2026 持续更新中 · 目标打造「全网最完整」AI Agent 教程 —— 系统教程 + 可跑源码 + 面试题库 + 企业级实战项目，全面对齐「AI 智能体 / 大模型应用开发工程师」培训课表与招聘 JD的一条龙学习路线
📢 说明：教程持续迭代，为 2026 年最新版 AI 智能体 笔记与教程，预计 5 月第一版更新完毕，完成「从入门到企业级」闭环。当前已完成并更新概念篇内容，接下来将进入实战项目篇的持续更新。你可以点击更新日志，了解最新仓库动态。若对你有帮助，欢迎 Star ⭐~
- 🧭 系统性学习路径，一条线拉通：从大模型与提示词，到低代码（Coze/Dify）与代码框架（LangChain/LangGraph），再到企业级 RAG/Agent、微调与工程规范——按知识体系统一编排，完整链路闭环，适合系统吃透而不是碎片化收藏。
- 🐍 聚焦 Python 生态，拒绝 Java 绕路：很多智能体课程会围绕 Spring AI、langchain4j 展开，更偏 Java 技术栈；而这套教程主线只讲 Python，重点就是 LangChain / LangGraph 这条路线，是真正意义上的大模型智能体速成入门。
- 📘 通俗易懂，真正适合零基础入门：整套教程按由浅入深的方式编排，先讲清大模型、提示词、Agent、RAG、MCP 等核心概念，再逐步进入框架与项目实战，尽量少讲新手难懂的“黑话”，更适合第一次系统学习大模型智能体开发的人。
- 💼 企业级实战，对标「能干活」：以商户运营管家、掌柜智库、电商小二、掌柜问数、市场罗盘等为主线，串起意图解析、多源知识、转人工、复盘与监控；把 多路召回、评测、观测、成本、护栏 放进真实语境里练。写简历、讲项目有抓手、不空泛。
- ✅ 每个案例都以“能跑起来”为标准：不只是讲概念或贴伪代码，而是尽量提供可运行案例、源码、环境说明和常见问题排查。案例内容均按人工实际跑通的思路整理，帮助你少踩坑、尽快上手。
- 📚 教程源码面试，三位一体能跑通：不止「看完」，还能「跑通」更能「答出来」——可运行案例与源码、提示词模板与部署思路，拒绝「只讲概念」。面试题库按培训班与 JD 常见能力域拆题，其中有相当一部分题目整理自大厂真实面试题、公开面经与高频追问场景，适合转岗/应届集中复盘。
- 🚀 面向 2026，开源且硬核：栈与问法随生态迭代，对齐「AI 应用开发工程师」万元级培训课表维度；同类课侧重「教什么」，本仓库额外把高频面试怎么答摊开给你。若有用，Star 即打赏 ⭐。
| 类别 | 技术/平台 | 说明 |
|---|---|---|
| 大模型与基础 | LLM、Transformer、MoE、自注意力 | LLaMA/Qwen/GPT、多模态、预训练/微调/推理 |
| 提示与编排 | 提示词工程、Chain of Thought、Few-shot | 多轮对话、记忆管理、Agent 与工具调用 |
| 低代码平台 | Coze（扣子）、Dify | 工作流、Agent、知识库、插件、Python 调用 |
| 开发框架 | LangChain、LangGraph | Model I/O、Chains、Memory、Agents（ReAct）、Retrieval、图状工作流 |
| 协议与通信 | MCP（Model Context Protocol）、A2A | Function Calling、服务解耦、跨 Agent 通信 |
| RAG 与检索 | 向量数据库、稀疏检索、Neo4j、HyDE、BGE-Rerank | 多路召回、知识图谱、RAGAS 评估 |
| 文档与多模态 | MinerU、OCR | 图文混排 PDF 解析、设备手册与售后指南 |
| 部署与运维 | Docker、Ollama、Xinference、vLLM | 腾讯云/阿里云、AutoDL、Coze 本地部署 |
| 微调与训练 | PEFT、LoRA、QLoRA、DeepSpeed、Llama-Factory | Alpaca/ShareGPT 数据格式、Safetensors/ONNX |
