windows 安装前准备
• Dify 部署后的排障、数据位置、备份升级、Navicat 连接与前端自建镜像 → 第 8 章 Docker 快速入门与 Dify 部署排障

• 部署核心方案：应用层（Dify）+ 推理层（Xinference 等）+ OpenAI 兼容 API → 1、企业级大模型部署概述
• 腾讯云/阿里云服务器部署、Dify 的下载与配置 → 2、Dify 平台私有化部署
• AutoDL 服务器配置、Ollama 下载与大语言模型的加载 → 3、模型部署
• Xinference 平台下载、嵌入模型与重排序模型的部署 → 3、模型部署（含 3.2 部署 Xinference、3.4 Embedding、3.5 Rerank）
• 低代码平台 Coze Studio、Dify、Coze Loop 的本地部署 → 1、整体概述、3、Coze Studio 的安装和配置、4、Dify 的安装和启动、5、Coze Loop（扣子罗盘）指南

阶段三：代码级开发

• LangChain 框架概述、定位与六大核心模块（Models、Memory、Retrieval、Chains、Agents、Callback）→ 1、LangChain 是什么、3、总体架构与六大核心模块
• LangChain 的安装与调用、环境与依赖 → 3、安装依赖、4、实战：基于阿里百炼的 HelloWorld

① Model I/O（输入输出与模型接入）

• Message、Prompt Template、Output Parsers、Function Calling → 1、Model I/O 概述与三件套、1、Prompt 与消息基础、1、输出解析器概述、2、Tool 是什么与能干嘛

② Chains（链式调用）

• LCEL 与 Runnable、链式调用（顺序链、分支链、串行链、并行链、函数链）→ 1、Runnable 与统一调用方式、2、LCEL 是什么、4、链式调用基础用法与案例

③ Memory（记忆与对话历史）

• RunnableWithMessageHistory、内存与 Redis 持久化 → 1、为什么需要记忆、4、实现原理、5、实现类介绍：0.3 与 1.0+、6、案例代码

④ Agents（智能体与工具调用）

• Agent 抽象、ReAct 范式、create_agent 与 Executor → 1、Agent 是什么？与 Tool 的关系、2、演变过程：从多步组装到一步创建、5、实操与案例
• 现代 Agent 场景：浏览器自动化 / Computer Use、长任务研究代理、代码库维护代理、文件 / 数据分析代理 → 1.4 Agent 的使用场景

⑤ Retrieval（检索与向量）

• 文档加载器、Text Splitters、Embedding、向量存储与检索 → 1、向量与向量化、2、向量数据库、2、RAG 文本处理核心知识

• 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，记忆机制管理多会话上下文；本地知识库的搭建与调用（待更新）

• LangGraph 入门：从链式到图状的思维转变 → 1、LangGraph 简介、2、HelloWorld 快速入门
• 图的核心要素：State、Node、Edge → 1.4 四个核心概念：State、Nodes、Edges、Graph、2、Graph API 之 State（状态）、1、Graph API 之 Node（节点）、2、Graph API 之 Edge（边）
• Graphs：图的构建与编译 → 1、Graph API 之 Graph（图）、2.3 Graph 最小构建流程
• Runtime：Pregel、Actor、Channel、Superstep 与状态快照 → 4、补充理解：LangGraph 底层如何运行这张图
• Memory：图中的持久化状态与记忆 → 2、状态持久化（Persistence）、3.5 本章和 LangGraph 官方主线的关系
• Human-in-the-loop：中断、人工审核与恢复执行 → 3、人机协作与中断恢复（Interrupt / HITL）
• Agents：构建更鲁棒、更可控的智能体，覆盖长任务 Agent、多智能体协作与并行任务 → 21-Agent 智能体、26-LangGraph 多智能体与 A2A
• Agent Skills：把可复用提示词、流程、模板、脚本和资源封装成按需加载的能力包 → 27-Skills 技能与 AI 编程工具实践
• 高级应用与技巧：流式输出、时间回溯与子图 → 1、流式处理（Streaming）、4、时间回溯（Time-Travel）、5、子图（Subgraphs）

• Function Calling 对比 MCP 的核心差异、功能定位、交互逻辑及适用场景 → 4.3 工具调用的实现方式、1、为什么需要 MCP、2、MCP 是什么（入门概念）
• MCP 应用场景、通信机制与传输逻辑（STDIO / SSE），包括浏览器、文件、代码库与数据系统等外部能力接入 → 3、MCP 能做什么、5、MCP 架构知识
• MCP 关键组成要素，及各要素功能在体系中的作用 → 5.1 主机、客户端、服务器定义、5.4 FastMCP 的基本写法与常用 API
• MCP 从初始化到日志记录的完整工作流程，各环节核心动作 → 5.2 MCP 协议层面大致怎么工作、5.5 完整调用过程理解
• 热门 MCP Server 推荐：主流工具，及各工具特点及适用场景 → 4.1 直接使用现成的 MCP 服务
• 从底层逻辑剖析 MCP 在服务解耦、路由、容错等方面的核心原理 → 1.2 MCP 到底在解决什么问题、5.2 MCP 协议层面大致怎么工作
• 案例：多种具体环境 MCP Server 部署与测试 → 6、案例实战：本地 MCP 天气服务与客户端
• 案例：自定义 MCP 的开发步骤、功能验证要点与目标 → 4.2 本地自建 MCP 服务端、6.2 服务端案例区分理解、6.4 客户端案例怎么区分理解

