（1）AI智能体概述与技术架构：理解智能体的定义、核心特征（自主性、反应性、目标导向、社交能力）及其与大语言模型的关系。掌握智能体系统的分级框架：反应式智能体、目标导向型智能体、自主学习型智能体。学习智能体的核心架构组件：感知模块、规划模块、记忆模块、行动模块。分析智能体技术的发展演进历程（从基于规则的智能体到LLM-based Agent）。
（2）大语言模型基础与智能体能力扩展：理解大语言模型的核心优势（自然语言理解、上下文学习、推理能力）和局限性（知识截止日期、无法调用外部工具、缺乏长期记忆）。学习函数调用（Function Calling）的原理与实现，使LLM能够调用外部API和工具。掌握结构化输出生成技术，支持机器可解析的函数调用和系统集成。了解提示词工程在智能体开发中的高级应用。
（3）记忆机制与知识管理：掌握智能体记忆的层次结构：短期记忆（会话上下文）、长期记忆（向量数据库）、语义记忆（知识图谱）。学习向量数据库的核心原理（嵌入、相似度搜索、ANN索引）及其在智能体记忆中的应用。实现基于向量检索的长期记忆存储和召回。了解知识图谱与智能体的融合，增强领域知识的获取能力。
（4）检索增强生成（RAG）与智能体融合：深入理解RAG的核心流程：文档加载、文本分块、嵌入生成、向量检索、上下文增强。学习RAG在智能体系统中的三种应用模式：作为知识库增强、作为长期记忆机制、作为工具调用的前置检索。掌握混合检索技术（稠密向量+稀疏向量+元数据过滤）和重排序策略（MMR多样性排序）。实现基于RAG的智能问答助手。
（5）工具调用与外部系统集成：掌握智能体工具调用的核心机制：工具定义、参数解析、执行与结果返回。学习如何封装外部API、数据库查询、代码解释器等功能为智能体可调用的工具。了解模型上下文协议（MCP）的原理与实现，实现标准化的工具接入。实践基于MCP协议的工具集成开发。
（6）智能体设计模式：系统学习智能体的核心设计模式及其适用场景。反射模式（Reflection）：智能体自我评估与输出优化。规划模式（Planning）：任务分解、目标分解与多步推理（思维链、思维树）。工具使用模式（Tool Use）：调用外部工具扩展能力。多智能体协作模式（Multi-Agent Collaboration）：角色分工与协同工作。通过实战案例掌握各模式的实现方法。
（7）智能体工作流编排：掌握智能体工作流的设计与实现方法。学习顺序工作流、并行工作流、分支路由工作流、循环迭代工作流的适用场景。使用LangGraph等编排工具构建复杂智能体工作流，理解节点、边、状态管理的核心概念。实现人机协同（Human-in-the-Loop）工作流设计，确保关键节点的监督与控制。
（8）LangChain智能体开发实战：系统学习LangChain框架的核心组件：模型封装、提示词模板、输出解析器、记忆组件、工具集成。掌握LangChain表达语言（LCEL）实现可组合的工作流。实践基于LangChain的智能体开发，包括ReAct智能体、计划执行智能体等。实现智能体的错误处理、重试机制和状态管理。
（9）LangGraph多智能体协同开发：掌握LangGraph的核心概念：图结构、节点、边、状态、条件路由。学习多智能体系统的协作拓扑结构：层次式、并行式、环形式、路由器式。实现多智能体间的通信机制和角色分配。实践开发多智能体协同系统（如写作团队、客服团队、代码开发团队）。
（10）低代码智能体开发平台：学习使用Dify等低代码平台快速构建智能体应用。掌握平台的完整功能：对话应用构建、智能体应用构建、工作流应用构建、知识库应用构建。实现基于知识库的专属智能助手开发。学习自定义插件和API扩展智能体能力的方法。
（11）智能体系统评估与优化：掌握智能体系统的评估指标体系：任务完成率、规划合理性、工具调用准确率、响应延迟、成本控制。学习智能体系统的测试方法：单元测试、集成测试、场景测试、对抗测试。了解智能体的可观测性设计：日志记录、追踪链路、性能监控。掌握智能体系统的持续优化策略（数据飞轮）。
（12）综合项目实战：企业级智能体系统开发：结合所学知识，完成一个完整的智能体系统开发项目（如智能客服系统、数据分析助手、内容创作团队、代码开发智能体等）。涵盖需求分析、架构设计、智能体开发、工具集成、工作流编排、多智能体协同、系统评估与部署的全流程，形成规范的智能体项目报告。
