课程介绍

【学面通AI】是聚焦学习与面试场景的AI多智能体系统，具备自主进化能力，支持智能测评、语音模拟面试、面试复盘、资料解析建库、笔记生成等功能， 打造从实战到提升的完整闭环

课程目录

• 【Harness&Hermes】多智能体开发特训营
• 01 第1周 AI 智能体价值解码与项目蓝图绘制
• 1-1 第1章 多智能体开发特训营–课程概述及学习安排
• 1-1-1 【Harness&Hermes】多智能体开发特训营–课程导学
• 1-1-2 课程内容详细介绍
• 1-2 第2章 学面通AI如何让学习面试效率翻倍
• 1-2-1 【学面通AI】多模态多智能体如何把学习效率狂拉 10+ 倍？
• 1-2-2 【学面通AI】多模态多智能体如何把面试能力提升 10+ 倍？
• 1-3 第3章 【学面通AI】多模态多智能体项目需求拆解
• 1-3-1 从痛点出发，【学面通AI】项目功能需求分析
• 1-3-2 将项目功能拆成「角色」与「协作流程」
• 02 第2周 智能体核心原理与开发环境搭建
• 2-1 第1章 多模态多智能体前置基础串讲，了解Harness与Hermes
• 2-1-1 什么是 AI大模型？大模型开发流程 · 核心原理 · 主流模型介绍
• 2-1-10 基础开发工具安装与 AI 编程入门
• 2-1-11 结合Cursor编程优化开发工作流，构建高效开发工作流
• 2-1-2 什么是智能体？什么是单智能体和多智能体？
• 2-1-3 智能体开发范式：低代码开发与编码开发分析
• 2-1-4 Harness是什么？它是如何驾驭智能体？
• 2-1-5 Hermes 是什么？与LangChain、LangGraph 的关系是怎样的？(1)
• 2-1-5 Hermes 是什么？与LangChain、LangGraph 的关系是怎样的？
• 2-1-6 Hermes Agent 能让智能体“越用越聪明”的成长型生态体系介绍
• 2-1-7 Hermes 全方位对比 OpenClaw：自主进化 vs 调度中控智能体
• 2-1-8 Hermes Agent 全面学习实操手册.docx
• 2-1-9 项目技术选型与项目架构分析
• 03 第3周 Python 基础编程实战速成
• 3-1-1 AI工具可以生成Python代码，为什么我还要学习Python语法？
• 3-1-10 本章总结
• 3-1-2 学习Python的最短路线：了解 Python语言及学习路径
• 3-1-3 Python语法必需项速查：缩进、模块、包与常用语法.docx
• 3-1-4 Python依赖与环境管理：虚拟环境、依赖安装与版本锁定
• 3-1-5 Python常用数据类型速查：字符串、列表、字典、集合、元组.docx
• 3-1-6 写出可复用的代码：函数封装、工具层组织最佳实践
• 3-1-7 文件处理基础：文件增、删、改、查与编码核心实战
• 3-1-8 Python 进阶语法重点：类型注解、推导式、装饰器、OOP 与 Pydantic 校验
• 3-1-9 统一文件解析器：一套代码搞定PDF、Word、图片、音频的多格式解析
• 04 第4周 “学面通AI” 项目前端骨架搭建
• 4-1-1 项目开发前避免功能逻辑不清晰问题：将产品功能合理拆分
• 4-1-10 本章总结
• 4-1-2 项目交互流程设计：学习.面试模式的用户操作路径梳理 流程图绘制
• 4-1-3 项目关键页面如何拆解？分析会话列表、对话区、语音面试、笔记的结构设计
• 4-1-4 快速落地高颜值 UI界面 MasterGo AI 工具介绍与使用方法
• 4-1-5 怎样快速绘制设计UI设计图？用 MasterGo AI 根据提示词快速产出页面
• 4-1-6 组件复用原则：通用组件vs业务组件如何划分？
• 4-1-7 Vue3.5 都需要掌握什么？必备组合式 API 、响应式、组件通信等介绍.
