第一部分原理讲解 课程第一章节我们会拆解这些技术概念背后的设计目的与核心定义 第二章节我们会落地代码实操讲解完整实现的操作方法。 我们先从大家都熟悉的 ChatGPT 讲起。ChatGPT 本质由两部分组成前端聊天交互界面以及底层搭载的 GPT 大语言模型。 聊天界面本身和市面上普通聊天软件没有区别而 GPT 就是我们所说的大语言模型也是整套产品的 AI 核心。 市面上你大概率还听过许多其他大语言模型Anthropic 公司的 Claude、DeepSeek、Gemini、Llama 等等。本节课不会深入拆解各类大模型的底层细节后续内容里我们统一将这类 AI 简称为 LLM文中提到的 LLM 可以指代上述任意一款大模型。 它的基础运行逻辑是用户在 ChatGPT 对话框提出问题后前端应用会向底层 LLM 发送请求大模型生成一段文字回复再传回界面展示给用户。 我们举一个业务场景举例假设我们自研一款类似 ChatGPT 的应用 FlyGPT核心功能是帮用户预订机票。如果我输入需求“我想飞往北伦敦”理想状态下程序应当直接帮我完成订票全流程。 按照前面讲的基础逻辑我们自然会想到用 LLM 作为核心模块让它理解用户的订票需求。 但实际使用后会发现一个问题大模型只会返回一段文字操作说明无法真正完成订票动作。这正是大语言模型原生的局限性 大模型仅能生成文本、图片、视频类内容它本身没办法独立执行现实世界里的操作、主动落地真实动作。 那这里所说的 “执行真实动作” 具体指什么 以订票场景举例当我说 “我想飞往北伦敦” 时程序需要完成一整套联动操作对接 JOYAir、DracAir、AeroGo 这类第三方机票服务商从平台拉取所有航班信息再结合我的个人偏好筛选航班 —— 比如优先低价还是高端舱位、座位选择、餐食要求。 程序需要整合全部信息做出最优选择持续检索补充数据直到信息充足随后自动完成机票预订最后向我展示航班详情与预订编号。 简单来说我们希望 AI 能主动替我们完成真实业务操作。 想要实现这套完整流程我们就需要一个特殊的工具 ——AI 智能体AI Agent。 AI 智能体能够对接第三方平台、网站采集外部信息结合历史对话记忆综合分析再联动底层 LLM核心 AI为用户做出决策。 这就是 AI 智能体的核心定位它可以对接各类第三方工具留存长期对话记忆联动大模型进行多轮循环推理与工具调用持续迭代直到收集到足够信息做出判断随后执行订票这类真实操作全程不会中途停止直到完整完成任务。这就是 AI 智能体的作用。 我们日常使用的代码编辑器就是最常见的 AI 智能体落地案例。 如果你用过 Cursor、Winder或是 VS Code 搭配 GitHub Copilot这些工具都内置了智能体模式开启后工具就会变成 AI 智能体。 “以智能体模式运行” 到底是什么意思 在智能体技术出现之前传统 AI 工具只会单次响应你提出一个问题它返回一段答案交互就此结束。 而智能体模式下你可以直接交付一整个复杂大型任务比如搭建完整应用、排查系统故障。 智能体会自动发起多轮大模型调用按需读取本地代码库、操作终端命令自主拆解子任务并持续执行直到完整完成你交付的需求。 这就是普通聊天机器人和 AI 智能体的核心区别普通聊天机器人只会单次调用大模型而 AI 智能体能够自主执行一连串关联任务直到达成最终目标。 AI 智能体真实落地场景软件开发 举一个开发场景下的实操需求 我们近期发现页面 UI 丢失了一个按钮请帮我定位该改动是在哪次提交引入的同时给出回滚修复方案。 AI 智能体的执行流程自动扫描前后端完整代码仓库通过终端工具查询 Git 版本提交记录精准定位引发 bug 的代码提交节点甚至直接输出可执行的回滚、修复步骤。 新手如何上手 AI 智能体 有两种入门路径 使用预制智能体平台例如 agent.ai。平台上由开发者搭建了数百款专用智能体覆盖视频脚本生成、网页设计等各类场景你可以通过远程接口直接将它们集成到自己的应用中。 使用低代码工具自定义搭建专属智能体代表工具是 n8n无需手写代码。 