课程大纲

Part 1：大语言模型驱动的Python Agent基础

•用Python定义与实现大语言模型时代的智能体

•大模型时代的Python应用开发概述

•AI Agent的5个发展层级

•AI Agent开发中的关键组件：工具（Tool）、规划、记忆、执行、协作

•常见思维框架实操：CoT、ReAct、Plan & Execute、Self-Ask

Part 2：Python 主流 Agent 框架对比

•LangChain、LangGraph、LlamaIndex、CrewAI、AutoGen的用法

•DIFY等低代码平台的特点与扩展能力

•Python 代码层面对比这些框架的应用场景

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DIFY 平台实现：金融研发辅助智能体

场景简介：

智能体专注于金融科技研发领域，能够实时抓取最新金融技术动态、研报和行业新闻，结合RAG技术对内部技术文档和行业规范进行智能检索，生成简明扼要的技术摘要与研发建议。

教学目标：

•了解 DIFY 平台低代码创建Agent的流程

•使用 DIFY 接入第三方数据源（如搜索引擎、金融数据API）

•基于 DIFY 的工作流与变量系统实现文档解析与多轮对话

•设计对话流程，使用户能够提问金融研发相关问题，并获得结构化答案

展示如何在DIFY中嵌入多文档RAG能力

实现"数据收集+资料提取+多文档总结+研发摘要"的全流程输出

3.2. 用LangGraph平台实现：金融系统工单检测与测试分析助手

场景简介：

对接金融系统工单/缺陷管理系统→抽取关键信息→匹配企业知识库和历史缺陷库/RAG→执行"缺陷检测（信息缺失、复现步骤不充分、环境不明、优先级标注不当等）"→输出结构化整改建议并自动回填标签/评论。特别适用于金融交易系统、风控系统等高可靠性要求场景。

教学目标：

•掌握LangGraph 中定义状态节点与多分支逻辑的方式

•意图识别、数据拉取、RAG、规则+LLM混合检测、优先级重估、自动化回写与通知。

•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：金融数据分析与报告自动化智能体

场景简介：

金融研发团队的日常任务（交易数据分析、生成测试报告、生成技术评审PPT、合规文档整理）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

•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：金融企业文档检索 RAG 智能体

场景简介：

在金融业务场景中，研发和测试人员需要通过自然语言快速查询技术规范文档、接口文档、测试用例库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快速创建一个企业智能体后端服务，适配 Claude、GPT 等不同模型客户端

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