**📢 更新说明**：**AI 不停，更新不止**。本仓库将伴随 **AI 大模型技术栈持续进化**，坚持 **开源、系统化、长期更新**。模型、框架、Agent、实战项目，都会随着生态变化持续完善和升级。它不只是帮你入门，而是陪你一路成长，从零基础到能真正落地。 目前 **概念篇** 已全部更新完毕，两个完整实战项目也已更新完毕：`NL2SQL + LangGraph` 实战项目 [电商问数](实战项目-电商问数/0-前言.md)（[源码仓库](https://github.com/didilili/shopkeeper-agent)）已于 5 月 3 日完成。`DeepAgents` 多智能体实战项目 [深度研搜](实战项目-深度研搜/0-前言.md)（[源码仓库](https://github.com/didilili/deepsearch-agents)）已于 5 月 17 日完成。你可以点击[更新日志](教程更新日志.md)，了解最新仓库动态。 市面上 AI 大模型应用内容很多，但绝大多数是碎片化帖子、收费训练营等；本仓库就是让你不用先花大几千甚至上万，也能系统进入大模型应用开发。若对你有帮助，欢迎 **Star** ⭐~ ## ✨ 教程亮点 - **🌱 全网首个系统开源的 AI 智能体教程**：这是一套长期维护的 AI 大模型应用开发路线图。市面上不缺零散帖子，也不缺收费训练营，但真正系统、持续更新，并且覆盖 **教程 + 源码 + 实战项目 + 面试题库** 的 AI 大模型应用教程极少。本仓库要做的就是把这条路线公开、做深、做完整，陪你从入门、进阶、项目实战一路成长。 - **🧭 一条线拉通大模型应用全栈**：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，直击 Agent 工程**：很多课程会围绕 **Spring AI**、**langchain4j** 展开，更偏 Java 技术栈。本教程主线聚焦 **Python + LangChain + LangGraph**，直接对齐当下 AI Agent / 大模型应用开发最常用的工程路线。 - **📘 零基础能进，工程师也能深挖**：整套教程按**由浅入深**的方式编排，先把大模型、Agent、RAG、MCP、Tool Calling 这些核心概念讲透，再进入源码、框架、部署和项目设计。少讲玄学黑话，多讲“为什么这么设计、代码怎么跑、项目怎么落地”。 - **💼 企业级实战，对标「能干活」**：以电商问数、深度研搜、掌柜智库、电商小二等为主线，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，持续进化且硬核**：技术栈与高频问法会随生态迭代，对齐「AI 应用开发工程师」万元级培训课表维度；不只告诉你“学什么”，还告诉你“怎么做项目、怎么讲项目、怎么答面试”。若有用，**Star 即打赏 ⭐**。 ## 🛠 技术栈概览 | 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、Tool Calling、Skills | 多轮对话、消息模板、结构化输出、工具调用、技能化能力沉淀 | | **低代码平台** | Coze（扣子）、Dify | 工作流、Agent、知识库、插件、Python 调用与本地化部署 | | **开发框架** | LangChain、LangGraph、DeepAgents | Model I/O、Runnable / LCEL、Memory、Tools、Agents、图式工作流、多智能体 | | **协议与通信** | MCP（Model Context Protocol）、A2A | Function Calling、服务解耦、外部工具接入、跨 Agent 协作 | | **RAG 与检索** | 向量数据库、稀疏检索、混合检索、BGE-Rerank | 多路召回、重排序、知识图谱、RAGAS 评估、高级 RAG 优化 | | **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；Codex、Cursor | 主语言为 Python；覆盖 AI 编程工具、Agent Skills、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 | ## 🎯 你学完能收获什么？ - **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](AI智能体与大模型应用开发面试题库.md)，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。 ## 📚 教程大纲（节选） 完整导航见 **[教程目录大纲](教程目录大纲.md)** 与 [在线文档](https://didilili.github.io/ai-agents-from-zero/#/)。 ### 01 大模型基础能力构建 | 章节名称 | 内容概要 | | --------------------------- | -------------------------------------------------------------------------------- | | 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 | | 大模型架构原理 | Transformer、MoE、自注意力、LLaMA/Qwen/GPT、多模态 | | 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） | | 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 | ### 02 企业低代码平台开发与项目实战 | 章节名称 | 内容概要 | | ------------------------- | ---------------------------------------------------------------------------------- | | 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 | | 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 | | 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 | | 容器化技术 | Docker 核心概念、安装与常用命令 | | 企业级大模型部署 | 腾讯云/阿里云、Docker、Dify、AutoDL、Ollama、Xinference、Coze 本地部署 | | AI 代码编程工具 - Trae AI | 安装使用、多模型 API、MCP 接入 | | AI 代码编程工具 - Qoder | 使用与调试、项目开发 | ### 03 大模型核心开发框架 | 章节名称 | 内容概要 | | ------------------------ | --------------------------------------------------------------------------- | | LangChain 框架原理与应用 | Model I/O、Prompt、Parser、Runnable / LCEL、Memory、Tools、Retrieval、Agent | | LangGraph 框架原理与应用 | 图式思维、State/Node/Edge、持久化记忆、流式输出、多智能体与 A2A | | 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 | | 跨 Agent 通信：A2A 协议 | 与 MCP 关系、消息与认证、典型场景 | ### 04 企业级 RAG / Agent 项目实战 | 章节名称 | 内容概要 | | --------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | 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 | | 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 | | [电商问数](实战项目-电商问数/0-前言.md) | 围绕自然语言问数，完整串起 MySQL 数仓、元数据知识库、Qdrant 向量检索、Elasticsearch 字段值检索、LangGraph 工作流、SQL 生成校验执行、FastAPI SSE 和前后端联调 | | [深度研搜](实战项目-深度研搜/0-前言.md) | 基于 [DeepAgents](实战项目-深度研搜/1-DeepAgents基础与核心概念.md) 搭建多智能体研究系统，串起网络搜索、MySQL 查询、RAGFlow 知识库、文件读取生成、FastAPI 接口和 WebSocket 实时进度回传 | | 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 | ### 05 大模型微调实践 | 章节名称 | 内容概要 | | ----------------------------- | ---------------------------------------------------------------------------------------- | | 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 | | 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 | | 基于 Llama-Factory 的高效微调 | 环境与参数、单卡/多卡、Safetensors/ONNX | | 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 | ### 06 大厂开发规范 | 章节名称 | 内容概要 | | ------------------ | --------------------------------------------------------------------- | | 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 | | 大模型当下热点 | Agent/RAG 主流技术、前沿与热点跟踪 | ## 🏗️ Agent 项目架构与技术架构  ## 🚀 快速开始 结合 [在线文档](https://didilili.github.io/ai-agents-from-zero/#/) 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](新手入门与常见问题.md)。 1. **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 2. **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 3. **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](新手入门与常见问题.md#_5、各-api-平台如何申请-key？) 4. **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](新手入门与常见问题.md#_54-不想用云-api：用本地-ollama（无需-key）)（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](新手入门与常见问题.md#_6、常见问题与解决)。 ## 📖 关于本仓库 - **目标**：做一套**真正适合入门、系统、且长期更新的 AI 智能体实战速成教程**，不仅把概念讲清楚，也把案例跑起来，让你从 0 到能独立做 **RAG / Agent / 多智能体** 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](AI智能体与大模型应用开发面试题库.md)** （对标**同类线上培训**与**社招/校招 JD**）。 ## ⭐ Star History []() **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》

标签：AI智能体, AI风险缓解, DLL 劫持, LangChain, 大语言模型, 学习教程, 检索增强生成, 请求拦截, 轻量级, 逆向工具, 面试题库