黑马-《AI大模型RAG与Agent智能体开发项目课程》详细介绍
一、课程概述
黑马《AI大模型RAG与Agent智能体开发项目课程》是一门专注于大语言模型（LLM）在知识增强检索（RAG）和智能体（Agent）开发的实战课程。课程以项目驱动为核心，帮助学员掌握大模型在实际业务场景中的落地方法，特别是构建智能问答系统、企业助手、自动化Agent等应用。
课程结合基础原理讲解 + 项目实战 + 系统集成，从大模型原理、RAG检索增强、Agent策略设计到多模态应用全面覆盖，让学员不仅懂原理，还能动手开发可用的AI系统。
二、课程亮点
- RAG（Retrieval-Augmented Generation）实战
- 教授如何将大模型与知识库结合，实现精准问答和信息检索增强。
- 支持文档、PDF、网页、企业内部知识库等多源数据接入。
- Agent智能体开发
- 掌握多任务智能体的设计方法，包括任务规划、决策执行、插件调用。
- 支持模拟真实业务场景的自动化Agent开发，如客服、智能助理、数据分析Agent。
- 全链路项目实践
- 从数据收集、知识库构建、向量检索、到大模型调用与接口集成。
- 实战案例包括智能客服系统、企业文档问答、任务自动化Agent等。
- 工具与框架结合
- 深入使用主流LLM开发工具，如 LangChain、LlamaIndex、OpenAI API、Weaviate、Chroma。
- 学习向量数据库构建、文本索引、检索优化、上下文管理等技术。
- 落地与扩展能力
- 教授如何将RAG和Agent应用在企业实际场景，如办公自动化、智能客服、知识管理等。
- 可拓展到多模态Agent、插件式扩展和自定义业务逻辑。
三、课程内容结构
课程内容分为基础原理、RAG应用、Agent开发、实战项目四大模块。
1. 基础原理模块
- 大模型工作原理与应用场景解析
- LLM生成、理解、记忆机制解析
- RAG与传统检索对比，理解检索增强生成的核心原理
- Agent智能体架构与任务分解方法
2. RAG应用模块
- 数据采集与预处理（文档、PDF、网页）
- 文本向量化与嵌入生成
- 向量数据库搭建与索引优化
- LLM与知识库结合的问答系统开发
- 实战项目：企业文档问答系统
3. Agent智能体模块
- 智能体基本概念：工具、策略、记忆
- 多任务Agent设计与调用逻辑
- 任务规划、决策执行与异常处理
- Agent与外部接口对接（API、插件、系统指令）
- 实战项目：自动化客服Agent / 企业办公Agent
4. 综合实战模块
- 将RAG问答系统与Agent结合，实现智能辅助系统
- 优化模型响应速度、上下文管理、准确率提升
- 系统部署与线上应用（Web端、API调用）
- 拓展案例：智能写作、数据分析Agent、自动报表生成
四、学习目标
完成课程后，学员能够：
- 理解大模型RAG与Agent的核心原理及技术体系。
- 掌握向量数据库、嵌入向量、检索增强生成的全流程。
- 独立设计和开发多任务智能Agent，实现业务自动化。
- 能将大模型与企业知识库、文档系统、API接口整合。
- 具备自主创新能力，可开发定制化智能助手和自动化系统。
五、适合人群
- 对大语言模型及人工智能应用有兴趣的开发者和学生。
- 希望掌握RAG问答系统和智能Agent开发技能的技术人员。
- 企业内部希望搭建知识管理、智能客服或自动化办公系统的从业者。
- AI项目开发、毕业设计、作品集开发者。
六、课程价值
- 项目实战驱动：学完即可动手开发可落地的AI系统。
- 技术前沿：掌握RAG与Agent两大热点技术，紧跟AI应用趋势。
- 应用广泛：企业知识管理、客服、办公自动化、智能助手均可应用。
- 全链路能力：从数据、模型、系统、接口到应用部署，全面覆盖。
课程截图：
课程目录：
——/黑马-AI大模型RAG与Agent智能体开发项目课程/
├──PPT
| ├──01提示词工程.pptx 12.44M
| ├──02大模型RAG开发.pptx 6.89M
| └──03RAG项目.pptx 2.16M
├──视频
| ├──P1前置准备
| | ├──01、通义千问大模型的接入.mp4 40.73M
| | ├──02、代码调用云端的大模型.mp4 34.29M
| | ├──03、使用环境变量保护APIKEY.mp4 125.91M
| | ├──04、Ollama简介.mp4 74.52M
