AI智能体进阶实战

为什么需要这门课？

AI浪潮已经席卷每个行业，但很多企业面临一个共同困境：

• ChatGPT、Deepseek等通用AI工具很好用，但无法解决企业的专有问题

• 市面上充斥着"AI概念课"，但讲不清楚"怎么落地"

• 开发团队想做AI Agent（智能体），但不知从何下手

• 买了各种AI工具，却无法打通数据、流程和业务场景

这门课的目标就是：让零基础的业务和技术人员，系统掌握AI Agent的构建方法——从理解原理到动手实现，从单个Agent到多Agent协作，从云端到私有化部署。

【课程特色】

• 零基础友好 — 不讲高深算法，不讲底层数学，聚焦"怎么用、怎么搭、怎么落地"

• 实战驱动 — 每模块都有动手环节，学完就能在自己的场景中复现

• 三位一体讲解 — 每个知识点都讲清楚"是什么、为什么、怎么做"

• 完整闭环 — 从工具使用→能力扩展→系统集成→团队协作→私有化部署，一条线走通

课程全景图：七大模块一览

以下是课程的完整内容框架，7个模块由浅入深，按"理解→扩展→集成→协作→部署"的逻辑递进：

模块

核心主题

一句话说清

你能带走什么

01

Harness AI Agent运行引擎

智能体"怎么跑起来的"

理解Agent内核机制，能搭出第一个Agent

02

Skills 能力扩展体系

智能体"怎么学会新本领"

能自己开发专属Skill并安全发布

03

MCP协议 工具与服务集成

智能体"怎么用外部工具"

能手把手接入第三方服务

04

配置体系 智能体的人格与记忆

智能体"怎么变得更聪明"

让Agent记住你是谁、怎么对话

05

知识库融合 智能体的知识库

智能体"怎么懂你的业务"

把企业知识库变成Agent的"大脑"

06

多Agent协作 团队分工与协同

多个智能体"怎么一起干活"

搭建多Agent协作流水线

07

私有化部署 Ollama与本地运行

智能体"怎么在自己家跑"

完成私有化部署，数据不出企业

模块一：Harness — AI Agent的运行引擎

这一讲我们先搞明白：AI智能体到底"活"在一个什么样的环境里？

▎是什么：Harness是AI Agent的运行引擎，相当于AI的"操作系统"。它负责管理Agent的"思考→决策→行动→观察→再思考"这个循环过程，就像人体的大脑中枢——接收信号、调度资源、发出指令。

▎为什么重要：没有Harness，AI只是一个问答机器人；有了Harness，AI才能成为一个真正"能动、能查、能干活"的智能体。它决定了你的AI能不能自主完成复杂任务，而不是每步都要人教。

▎怎么用：我们会从零搭建一个完整的Agent应用，亲眼看到它如何"思考→选工具→执行任务→反馈结果→继续下一步"。还会学到如何配置Agent的工作模式（直接执行/先计划再执行/只回答问题），以及如何让Agent定时自动执行任务。

▎一讲就能回答的问题：

• AI智能体和人聊天的流程到底怎么走的？

• 为什么有些AI能自己调用工具，有些只能聊天？

• 怎么让AI每天定时帮我干活？

? 本模块成果：亲手搭建并运行第一个AI Agent

模块二：Skills — 给AI装备新技能

大模型自带的知识和能力是有限的。就像手机出厂只有基本功能，Skill就是给AI"安装App"。

▎是什么：Skills是AI Agent的能力扩展包。如果说Harness是"操作系统"，那Skill就是"App Store里的应用"。每一个Skill教会Agent一类特定的本领——比如做行业分析、查企业工商信息、生成报表等等。

▎为什么重要：通用大模型不懂你的行业。Skill就是用你的专业知识给AI"开小灶"，让它从"什么都会一点"变成"你所在领域的专家"。你的核心竞争力就在这里——别人能用AI，但你的AI因为装了你的Skill，比你竞争对手的AI更懂你的行业。

▎怎么用：我们会完整走一遍Skill的开发流程：写技能说明书（SKILL.md）→ 上传参考知识 → 安全审查 → 安装调试。最后以"行业AI咨询Skill"为案例，看看真实项目中的Skill是怎么设计和迭代的。

