大模型应用开发进阶(Agent)
大模型应用开发进阶(Agent)
课程目录
课程介绍
先说一个你大概率已经感觉到的变化:现在招后端、全栈,甚至不少算法岗,JD 里越来越频繁地出现「Agent」「智能体」「RAG」「工具调用」这些字眼。会写业务代码的人很多,但能把一个 Agent 真正做上线、保证质量的人还很少,这中间的缺口,直接反映在面试通过率和薪资上。
身边已经有同学靠「做过一个 Agent 项目」这一条,在面试里明显占到了便宜。面试官一听你能讲清楚工具调用怎么设计、循环怎么停下来、上下文超了怎么压,态度马上就不一样了。原因很简单:这些问题现在还属于「大部分人答不上来」的那一类,而它恰恰是公司正在踩坑、急需有人搞定的地方。
这门课要做的,就是帮你把这块能力补齐,让你从「会调大模型」变成「会开发 Agent」。
这些问题,你能答上来几个
下面这些,有的是真实的面试题,有的是你一旦动手做 Agent 就会撞上的坑。你可以先在心里过一遍:
- Agent 和普通的大模型应用、workflow 到底差在哪?什么样的需求该上 Agent,什么样的其实用固定流程更好?
- 模型的 API 是无状态的,那 Agent 跨轮次、跨会话的「记忆」是怎么实现的?Mem0 和 Claude Code 分别是怎么做的?
- Function Calling 是怎么工作的?MCP 又是什么,为什么最近这么火?怎么让一个 Agent 去操作本地文件、执行命令?
- 对话越来越长,上下文窗口放不下了怎么办?什么是 Context Rot,为什么窗口越大反而效果越差?
- Agent 多轮调用,成本怎么降下来?什么是前缀缓存,为什么一改
tools就会把缓存打穿?如何提高缓存命中率? - 工具一多,模型就开始乱调、调错参数,怎么解决?几十个工具又该怎么管理?
- Agent 的循环怎么才能安全地停下来?哪些操作必须让人工确认?人工确认、中途取消、终端恢复如何实现?
- ReAct、Plan-and-Execute、Reflection、Multi-Agent 这几种架构模式分别解决什么问题,一个真实任务里该怎么选、怎么组合?
- 一个会自己决策的系统,到底怎么评测它做得好不好?真实项目如何去做Agent链路追踪、评测和优化?
- ....
当然,我们的课程不是面试题集,那样的知识过于零散,不利于构建系统知识体系。我们会在循序渐进的讲解中,把以上及其更多的技术问题,一点点的讲给你听,让你理清先因后果、来龙去脉,不会看了就忘。
这门课有什么不一样
通俗易懂,不堆术语。 我们不会上来就甩一串论文名词。每个概念都从一个真实场景讲起,先说清楚「为什么需要它」,再讲「它是怎么做的」,最后给出能跑起来的代码。比如讲 Agent 是什么,我们是从「排查线上接口为什么变慢」这种你天天遇到的任务切入的,而不是先背定义。
系统全面,不东一榔头西一棒子。 市面上关于 Agent 的内容,大多是零散的博客和教程,今天讲个 MCP,明天讲个 LangGraph,缺一条完整的主线。这门课从「Agent 是什么」一路讲到「怎么让它可靠、安全、可评测」,八个模块四十篇文章,工具调用、记忆、上下文工程、运行时、架构模式、开发框架、评测,一条线串下来,给你构建一个完整的Agent开发技术树。
讲原理,不绑框架。 框架一年一个样,但背后的原理和模式是稳定的。这门课重点讲通用机制,关键环节给出手搓,或者基于Spring AI 和 LangChain、LangGraph 的对照示例。学完之后,无论你用哪种语言、哪个框架,甚至框架又换了一代,你都能把同一套设计迁移过去。这也是面试官真正想考的东西:不是你会不会某个 API,而是你懂不懂背后的道理。
有真实源码剖析。 工具调用我们会讲Claude Code如何保证缓存不失效又避免大模型注意力分散。记忆系统我们会拆 Mem0 的实现,上下文工程我们会拆 Claude Code 是怎么装配和压缩上下文的。这些都是业界正在用的真实方案,值得我们借鉴学习,也让我们的讲解言之有物,不会过于理论。
课程面向谁
这门课是基础课的续集,默认你已经掌握了基础课的内容。
如果这些你还不熟,建议先过一遍基础课,否则这门课里反复用到的提示词、上下文、结构化输出等概念,会学得比较吃力。基础课讲过的东西,这门课不会再重复讲,而是直接拿来用。
不限语言。核心讲的是 Agent 的原理和通用模式,关键环节会给出手搓的Python代码示例,但不要求你会写Python。无论你是后端、全栈,还是想从前端转全栈,只要有一定开发基础,都可以来学。
学完能做什么
完成这门课后,你应该能够:
- 说清楚 Agent 和普通大模型应用的区别,判断一个需求到底该用固定 workflow 还是上 Agent。这几乎是现在每一场相关面试的开场题;
- 给 Agent 接入工具,让它能调用函数、操作本地环境、连接外部服务,并把可复用的操作封装成规范;
- 为 Agent 设计记忆系统,让它跨轮次、跨会话记住该记的信息,需要时取回、更新和遗忘;
- 做上下文工程,在有限的窗口里选出这一步刚好够用的信息,并在长任务里把上下文压下来;
- 编写一个生产可用的 Agent 运行时,管好循环的退出、工具的可靠执行和人工介入;
- 根据任务特点,选用 ReAct、Plan-and-Execute、Reflection、Multi-Agent 等架构模式,并把它们和 workflow 组合起来;
- 用 LangGraph 把循环、持久化、记忆和这些架构模式落到代码里;
- 为 Agent 建立多层护栏和安全控制,并搭起一套能衡量任务质量的评测体系。
这门课不是让你背某个框架的用法,而是让你理解每个设计背后的原因。理解了原因,你在面试里就能讲出「为什么这么做」,在项目里就能把方案迁移到不同的模型、项目和框架上。
课程结构
进阶课分为八个模块,四十篇文章,从「Agent 是什么」一路讲到「怎么让它可靠、安全、可评测」:
- Agent 概述:理解 Agent 的核心机制、组成部分和适用边界,并亲手实现一个最小 Agent;
- 工具调用 Tool Use:让 Agent 接入工具、操作外部环境,涵盖 Function Calling、MCP、CLI 和 Skills;
- 记忆系统:为 Agent 设计短期和长期记忆,并剖析 Mem0 和 Claude Code 两套真实实现;
- 上下文工程:在有限窗口里装配和压缩上下文,让模型每一步都拿到刚好够用的信息;
- Agent Loop(Runtime) :把模型、工具、记忆和上下文串成循环,由运行时处理退出、执行和人工介入;
- Agent 架构模式:组织模型怎么决策、任务怎么切分,按需选用并组合各种模式;
- Agent 开发框架:看清框架接手了哪些重复工作,并用 LangGraph 把前面的设计落地;
- Agent 评测:约束 Agent 的决策和行动风险,建立衡量任务质量的评测体系。
学完这门课,你就具备了开发复杂 workflow 和 Agent 的能力。再往后,还有一门《大模型应用开发实战(项目)》,我们会用一个能写进简历、经得起面试官追问的 Agent 项目,把这两门课讲过的内容都串起来用一遍。
Agent 开发正处在需求猛涨、人才稀缺的窗口期。早一点把这块能力补上,你在面试和项目里就多一分别人还没有的底气。我们课程里见。