| | ├──05、win&mac部署ollama并运行蒸馏模型.mp4 137.49M
| | └──06、代码调用ollama的本地模型.mp4 46.24M
| ├──P2OpenAI库的基础使用
| | ├──01、OpenAI库的基础使用.mp4 51.69M
| | ├──02、OpenAI库的流式输出模式.mp4 72.07M
| | └──03、OpenAI库附带历史消息调用模型.mp4 64.73M
| ├──P3提示词工程
| | ├──01、大模型prompt工程指南.mp4 39.68M
| | ├──02、提示词优化案例介绍和零样本少样本思想.mp4 141.47M
| | ├──03、提示词优化案例_金融文本分类任务.mp4 290.26M
| | ├──04、Json数据格式.mp4 204.17M
| | ├──05、提示词优化案例_金融文本信息抽取.mp4 277.18M
| | └──06、提示词优化案例_金融文本匹配.mp4 204.61M
| ├──P4RAG开发
| | ├──01、LangChain的简介.mp4 11.69M
| | ├──02、LangChain的环境部署.mp4 53.58M
| | ├──03、RAG介绍.mp4 377.05M
| | ├──04、[扩展]向量的基础概念.mp4 283.34M
| | ├──05、[扩展]余弦相似度算法.mp4 236.27M
| | ├──06、LangChain调用大语言模型.mp4 120.77M
| | ├──07、LangChain模型的流式输出.mp4 80.15M
| | ├──08、LangChain调用聊天模型.mp4 202.67M
| | ├──09、LangChain消息的简写形式.mp4 114.52M
| | ├──10、LangChain调用嵌入模型.mp4 186.27M
| | ├──11、LangChain通用提示词模板.mp4 164.33M
| | ├──12、FewShot提示词模板.mp4 252.19M
| | ├──13、模板类的format和invoke方法.mp4 229.85M
| | ├──14、ChatPromptTemplate的使用.mp4 210.69M
| | ├──15、Chain的基础使用.mp4 287.03M
| | ├──16、[扩展]或运算符的重写.mp4 226.49M
| | ├──17、简单理解Runnable接口.mp4 128.55M
| | ├──18、StrOutputParser字符串输出解析器.mp4 193.34M
| | ├──19、JsonOutputParser和多模型执行链.mp4 302.60M
| | ├──20、自定义函数加入链.mp4 58.18M
| | ├──21、Memory临时会话记忆.mp4 508.65M
| | ├──22、Memory长期会话记忆.mp4 498.16M
| | ├──23、CSVLoader.mp4 249.43M
| | ├──24、JSONLoader.mp4 256.35M
| | ├──25、TextLoader和文档分割器.mp4 201.37M
| | ├──26、PyPDFLoader.mp4 115.25M
| | ├──27、VectorStores向量存储.mp4 378.94M
| | ├──28、基于向量检索构建提示词.mp4 170.06M
| | └──29、RunnablePassthrough的使用.mp4 400.80M
| ├──P5RAG项目
| | ├──01、RAG项目案例介绍.mp4 22.95M
| | ├──02、RAG项目-文本上传WEB服务.mp4 177.40M
| | ├──03、RAG项目-md5工具函数开发.mp4 263.83M
| | ├──04、RAG项目-知识库更新服务.mp4 300.65M
| | ├──05、RAG项目-完成离线流程开发.mp4 230.25M
| | ├──06、RAG项目-在线流程向量存储服务代码.mp4 172.57M
| | ├──07、RAG项目-rag服务核心代码开发.mp4 246.17M
| | ├──08、RAG项目-历史会话记录功能的实现.mp4 423.93M
| | └──09、RAG项目-聊天页面开发.mp4 323.02M
| └──课程导学.mp4 68.65M
└──资料
| └──资料.zip 2.55G