资源介绍：

AI最火Agent系列从零开始手把手演示如何利用Agent构建各种场景应用，通俗解读其所需知识点，基于现有GPT大模型进行应用实战，将自己业务场景的经验总结成标准化的Agent执行流程，集成外部各种API工具来打造你的专属代理

课程目录

• 10_2-调用API的控制方式
• 11_3-API相关配置完成
• 12_4-完成指令与脚本并生成
• 13_1-DEMO演示与整体架构分析
• 14_2-后端GPT项目部署启动
• 15_3-前端助手API与流程图配置
• 16_4-接入外部API的方法与流程
• 17_5-引入API方法解读
• 18_6-指令提示构建
• 19_1-论文概述分析
• 1_1-Agent要解决的问题分析
• 20_2-整体框架逻辑介绍
• 21_3-项目环境配置
• 22_0-基本Agent的组成
• 23_1-Agent要完成的任务和业务逻辑定义
• 24_2-问题拆解与执行流程
• 25_3-检索得到重要的URL
• 26_4-子问题生成总结结果
• 27_5-总结与结果输出
• 28_1-RAG要完成的任务解读
• 29_2-RAG整体流程解读
• 2_2-Agent需要具备的基本能力
• 30_3-召回优化策略分析
• 31_4-召回改进方案解读
• 32_5-评估工具RAGAS
• 33_6-外接本地数据库工具
• 34_1-整体故事解读
• 35_2-要解决的问题和整体框架分析
• 36_3-论文基本框架分析
• 37_4-Agent的记忆信息
• 38_5-感知与反思模块构建流程
• 39_6-计划模块实现细节
• 3_3-与大模型的关系分析
• 40_7-整体流程框架图
• 41_8-感知模块解读
• 42_9-思考模块解读
• 43_10-项目环境配置方法解读
• 44_1-langchain框架解读
• 45_2-基本API调用方法
• 46_3-数据文档切分操作
• 47_4-样本索引与向量构建
• 48_5-数据切块方法
• 49_1-MOE概述分析
• 4_4-多智能体定义分析
• 50_2-MOE模块实现方法解读
• 51_3-效果分析与总结
• 52_1-大模型如何做下游任务
• 53_2-LLM落地微调分析
• 54_3-LLAMA与LORA介绍
• 55_4-LORA微调的核心思想
• 56_5-LORA模型实现细节
• 57_1-提示工程的作用
• 58_2-项目数据解读
• 59_3-源码调用DEBUG解读
• 5_5-框架的作用和能解决的问题
• 60_4-训练流程演示
• 61_5-效果演示与总结分析
• 62_1-RAG与微调可以解决与无法解决的问题
• 63_2-RAG实践策略
• 64_3-微调要解决的问题
• 6_6-整体总结分析
• 7_7-GPTS分析一波
• 8_8-经典任务分析
• 9_1-GPTS任务流程概述分析