课程目录

• Agent系列
• Agent论文解读与总结相关
• Agent架构解读与应用分析
• OPENAI-LLM模型优化总结
• 斯坦福AI小镇架构与项目解读
• Autogen与其他智能体框架
• Agent打造专属客服
• GPTS打造Agent实战
• 001.1-Agent要解决的问题分析
• 002.2-Agent需要具备的基本能力
• 003.3-与大模型的关系与多角色交互
• 004.4-框架的作用和能解决的问题
• 005.5-整体总结分析
• 006.6-GPTS分析一波
• 007.7-经典任务分析
• 008.1-COZE的基本使用解读与说明
• 009.2-工作流中大模型的使用方法
• 010.1-数据查找配置
• 011.2-读取新闻内容并整理报告
• 012.3-循环的配置与中间变量的作用
• 013.4-循环体注意事项更新
• 014.1-插件的基本配置方法
• 015.2-输入输出参数配置方法
• 016.3-再工作流中配置自己的插件并使用
• 017.1-发票助手插件接入
• 018.2-数据表创建方法
• 019.3-识别工作流配置与测试
• 020.4-调用模块工作流配置
• 021.1-构建自己的邮箱插件
• 022.2-插件应用与大模型流程配置
• 023.3-知识库构建方法与应用
• 024.1-DEMO演示与整体架构分析
• 025.2-后端GPT项目部署启动
• 026.3-前端助手API与流程图配置
• 027.4-接入外部API的方法与流程
• 028.5-引入API方法解读
• 029.6-指令提示构建
• 030.0-Python环境说明
• 031.1-AutoGenStudio框架安装与介绍
• 032.2-动作API配置方法
• 033.3-国内常用API配置方法
• 034.4-API接口在线测试
• 035.5-工作流配置
• 036.6-执行流程与结果
• 037.1-API生成方法
• 038.2-GroupChat模块
• 039.3-执行流程分析
• 040.4-外接本地支持库配置方法
• 041.5-加入RAG技能
• 042.6-LMStudio本地下载部署模型
• 043.7-调用本地模型方法与配置
• 044.8-AutogenStudio本地化部署流程
• 045.9-本地化部署接入应用实例
• 046.11-Ollama环境配置与安装
• 047.12-autogen接入本地模型
• 048.1-RAGFLOW介绍和特点
• 049.2-RAGFLOW接入本地模型
• 050.3-Chat与Embedding模型接入
• 051.4-知识库构建实例
• 052.5-封装成API调用
• 053.1-GPTS任务流程概述分析
• 054.2-调用API的控制方式
• 055.3-API相关配置完成
• 056.4-完成指令与脚本并生成
• 057.1-论文概述分析
• 058.2-整体框架逻辑介绍
• 059.3-项目环境配置
• 060.4-基础解读-动作定义方式
• 061.5-基础解读-角色定义
• 062.6-单动作智能体实现方法
• 063.7-多动作配置方法
• 064.8-定时器任务环境配置
• 065.9-定时器任务流程解读分析
• 066.0-基本Agent的组成
• 067.1-Agent要完成的任务和业务逻辑定义
• 068.2-问题拆解与执行流程
• 069.3-检索得到重要的URL
• 070.4-子问题生成总结结果
• 071.5-总结与结果输出
• 072.1-RAG要完成的任务解读
• 073.2-RAG整体流程解读
• 074.3-召回优化策略分析
• 075.4-召回改进方案解读
• 076.5-评估工具RAGAS
• 077.6-外接本地数据库工具
• 078.1-整体故事解读
• 079.2-要解决的问题和整体框架分析
• 080.3-论文基本框架分析
• 081.4-Agent的记忆信息
• 082.5-感知与反思模块构建流程
• 083.6-计划模块实现细节
• 084.7-整体流程框架图
• 085.8-感知模块解读
• 086.9-思考模块解读
• 087.10-项目环境配置方法解读
• 088.1-langchain框架解读
• 089.2-基本API调用方法
• 090.3-数据文档切分操作
• 091.4-样本索引与向量构建
• 092.5-数据切块方法
• 093.1-MOE概述分析
• 094.2-MOE模块实现方法解读
• 095.3-效果分析与总结
• 096.1-大模型如何做下游任务
• 097.2-LLM落地微调分析
• 098.3-LLAMA与LORA介绍
• 099.4-LORA微调的核心思想
• 100.5-LORA模型实现细节
• 101.1-提示工程的作用
• 102.2-项目数据解读
• 103.3-源码调用DEBUG解读
• 104.4-训练流程演示
• 105.5-效果演示与总结分析
• 106.1-RAG与微调可以解决与无法解决的问题
• 107.2-RAG实践策略
• 108.3-微调要解决的问题
• 109.1-项目需求分析流程
• 110.2-数据与特征库准备
• 111.3-模型准备与项目分析
• 112.4-模型选择方法总结
• 113.5-项目经验总结与优化方法
• 114.1-数据挖掘要解决的问题
• 115.2-数据处理与清洗分析
• 116.3-特征工程的作用与流程
• 117.4-机器学习算法分析
• 118.5-模板到哪去找
• 119.1-知识图谱要解决的问题与流程分析
• 120.2-知识图谱项目实际应用分析
• 121.3-知识图谱实战应用项目解读
• 122.4-大模型要解决的问题和应用分析
• 123.5-工具总结分析
• 124.1-COZE开发者平台解读
• 125.1-llama3模型下载与配置安装
• 126.2-环境相关配置解读
• 127.3-工具调用流程拆解
• 128.4-功能调用方法实例
• 129.5-RAG环境配置搭建
• 130.6-LLAMA3应用-RAG搭建方法
• 131.7-RAG基本流程分析
• 132.1-LORA微调方法
• 133.2-指令微调所需数据与模型下载
• 134.3-llama3模型微调实例
• 135.4-llama3微调后进行量化
• 136.5-llama.cpp量化实例
• 137.6-部署应用
• 138.配置
• 139.1-提示词与工作流配置
• 140.2-插件配置方法与输出
• 141.COZE基本使用操作实例(必看)
• 142.语聚AI插件制作更新(刷完第三章动手做的时候再看就行)
• 143.1-扣子开发平台实例解读
• 144.语聚API更新(课时9如遇问题看这个)
• 145.2-技能测试与插件创建实例
• 146.3-配置好自己的DIY技能
• 147.4-工作流的基本配置流程和方法
• 148.5-自己DIY的Agent测试与发布
• 149.COZE的UI界面变化
• 150.1-产品功能与需求分析
• 151.2-文案助手的工作流程设计
• 152.3-配置插件与测试效果
• 153.COZE的UI界面更新
• 154.COZE介绍与界面更新
• 155.语聚AI插件制作更新