| 编程与工具 | Python；Trae AI、Qoder（辅助 IDE） | 主语言为 Python；Trae / Qoder 为教程中涉及的 AI 编程辅助工具，多模型 API、MCP 接入与调试 |
| 求职与面试 | 面试题库 | 按岗位能力域组织 问法 + 答法；对齐同类线上培训结业能力与 JD 高频考点 |
- 可上线的项目能力，能独立交付 AI Agent 应用（从环境到部署），从「只会调 API」进阶到能落地的工程实践。
- 体系化的架构表达，能讲清楚 RAG、Agent、MCP 等设计与取舍，面试与简历里经得起追问。
- 面试与 JD 对齐，独立 面试题库，与正文题号互链，按岗位能力域组织问法与答法，适合应届与转岗梳理口径。
- 工程化与简历素材，企业向案例与多路召回、观测、成本等表述，项目可演示、可写进简历。
- 可检索的知识地图，成体系目录 + 案例源码，与常见「智能体 / 应用开发」课表维度对齐，便于对照补缺，少踩「只看过文章没跑过」的坑。
- 明确的岗位对标，可胜任 AI 应用开发工程师、AI Agent 工程师、AI 自动化流程开发及 AI 产品技术负责人等方向；尤其适合前端 / 后端 / 产品等背景转型 AI 与智能体开发。
| 章节编号 | 章节名称 | 内容概要 |
|---|---|---|
| 01-1 | 大模型（LLM）认识与环境准备 | 起源与发展、AGI 关系、主流模型特点与适用场景、预训练/微调/推理 |
| 01-2 | 大模型架构原理 | Transformer、MoE、自注意力、LLaMA/Qwen/GPT、多模态 |
| 01-3 | 大模型调度平台 | Ollama、私有大模型调用、云端/本地部署（AWS、阿里云等） |
| 01-4 | 提示词工程 | 核心原则与结构、链式思维与 Few-shot、多轮对话与记忆、在 Agent 与工具调用中的应用 |
| 章节编号 | 章节名称 | 内容概要 |
|---|---|---|
| 02-1 | Coze（扣子）平台 | 界面与功能、插件/知识库/工作流/智能体、Python 调用工作流 |
| 02-2 | 项目 1：商户运营管家 | 行业调研 PPT、爆款视频复刻、营销海报、卖点提炼、评论分析 |
| 02-3 | Dify AI 平台 | 工作流/Agent/知识库、多案例（投诉分类、调研报告、客服分析、评论分析）、Python 调用 |
| 02-4 | 容器化技术 | Docker 核心概念、安装与常用命令 |
| 02-5 | 企业级大模型部署 | 腾讯云/阿里云、Docker、Dify、AutoDL、Ollama、Xinference、Coze 本地部署 |
| 02-6 | AI 代码编程工具 - Trae AI | 安装使用、多模型 API、MCP 接入 |
| 02-7 | AI 代码编程工具 - Qoder | 使用与调试、项目开发 |
| 章节编号 | 章节名称 | 内容概要 |
|---|---|---|
| 03-1 | LangChain 框架原理与应用 | Model I/O、Chains、Memory、Agents（ReAct）、Retrieval、电商商家对话助手案例 |
| 03-2 | LangGraph 框架原理与应用 | 图状思维、State/Node/Edge、持久化记忆、流式输出 |
| 03-3 | MCP 从原理到实战 | 与 Function Calling 对比、通信机制、工作流程、Server 部署与自定义开发 |
| 03-4 | 跨 Agent 通信：A2A 协议 | 与 MCP 关系、消息与认证、典型场景 |
| 章节编号 | 章节名称 | 内容概要 |
|---|---|---|
| 04-1 | 项目 2：掌柜智库 | LangGraph RAG 工作流、MinerU/OCR、向量+稀疏+Neo4j 多路召回、HyDE/BGE-Rerank、RAGAS 评估 |
| 04-2 | 项目 3：电商小二 | 意图解析、多源知识库、流式回复、转人工机制、对话复盘、多渠道与监控 |
| 04-3 | 项目 4：掌柜问数 | 自然语言转数据查询、多轮问数、权限适配、可视化输出 |