• A2A 协议定义与作用、与 MCP 协议关系、核心组件架构 → 1、A2A 协议与多智能体架构、1.5 A2A 和 MCP 的区别
• 工作流程机制、消息格式与数据结构、请求与响应流程 → 1.4 A2A 协议定义、1.6 LangGraph 多智能体和 A2A 是什么关系
• 认证与授权机制、错误码与异常处理 → 1、A2A 协议与多智能体架构
• 性能优化与并发控制、典型业务场景示例，包括软件工程团队式协作、研究代理团队、数据分析代理团队与并行代码任务 → 1.9 使用场景、2.9 Supervisor 和 Handoff 怎么选

阶段四：企业级应用

• RAG 是什么、为何需要、执行流程（索引阶段 + 检索阶段）→ 1、RAG 的理解、1、RAG 概述
• 知识库搭建平台对比与选型（Cherry Studio、ima、Dify、RAGFlow 等）→ 2、知识库的概述
• 使用 Cherry Studio、ima、Dify 从零搭建个人/企业知识库 → 3、Cherry Studio 搭建个人知识库、4、ima 搭建个人知识库、5、使用 Dify 搭建知识库
• 向量与向量化、向量数据库与 Embedding 实战 → 18-向量数据库与 Embedding 实战
• RAG 综合案例：文档加载、分割、向量存储、检索与生成 → 3、RAG 综合案例：智能运维助手

• 架构设计：基于 LangGraph 构建适配电商设备手册查询、商品售后咨询的可插拔 RAG 工作流（待更新）
• 多模态解析：集成 MinerU 与 OCR，精准解析电商设备操作手册、商品售后指南类图文混排 PDF（待更新）
• 检索机制：采用向量检索 + 稀疏检索 + Neo4j 电商知识图谱（设备故障 - 解决方案关联）多路召回（待更新）
• 智能切片：支持滑动窗口、语义切分策略，适配电商设备故障排查步骤、商品参数说明的语义保留（待更新）
• 深度优化：引入 HyDE 与 BGE-Rerank，提升 “打印机卡纸怎么办”“商品保修政策”等电商疑问匹配精度（待更新）
• 全链路评估：集成 RAGAS 框架，自动化评估电商售后问答准确性、设备操作指引合规性（待更新）

• 对话理解与意图解析：实现用户模糊咨询的多意图识别，支持上下文关联（如跨轮追问 “之前说的订单退款进度”），精准匹配用户真实需求（待更新）
• 多源知识库联动：对接产品手册、售后工单库、常见问题库（FAQ），实现 “问题 - 答案” 智能映射，支持手册更新后的知识库自动同步与检索优化（待更新）
• 实时交互体验优化：采用流式输出技术减少回复等待时长，配置常见问题快捷回复模板，针对高频咨询（如 “物流查询”）实现 1 秒内响应，支持表情、链接等富文本回复（待更新）
• 人机协同转人工机制：设置转人工触发条件（如复杂投诉、需求不明确），转人工时自动同步当前对话上下文至人工坐席，避免用户重复描述，提升协同效率（待更新）
• 对话数据复盘与优化：自动采集对话日志，分析高频未解决问题、用户满意度低的回复场景，输出优化建议（如补充知识库内容、调整意图识别规则）（待更新）
• 多渠道适配与监控：支持 APP、网页、小程序等多渠道接入，集成服务监控面板，实时查看响应耗时、意图识别准确率、转人工率等核心指标，保障服务稳定性（待更新）

• 项目定位：自然语言问数把数仓、检索、生成、执行和前端交付串成一条链路 → 3、这个项目到底在做什么、5、这套项目的核心技术栈
• 数仓与元数据基础：先理解事实表、维度表、指标和元数据在问数里的角色 → 3、数据仓库基础、4、维度建模入门、2、元数据知识库
• 工程与基础设施：用 uv、docker-compose、配置管理和客户端封装把 MySQL、Qdrant、Elasticsearch、Embedding 跑起来 → 1、先建立整体认识、1、项目目录结构、1、Qdrant 客户端接入、1、Embedding 客户端管理
• 元数据与检索：围绕表、字段、字段值和指标构建可检索的知识库 → 1、为什么先构建元数据知识库、1、本章在整条构建流程中的位置、1、为什么字段检索不能只靠一种能力
• 问数工作流：用 LangGraph 组织状态、上下文、关键词抽取、多路召回和上下文合并 → 1、问数智能体的整体工作流、2、三路召回分别解决什么、2、为什么召回结果不能直接交给大模型、2、为什么合并后还要过滤
• SQL 闭环：完成 SQL 生成、校验、纠错和执行，形成可控的 NL2SQL 流程 → 1、本章在问数链路中的位置、3、生成 SQL：generate_sql、4、校验 SQL：validate_sql、6、校正 SQL：correct_sql、7、执行 SQL：run_sql
• 接口与联调：用 FastAPI、SSE、QueryService、dependencies 和 lifespan 把能力交给前端并做好排障 → 1、查询接口要解决什么问题、5、SSE 协议：前后端约定的流式格式、3、QueryService：把一次请求变成一次图执行、5、request_id：让并发日志能查得清楚

