课程介绍

Agent是大语言模型时代AI 应用开发的主要范式。本次分享将从大语言模型驱动的 AI Agent 出发，阐明 Agent 在生成式 AI 时代的定位与价值，剖析其主流思维框架；重点对比 LangChain、LangGraph、LlamaIndex Agent、CrewAI、AutoGen，以及 DiFY、Coze 等低代码平台的架构特性与适用场景，为不同需求下的 Agent 开发提供选型参考。

同时还会进行 Agentic RAG 框架的实战演示，展示如何构建高效检索与自我反思型问答系统，并深入探讨多 Agent 系统的协作价值。随着AI生态的不断进展，我们有必要聚焦 MCP 与 A2A 协议，揭示它们如何助力 Agent 完成工具调用与跨 Agent 通信，并展望 AI Agent 生态的未来发展方向。

 课程大纲  

用LangGraph实现Retrieval Agent 

Part 1： 大语言模型驱动的Agent

• 如何定义大语言模型时代的AI Agent

• Agent的5个发展层级

• Agent设计过程中的核心概念：工具、规划、记忆、执行、协作。

·         CoT，ReAct, Plan&Execute, Self-Ask等 Agent思维框架

Part 2：主流Agent开发框架的介绍的比较

• LangChain，LangGraph，LlamaIndex Agent，CrewAI和AutoGen

• DiFY,   Coze等低代码Agent开发平台的特点

• 各种Agent开发框架所适用的应用场景之比较。

Part 3：Agent落地实战实操（动手制作智能体）

这个部分是课程的重点部分

3.1. 用 Coze 平台实现：AI 新股情报分析师智能体

场景简介：
智能体专注于全球新股领域，能够实时抓取招股书、研报和新闻，结合RAG技术生成简明扼要的投资情报摘要。

教学目标：

• 了解 Coze 平台低代码创建 Agent 的流程

• 使用 Coze 接入第三方数据源（如招股书PDF、金融研报API）

• 基于 Coze 的“Function+Memory”系统实现文档解析与多轮对话

• 设计消息流结构，使用户能够提问如“这家公司最大的风险是什么？”等问题，并获得结构化答案

• 展示如何在 Coze 中嵌入多文档RAG能力

• 实现“财务数据提取 + 风险提示      + 投资摘要”的全流程输出

3.2. 用 LangGraph 平台实现：货币兑换助手智能体

场景简介：
该智能体接受用户自然语言请求，自动调用实时汇率接口、及语言翻译功能，完成复杂链式任务。

教学目标：

• 掌握 LangGraph 中定义状态节点与多分支逻辑的方式

• 利用 LangGraph 实现“获取汇率 → 判断用户币种 → 计算转换结果 → 输出结果”自动任务流

• 集成工具（Tool）调用与上下文记忆机制，实现复杂意图拆解与动态决策

• 展示如何用 LangGraph 编排多个子任务，构建可自我演进的多功能助手

• 教学多Agent协作流中的“条件分支控制”、“子任务复用”设计模式

3.3. 用 OpenAI Assistant API 实现：办公自动化智能体

场景简介：
企业用户的日常任务（写日报、整理邮件、生成会议纪要、安排日程）由该智能体自动完成，提升工作效率。

教学目标：

• 理解 OpenAI Assistant 中“function calling +      file tool + thread memory”的应用机制

• 通过 Assistant API 实现用户上传会议录音后，自动生成摘要和待办事项

• 演示如何构建多轮对话的工作助手，包括用户偏好记忆、自动分类、上下文理解等

• 展现 Assistant 平台原生RAG能力及文件/代码分析能力

• 构建一个“多文档处理 + 自动完成任务”的办公小助理原型

3.4. 通过 MCP 实现：金融文档检索 RAG 智能体

场景简介：
在金融风控或投研场景中，企业用户希望通过自然语言快速查询金融政策、财报、评级报告等结构化与非结构化数据。

教学目标：

• 理解 MCP（Model Context Protocol）的协议机制与资源调用方式

• 构建一个支持“PDF解析 + 数据库查询      + 实时接口调用”的统一Agent服务

• 通过 MCP 实现模型可控的工具调用与信息检索流程

• 支持“可溯源”的RAG问答系统，返回原始文件片段与摘要

• 教学如何用 FastMCP 快速创建一个金融智能体后端服务，适配 Claude、GPT 等不同模型客户端

3.5. 通过 A2A 实现：多智能体协作助手系统

场景简介：
构建一个面向企业的智能协同平台，支持多个角色型智能体（如法务Agent、财务Agent、秘书Agent）共同协作处理任务，如合同审批、项目预算评估、会议协调等。

教学目标：

• 了解 Google A2A（Agent-to-Agent）协议的核心思想和消息格式（A2A Task）

• 学会使用 CrewAI、LangGraph 等工具创建 A2A Server 与 Client

• 实现任务拆分、并行调用、结果聚合等多智能体协作机制

• 展示智能体之间如何进行意图协商、子任务委派与结果整合

• 教学智能体“平台即服务”的部署方式，使每个智能体可注册、可发现、可远程复用

• 分析任务调度中的关键问题，如依赖管理、容错处理与上下文共享

Part 4： 多Agent系统框架 - 协作式AI

• 多Agent系统的价值：大型复杂任务的分解与协作

• AutoGen：Agent自主生成子Agent执行子任务

• MetaGPT：将任务分解为函数,动态创建Agent执行

• 构建多Agent系统执行复杂任务

Part 5： MCP和A2A时代的Agent

• MCP协议助力Agent完成工具调用

• A2A      协议要点与消息传递流程

• 代理间通信与多代理协作

• AI      Agent未来生态发展之展望