▎一讲就能回答的问题：

• AI怎么能懂我的业务？和百度搜索有多大区别？

• 开发一个业务Skill需要写代码吗？需要多少工作量？

• 网上别人开发的Skill能随便用吗？安全怎么保证？

? 本模块成果：开发出第一个属于自己行业的业务Skill

模块三：MCP协议 — 让AI连接世界

AI不能永远活在"真空"里。它需要查数据库、调接口、发邮件、操作文件。MCP就是AI和外部世界沟通的"普通话"。

▎是什么：MCP（Model Context Protocol）是AI Agent与外部工具/服务之间的标准化通信协议。你可以把它理解成AI界的"USB接口"——无论什么设备，只要插上USB就能用。同样，任何工具（数据库、API、文件系统等）只要实现了MCP协议，AI就能直接调用。

▎为什么重要：企业的核心数据和能力分散在各种系统中（ERP、CRM、OA、数据库……）。没有MCP之前，AI和这些系统之间是"鸡同鸭讲"。有了MCP，AI可以像人一样"操作"这些系统——查数据、发通知、做报表。这才是AI落地的关键一步。

▎怎么用：我们会学会如何在mcp.json里配置各种MCP服务，从市场上找到可用的公共MCP服务并接入，最终自己动手写一个简单的MCP工具，让AI能调用企业内部的API。

▎一讲就能回答的问题：

• MCP和传统的API调用有什么区别？为什么现在大家都在讲MCP？

• 怎么让AI连上我的数据库和内部系统？

• 市面上有哪些现成的MCP服务可以直接用？

? 本模块成果：完成一个外部MCP服务的集成与调用

模块四：配置体系 — 让AI有性格、有记忆

你是不是遇到过：AI每次对话都"忘了"上回说了什么？回答问题总是一本正经不像你们公司的风格？这些问题的答案就在"配置"里。

▎是什么：AI Agent的"性格"和"记忆"不是天生的，而是通过几个配置文件来定义的。SOUL.md定义它的"灵魂"（说话风格、行为准则、价值观），IDENTITY.md定义它的"身份"（叫什么、是什么形象），USER.md定义它服务的"你"（你的背景、偏好、习惯）。

▎为什么重要：一个没有配置的AI像个陌生人——礼貌但无趣，通用但不贴心。经过良好配置的AI，说话像你的同事（甚至像你）、记得你的偏好、知道你的业务背景。这对客户体验、内部效率的提升是质的飞跃。

▎怎么用：我们会学习如何写SOUL.md（包括"核心原则"和"红线"），如何建立USER.md让AI记住你是谁，以及如何管理AI的"工作记忆"（每天的日志、跨会话的长期记忆）。通过对比"没配置的AI vs 配置好的AI"，你会直观感受到差别。

▎一讲就能回答的问题：

• 怎么让AI说话像我们公司的风格？

• AI能记住之前聊过什么吗？跨了多天呢？

• 这些配置文件复杂吗？日常维护量大不大？

? 本模块成果：完成一套完整的Agent身份与记忆配置

模块五：知识库融合 — 让AI懂你的业务

通用AI只懂"普适知识"。要让它懂你的产品、你的流程、你的客户，必须把企业知识库"喂"给它。

▎是什么：知识库融合是把企业内部的文档、报表、规范、案例等结构化/非结构化数据，与AI Agent深度结合的技术方案。核心是RAG（检索增强生成）——AI不是"死记硬背"你的知识，而是像人一样"先查资料再回答"。

▎为什么重要：企业里大量有价值的知识沉淀在文档里（合同、方案、手册、制度……），员工找资料费时费力，有些知识甚至随着老员工离职而流失。将知识库"接入"AI后，员工问问题AI直接给答案，效率提升立竿见影。同时这也是知识管理从"存起来"到"用起来"的关键一跃。

▎怎么用：我们会以IMA知识库为例，演示如何把文档和网页导入知识库，让AI可以搜索和引用，并设计一套完整的"AI问答+知识库"系统。还会讨论如何优化搜索效果——不是搜到就算，而是搜得准、排得好、答得对。

▎一讲就能回答的问题：

• AI回答问题时，怎么保证引用的是我们公司的权威资料？

• 知识库要多大？是不是越多越好？

• 已经有的企业知识管理平台（如飞书文档、语雀、SharePoint）能和AI打通吗？

? 本模块成果：搭建一个带行业知识库的AI问答Agent

模块六：多Agent协作 — 让AI团队作战

一个Agent能力有限。就像大项目需要团队协作一样，复杂任务需要多个Agent分工合作。

▎是什么：多Agent协作是指让多个各司其职的AI Agent组成"团队"，通过消息通信和任务编排来共同完成一个复杂目标。有些Agent负责收集信息，有些负责分析，有些负责生成报告，有些负责审核——就像一支小型特种部队。