• 项目文档入口与源码仓库：先读 深度研搜前言，再对照 deepsearch-agents 源码仓库 跑通项目
• DeepAgents 基础：从普通 Agent 过渡到主智能体、子智能体、任务委派和上下文隔离 → 第 1 章 DeepAgents 基础与核心概念、第 2 章 DeepAgents 快速入门与流式解析、第 3 章 子智能体进阶与异步执行
• 生态接入与控制能力：把 LangGraph、LangChain、人机协作、Backend、中间件和 Skills 接到 DeepAgents 项目里 → 第 4 章 接入 LangGraph 与 LangChain、第 5 章 人机协作与中断恢复、第 6 章 长期记忆与 Backend 存储、第 7 章 中间件机制与 Skills 配置
• 工程初始化与基础模块：理解项目目录、模型配置、提示词配置、会话目录和上下文变量 → 第 8 章 项目总览与工程初始化、第 9 章 基础模块与模型配置
• 多来源检索能力：实现网络搜索、MySQL 查询和 RAGFlow 知识库三个子智能体 → 第 10 章 网络搜索子智能体与 Tavily 工具、第 11 章 数据库查询子智能体与 MySQL 工具、第 12 章 RAGFlow 子智能体与知识库准备
• 项目闭环：搭建主智能体、异步执行、FastAPI 接口、WebSocket 进度回传和文件交付链路 → 第 13 章 主智能体搭建与异步执行、第 14 章 FastAPI 接口与项目闭环

以中文关键词抽取为贯穿案例，按“判断是否需要微调 → 准备数据 → 理解训练 → AutoDL 实操 → 验证与导出”的顺序学习。

• 第 28 章 大模型微调概述与整体流程：回顾 Prompt、RAG 与 Agent 的分工，理解模型类型，定义任务并认识基线。
• 第 29 章 微调数据准备与对话模板：读真实 JSONL，学习 Alpaca/ShareGPT、清洗、查重、数据划分和模板。
• 第 30 章 模型训练原理与高效微调：用算例理解 batch、step、学习率、显存、LoRA 和量化。

• 第 31 章 LLaMA-Factory 环境搭建与微调实战：AutoDL 单卡环境、清洗版数据登记、LoRA 参数配置、150 步训练、日志核对与结果备份。
• 第 32 章 微调效果评估与模型部署：单条 Chat 验证、200 条双组预测、文件转换与关键词评分、完整模型导出与独立加载。
• 配套文件：案例与源码-4-微调/，包含关键词样本、keywords-clean 训练/验证/测试数据、处理与评分脚本、训练/预测/导出配置及回答示例。

• 第 32 章的选做内容：在兼容环境中使用 vLLM 部署、API 调用与 Adapter 分开加载；基线比较和关键词评分属于本章主线。
• 第 33 章 微调显存优化与多卡训练：单卡显存排查与 QLoRA 选做、三种并行分工、DeepSpeed ZeRO、短跑日志与结果判断。

可先完成单卡主线，再按需求选择进阶内容。导出文件或接口调用成功，都不能代替对模型回答质量的检查。

私有数据采集与数据增强、其他 PEFT 方法（如 Prompt Tuning）、全参数微调对照、ONNX 导出，以及更多业务调优案例，可作为后续专题。Zero-shot / Few-shot 提示方式可先回看提示词工程基础，不要与需要训练参数的 Prompt Tuning 混淆。

• 流程概述、技术前沿调研、行业实践调研、完整技术调研结构（待更新）
• 自研方案输出、算法框架设计、RAG 项目逻辑、对话系统分发与 pipeline（待更新）
• 评估指标、业务方 / 运营方 / 产品方角色、研发过程、行业趋势与能力培养（待更新）
• 项目立项报告、产品需求、项目设计说明书等（待更新）

• Agent/RAG 项目研发主流技术，AI Coding / 代码库级协作、Computer Use / Browser Use、长任务 Agent、多智能体协作等前沿热点跟踪（待更新）

• 教程案例链接汇总（在线演示与源码入口）→ 教程案例链接汇总
• 全书术语表（核心概念速查、易混概念对照）→ 全书术语表
• 新手入门与常见问题（环境准备、运行案例、API Key 配置、常见报错）→ 新手入门与常见问题
• 教程更新日志 → 教程更新日志