开发强大的AI系统, 帮助企业解决实际问题 | Building Agentic AI Applications with a Problem-First Approach

学会根据公司的具体情况来做出最适合的决定，搞清楚什么时候、在哪些地方能最有效地利用AI技术，还要知道怎么开发一个能让多个AI代理一起工作的应用程序。这样你就能确保技术真正为业务服务，最大化效率和效果。

课程说明

设计并构建有影响力的代理AI系统来解决商业问题。

是的，我们教授RAG（检索增强生成）、评估、代理、MCP（多任务协同处理）、多代理系统、上下文工程等内容，以及所有这些相关技术。但我们的教学始终围绕如何使用这些工具来解决商业问题。如果你只是想要一份热门技术的清单，而不关心何时或为何使用它们，请不要加入我们的课程。:)

你将学到什么

所有核心内容都是预先录制的，以便学生可以专注于双向互动。讲座异步观看，每周举办四次办公时间用于答疑和头脑风暴。

第一周：了解什么是“问题优先”

• 解码为什么代理AI打破了传统软件假设
• 通过确定性谱分析幻觉、延迟和提示脆弱性
• 开放与封闭模型：权衡合规性、延迟和成本
• 基于早期数据集和代理指标的问题优先、评估驱动设计
• 分解生产级用例并在渐进系统版本中重新设计

第二周：智能地使用正确的评估进行提示工程

• 拆解从零样本提示到自优化模型的演变
• 掌握上下文工程：分解、元提示、算法优化
• 根据任务、成本和延迟分析何时使用仅提示系统
• 比较模型级策略：推理与常规，并解释每种策略的适用场景
• 使用LLM法官、语义评分和离线测试添加护栏和评估层

第三周：RAG不仅是基础，更是自我改进代理的基础

• 通过动态检索和内存支持的上下文注入解决无状态问题
• 构建强大的RAG管道，采用高级分块、嵌入选择和检索方法
• 探索GraphRAG、代理RAG和多模态RAG等高级方法及其权衡
• 为自我反思的代理行为设计情节记忆、语义记忆、程序记忆和工作记忆层

第四周：从企业视角看MCP和多代理+微调

• 理解代理中的规划自主性以及动态工具使用和多轮推理如何超越静态工作流程
• 比较代理级别及其控制维度：行动、规划、进化和物理自主性
• 探索MCP（模型上下文协议）和A2A作为新兴的代理工具通信标准
• 调查MCP和A2A中的关键安全挑战，了解如何通过护栏、工具签名、审计追踪提高可靠性
• 分析多代理系统中的协调模式，包括共享内存治理、状态同步、AI串通风险、评估、日志记录和可观测性
• 探索微调杠杆（SFT、RLHF、PEFT等），与RAG对比，并确定何时从上下文注入转向模型适应

第五至六周：在顶点项目中整合所学知识

• 六人一组工作
• 选择一个商业问题并设计/实现解决方案
• 向4000多名公众展示，包括领导者、风投和招聘经理

课程作业

你将通过三次迭代构建一个代理搜索系统（类似于Perplexity），最终迭代将使用代理RAG、MCP和多代理。你可以选择低代码/代码路线完成任务。

本课程不适合谁

• 已经在企业部署了Gen AI的人：本课程是为企业AI设置的应用基础课程，只需具备基本Python技能，无需机器学习背景。如果你已经熟悉部署AI系统，核心内容对你帮助不大。不过，如果你想拓展人脉并完善最佳实践，欢迎加入
• 寻求深度理论知识的人：本课程强调应用学习和实际问题解决，而不是深入探讨理论主题如Transformer架构、预训练/后训练优化、推理技术或对齐
• 从未编写过代码的人：虽然我们提供低代码选项，但本课程假定你有一些编码经验。不适合从未写过或处理过基本代码的人
• 期望深入研究AI的人：虽然我们会涵盖前沿技术，但本课程重点在于将AI应用于商业问题，而非研究导向的探索
• 对扩展和运营感兴趣的人员：本课程不会过多关注扩展或运营方面（例如LLMOps）。部署将在高层次上介绍，但不会深入探讨

你将从这门课程中获得什么

解决真实企业挑战，而不仅仅是概念

虽然大多数课程仅限于教授工具和框架，但本课程更进一步，专注于解决现实世界中的商业问题。你将面对诸如成本、可扩展性、延迟和性能等实际限制条件，学习设计针对真实用例量身定制的AI解决方案。

应用概念构建智能搜索系统

在学习应用AI概念的同时，我们将通过动手操作把这些概念付诸实践，比如构建一个类似Perplexity的AI驱动搜索系统，并通过详细的实践教程展示其实际应用（提供低代码选项）。

终期项目实践

学习如何将前沿研究与实际应用相结合。在综合项目中，您将使用我们精心挑选的最新研究论文列表来设计和实施针对实际商业用例的解决方案。我们的某些综合项目也获得了风险投资资金。

理解挑战和有效评估

深入了解在构建AI系统时面临的关键挑战，包括处理幻觉、对抗攻击、安全性和隐私问题等，并学习全面评估AI解决方案的最佳实践。