▎为什么重要：现实中的企业任务往往是多步骤、跨领域的（比如：写一份投资报告→需要查数据、做分析、写文案、审合规）。一个Agent做所有事效率低、质量差。分工协作让每个Agent聚焦自己的长项，整体效果1+1>2。另外，多Agent架构天然适合"人机协作"——AI做大部分，人做关键决策。

▎怎么用：我们会学习Team Mode的搭建方法：创建团队、分配角色、设置通信规则。用一个实际案例（比如"生成一份行业研究报告"）演示3-4个Agent如何协同工作——搜索Agent查资料→分析Agent做洞察→写作Agent拟初稿→审核Agent做质检。

▎一讲就能回答的问题：

• 多个AI一起干活，会不会互相干扰、乱成一团？

• 多Agent适合什么样的业务场景？

• 怎么确保最终输出质量？谁来"当组长"？

? 本模块成果：搭建一个3-4个Agent协作完成任务的工作流

模块七：私有化部署 — 把AI锁在保险箱里

很多企业对数据安全有硬性要求：AI必须"在自己的服务器上跑"，数据"不出企业"。这一讲就是解决这个问题的。

▎是什么：私有化部署是指把AI Agent的运行环境全部搭建在企业内部服务器上，所有数据和推理都在本地完成，不依赖外部API。Ollama是当前最 流 行的本地模型运行框架之一，可以让你像装软件一样装大模型。

▎为什么重要：数据安全是企业的生命线。金融、医疗、政府、涉密行业等对数据出境有严格管控。另外，长期看API调用成本累积巨大，私有化部署可以显著降低成本。还有一个容易被忽略的点——私有化部署不依赖外网，断网也能用。

▎怎么用：我们会从Ollama安装开始，下载并运行开源大模型，然后配置WorkBuddy对接本地Ollama服务。还会讨论模型的选择策略（不同参数量对应不同场景）、量化压缩（让模型跑得更快）以及安全配置（访问控制、日志审计）。

▎一讲就能回答的问题：

• 私有化部署的AI和用ChatGPT有什么本质区别？

• Ollama是免费的还是要花钱的？模型从哪里来？

• 本地跑AI需要什么配置的服务器？普通电脑行不行？

? 本模块成果：完成WorkBuddy + Ollama私有化部署

学习路径图

课程按"三步走"设计，每一阶段都有明确的目标和交付：

第一阶段：理解与上手

模块一 ~ 模块二  | 目标是：让你从"不知道AI Agent是什么"到"能自己搭一个"

• 理解AI Agent的工作机制（Harness）

• 掌握给AI扩展能力的方法（Skills）

? 交付：一个能回答你行业问题的AI Agent雏形

第二阶段：连接与增强

模块三 ~ 模块五  | 目标是：让你的AI能"调用外部工具、连接企业知识库"

• 让AI能调用外部API和数据源（MCP）

• 让AI记住你是谁、怎么说人话（配置体系）

• 把企业知识库变成AI的"第二大脑"（知识库融合）

? 交付：能连接企业数据、回答业务问题的增强型Agent

第三阶段：协同与部署

模块六 ~ 模块七  | 目标是：让多个AI分工协作，并实现企业内部安全部署

• 搭建AI团队，分工完成复杂任务（多Agent协作）

• 在本地服务器上跑AI，数据不出企业（私有化部署）

? 交付：可在企业内部安全运行的多Agent协作系统

授课方式与时间安排

我们提供两种上课方式，根据你的实际情况选择：

方式：2天集中特训（推荐）

适合：企业内训、团队集中学习。效果最好，互动最强。

时间

Day1·上午

3课时

? Harness引擎 + Skills扩展（动手：第一个Agent）

Day1·下午

4课时

? Skills实战 + MCP集成（动手：接入外部服务）

Day2·上午

3课时

? 配置体系 + 知识库融合（动手：搭建知识问答）

Day2·下午

4课时

? 多Agent协作 + 私有化部署（动手：团队协作+本地运行）

理论实践，二八原则