n8n 采用拖拽式可视化画布用户可以自由搭建专属智能体工作流。平台自带现成模板例如全自动生成 YouTube AI 视频、基于内容分类的智能邮件整理等自动化场景。第一章 基础概念LLM、普通 AI 对话与 AI 智能体核心区分1.1 从 ChatGPT 拆解 AI 产品基础结构以大众熟知的 ChatGPT 为切入点所有同类 AI 产品都由两大模块构成前端交互界面仅承担对话展示、用户输入接收功能和普通聊天软件无本质区别不具备 AI 思考能力。底层大语言模型LLM整套产品的 AI 核心负责理解文字、生成文本回复。 行业主流 LLM 包含ClaudeAnthropic、DeepSeek、Gemini、Llama 等课程后续统一用缩写LLM代指所有大语言模型。LLM 基础原生运行逻辑用户在界面输入提问 → 前端向 LLM 发送请求 → LLM 生成文字内容 → 内容传回界面展示 单次单向问答一轮交互结束模型不会主动延伸、调取外部能力。1.2 LLM 原生致命局限仅能生成内容无法执行真实业务动作我们以自研机票预订 AI 应用「FlyGPT」举例直观说明 用户输入需求我想飞往北伦敦单纯调用 LLM 的结果仅输出一段文字订票步骤说明业务真实需求自动完成全流程订票操作。完整订票真实动作包含一系列外部联动操作对接 JOYAir、DracAir、AeroGo 等第三方机票服务商接口拉取全部航班数据根据用户偏好低价 / 高端舱位、座位、餐食筛选循环检索补充缺失信息对比得出最优航班自动完成下单预订返回航班详情、预订编号。可以总结大模型核心短板 LLM 仅具备文本、图像、视频生成能力无法主动对接外部系统、调取外部数据、执行线上业务操作没有自主完成复杂多步骤任务的能力。1.3 AI 智能体AI Agent定义与核心定位为解决 LLM 无法落地真实业务操作的问题核心解决方案就是AI 智能体。AI 智能体核心能力对接第三方平台、外部接口、本地工具采集外部实时数据持久存储对话历史记忆结合上下文综合分析用户需求联动底层 LLM 作为思考核心自主完成多轮循环推理 工具调用自动拆解复杂任务为多个子步骤循环执行、补充信息直至完整完成用户目标不会中途终止流程。一句话区分普通聊天机器人 VS AI 智能体普通聊天机器人单次 LLM 调用一问一答交互单次终止AI 智能体自主串联多轮 LLM 调用自动调度各类工具持续执行连锁子任务直至达成完整复杂目标。1.4 落地案例代码编辑器内置 AI 智能体Cursor、Winder、VS Code GitHub Copilot 均搭载智能体模式是开发者最常用的 Agent 场景。传统 AI 代码工具非智能体单独提问代码问题单次返回代码片段不会操作本地工程。智能体模式运行逻辑直接交付完整复杂任务搭建完整应用、排查线上故障、追溯代码 Bug智能体自动读取本地完整代码仓库调用终端执行命令拆分多步子任务循环执行自主完成全部需求无需人工分步下达指令。开发场景实操示例AI 智能体完整执行流程用户任务页面缺失按钮定位引入 Bug 的 Git 提交记录并输出回滚修复方案 Agent 自动化流程扫描项目前后端全量代码仓库调用终端工具查询 Git 提交日志精准定位触发 Bug 的提交节点自动生成可直接运行的回滚命令、完整修复代码方案。第二章 新手两种零门槛上手路径落地入门方案无需深入底层代码两条主流入门渠道适配不同开发需求路径一预制智能体平台 ——agent.ai平台预构建数百套垂直场景专用智能体覆盖短视频脚本生成、网页设计、内容处理等场景 支持通过远程 API 接口直接把现成 Agent 集成到自有软件、网页应用中开箱即用。路径二低代码可视化搭建 ——n8n自定义专属智能体完全不用手写代码拖拽式画布可视化搭建智能体自动化工作流内置海量现成模板全自动生成 AI 短视频、智能分类整理邮件等自由组合 LLM、第三方接口、本地工具按需定制专属业务智能体 适合有个性化业务流程、需要高度自定义 Agent 的新手。