• 4-1-8 Vite 前端工程初始化：项目目录结构设计 编码规范约定 工程配置实战
• 4-1-9 静态页面骨架搭建：路由配置 全局布局 占位组件 Mock 数据渲染
• 05 第5周 FastAPI 高性能智能体后端架构开发
• 5-1 第1章 基于FastAPI后端架构设计：解决代码职责不清问题
• 5-1-1 如何用 Python 快速落地接口开发？FastAPI 核心实战精讲
• 5-1-2 FastAPI后端代码分层架构设计：路由校验业务数据库职责怎么划分？
• 5-1-3 统一错误处理让报错信息可读、可定位、可追溯
• 5-1-4 FastAPI数据库与迁移闭环：如何设计数据模型？迁移流程是怎样的？
• 5-1-5 配置与日志体系：如何对环境变量进行分层？敏感信息如何处理？
• 5-1-6 服务稳定性保障：健康检查接口实现 冒烟测试用例编写怎么做？
• 5-1-7 本章总结
• 5-2 第2章 登录鉴权与接口规范，保障学习数据与面试记录安全性及兼容性
• 5-2-1 如何保证学习数据与面试记录的安全和稳定可用？
• 5-2-2 注册接口怎么写才安全？密码哈希与基础安全要点有哪些？
• 5-2-3 JWT 鉴权全流程：Token 生成 刷新机制 过期处理
• 5-2-4 前后端怎么对齐接口？登录鉴权接口联调实战
• 5-2-5 文件上传规范类型：类型大小路径去重策略怎么定？
• 5-2-6 接口如何升级不影响旧功能：如何实现版本管理与兼容策略？
• 5-2-7 上线前接口性能优化：Redis 缓存在接口层的设计与实现？
• 5-2-8 如何跑通 “AI 最小对话”：后端调用DeepSeek API 实现文本生成
• 5-2-9 本章总结
• 06 第6周 智能体数据建模与前后端联调
• 6-1 第1章 数据建模与表结构设计，聊天记录、文件、语音完整存储方案
• 6-1-1 聊天记录、文件、语音如何完整存储？
• 6-1-10 本章总结
• 6-1-2 聊天数据建模会话、消息、引用关系的数据库表如何设计？
• 6-1-3 面试表如何设计？如何实现最终字幕表结构 时间戳对齐？
• 6-1-4 资源统一管理：如何对音频 文件 图片的存储规范与引用关系进行治理？
• 6-1-5 文件怎么存更可靠？本地与对象存储一致性如何保证？
• 6-1-6 文件数据完整性验收 如何编写可回显、可复盘的测试清单？
• 6-1-7 聊天记录回显：如何实现前端加载顺序设计？如何实现数据回显？
• 6-1-8 实现会话管理，对话信息和面试记录回显接口
• 6-1-9 前后端联调如何跑通会话管理 对话信息回显的完整功能？
• 07 第7周 LangChain 智能体工程化落地
• 7-1 第1章 LangChain+Hermes 稳控 AI 执行
• 7-1-1 如何解决面试题老跑偏？学习计划乱生成？
• 7-1-2 介绍 LLM 应用开发框架 LangChain，以及什么时候需要用它
• 7-1-3 LangChain 调用链路：模型、提示词、记忆、智能体各负责什么？
• 7-1-4 AI模型调用：如何配置模型参数并对参数进行调优？
• 7-1-5 实现一个 轻量版AI Agent，吃透 LangChain 5 大核心作用
• 7-1-6 实现一个 轻量版AI Agent，吃透 LangChain 5 大核心作用
• 7-1-7 AI 对话场景中 Markdown 渲染技术深度解析（上）
• 7-1-8 AI 聊天场景中 Markdown 渲染技术深度解析 下
• 7-1-9 本章总结
• 08 第8周 智能体提示词工程化
• 8-1 第1章 Prompt提示词工程化管理、版本控制
• 8-1-1 如何复原面试题与学习计划？搭建提示词管理体系
• 8-1-2 高价值提示词深度解读：AI+智能体该遵循哪些行为准则？
• 8-1-3 提示词怎么按场景拆？如何对不同功能的 Prompt 模板进行设计？