| 04-4 | 项目 5：市场罗盘 | 场景化任务拆解、从 0 到 1 设计与开发、阶段目标与进度管控、代码评审与成果展示 |
| 章节编号 | 章节名称 | 内容概要 |
|---|---|---|
| 05-1 | 大模型微调核心 | 数据与格式（Alpaca、ShareGPT）、PEFT/LoRA/QLoRA、全参数微调与 DeepSpeed、vLLM 部署、评估 |
| 05-2 | 企业级微调数据集构建 | 公开/私有数据、标注与质量、数据增强 |
| 05-3 | 基于 Llama-Factory 的高效微调 | 环境与参数、单卡/多卡、Safetensors/ONNX |
| 05-4 | 调优案例 | 学习率与 LoRA 秩、loss/评测对比、业务场景下的迭代策略；多组对照的完整微调—评测—部署案例 |
| 章节编号 | 章节名称 | 内容概要 |
|---|---|---|
| 06-1 | 企业大模型研发流程 | 技术调研、方案与框架设计、RAG 与 pipeline、评估与角色、立项与需求文档 |
| 06-2 | 大模型当下热点 | Agent/RAG 主流技术、前沿与热点跟踪 |
结合 在线文档 一起学习。想马上跑通一个案例？按下面几步即可。更详细的环境说明、API 申请、常见报错处理见 新手入门与常见问题。
-
克隆仓库并进入项目目录
git clone https://github.com/didilili/ai-agents-from-zero.git cd ai-agents-from-zero -
准备环境（推荐 Python 3.10，支持 3.10–3.13）
python3.10 -m venv .venv source .venv/bin/activate # macOS/Linux # .venv\Scripts\activate # Windows CMD pip install -r requirements.txt
-
配置 API Key
- 将根目录下的
.env-example复制为.env - 在
.env中填入你的 API Key（如通义千问/阿里百炼、DeepSeek 等），变量名需与代码一致（如aliQwen-api、QWEN_API_KEY、deepseek-api） - 各平台 Key 的申请方式见 新手入门与常见问题 - 各 API 平台如何申请 Key
- 将根目录下的
-
在项目根目录运行第一个案例
python 案例与源码-2-LangChain框架/01-helloworld/StandardDesc.py
注意：必须在项目根目录执行
python，否则会读不到.env。若不想用云 API，可使用 Ollama 本地模型（无需 Key）。
遇到 ModuleNotFoundError、API Key 报错、找不到 .env 等，请查看 新手入门与常见问题 - 常见问题与解决。
- 目标：做一套真正适合入门的智能体速成教程，不仅能把概念讲清楚，还能把案例跑起来，让你从 0 到能独立做 RAG / Agent 类项目，并能用工程化语言讲清楚自己的方案与项目。
- 技术定位：聚焦 Python 智能体开发路线，重点讲 LangChain / LangGraph 及相关工程实践，不走 Spring AI / langchain4j 的 Java 路线，更适合想直接进入 Python 大模型应用开发的同学。
- 教程来源：参考尚硅谷《大模型智能体线上速成班》等课程资料，并在此基础上结合公开文档、社区实践与项目经验持续重构、补充与维护，逐步整理成一套 Python 智能体应用开发 的系统化学习资料。
- 面试题来源：题库中有相当一部分题目整理自大厂真实面试题、公开面经与高频追问场景，并结合本仓库的章节主线做了工程化重构，更适合按项目和系统设计视角复习。
- 内容构成：系统章节笔记 + 可运行案例源码 + 面试题库 （对标同类线上培训与社招/校招 JD）。
仓库英文名：ai-agents-from-zero · 仓库中文名：《AI 智能体实战速成指南：从零到企业级落地》