• 8-1-4 提示词版本控制与回滚：版本如何规范管理？支撑版本回滚的数据表要怎么设计？
• 8-1-5 提示词变量注入 – 从通用模板到个性化提示词
• 8-1-6 提示词工程化验收：如何完成调优、版本切换与回滚的全流程测试验收？
• 8-1-7 本章总结
• 09 第9周 企业级智能体 RAG 向量知识库搭建
• 9-1 第1章 知识库构建，实现学习资料简历可检索、可追溯、可复现
• 9-1-1 AI 检索文本资料 — 它到底是怎么理解文字的？
• 9-1-2 为什么需要向量数据库？距离怎么算？Qdrant+理论基础
• 9-1-3 如何用 Qdrant 建库、写入向量块并完成文本信息分块处理？
• 9-1-4 如何用 Qdrant 建库、写入向量块并完成文本信息分块处理？
• 9-1-5 文本切块策略——从能用到用好
• 9-1-6 根据用户上传的文档 — 提取文字、切块、向量化处理并写进入 Qdrant
• 9-1-7 文件向量化处理功能前后端联调：全链路功能验收
• 9-1-8 章节总结
• 10 第10周 RAG检索增强生成系统，提升面试问答可信度
• 10-1 第1章 RAG检索增强生成系统，提升面试问答可信度
• 10-1-1 打通检索链路，让 Agent 真正“读过”你的资料
• 10-1-2 扫描件 PDF 读不出字？接入 OCR 给解析器加兜底
• 10-1-3 当切片割裂语义：递归切片如何让文档切片不再“断章取义”？
• 10-1-4 切片只存向量库够吗？为什么还要在 MySQL 存一份原文
• 10-1-5 用户提问后发生了什么？问题向量化与相似片段检索
• 10-1-6 让RAG 检索结果真正可用——工程细节
• 10-1-7 把知识库接进对话 — 从检索结果到流式回答
• 10-1-8 RAG检索全流程——让大模型引用你上传的资料作答
• 10-1-9 RAG 检索前端功能完善，并对功能进行测试
• 11 第11周 LangGraph工作流编排，实现学习、面试流程自动化执行
• 11-1-1 为什么需要工作流编排？
• 11-1-10 本章总结
• 11-1-2 LangGraph是什么？有什么特点和作用？
• 11-1-3 LangGraph 实战：实现轻量版面试出题AI 智能体
• 11-1-4 LangGraph 实战：实现轻量版面试出题AI 智能体
• 11-1-5 工作流状态设计原则 + 节点职责划分
• 11-1-6 学习工作流最小闭环——从为什么到怎么跑通（一）
• 11-1-7 学习工作流最小闭环——从为什么到怎么跑通（二）
• 11-1-8 学习工作流最小闭环——从为什么到怎么跑通（三）
• 11-1-9 学习工作流 — 功能测试
• 12 第12周 A2A + Hermes全域管控
• 12-1 第1章 A2A协议，解决学习面试流程割裂问题
• 12-1-1 为什么需要 A2A 协议？—— 多智能体协作的必然选择
• 12-1-2 看懂 A2A 跨进程交互流程图：物理隔离与标准化信封通信
• 12-1-3 走通一次 A2A 全流程 —— 消息信封、路由决策、的最小闭环
• 12-1-4 盘点现有项目里已经具备的 智能体协作能力 ，并提出改进方案
• 12-1-5 落地 A2A 消息信封——让 多智能体说同一种外交语言
• 12-1-6 A2A 接力调度器实现：校验并消费 Agent 信封数据
• 12-1-7 本章总结
• 代码+PDF课件
• PDF课件
• 多模态多智能体前置基础串讲及Harness与Hermes
• 学面通AI多模态多智能体项目需求拆解
• 学面通AI如何让学习与面试效率提升数倍
• 代码
• harness-hermes-multiagent-code-master
• harness-hermes-multiagent-resource-master