AI智能体开发实战营，Coze插件搭建+RAG知识库+Llama3微调落地全流程

这套 AI 智能体开发实战课从 Coze 搭智能体讲起，一直做到本地模型微调和部署，工具覆盖 Coze、Autogen、影刀 RPA，实战项目有视频生成、发票助手和飞书表格智能体

前半段在 Coze 里练工作流、插件、对话流和数据库匹配，中间讲 RAG 知识库构建、召回优化和 AutoGen 多智能体框架，后半段是 Llama3 的 LoRA 微调、量化与部署，另外还有数据处理、可视化、知识图谱和 MOE 模块的内容

目录里列了 30 章、170 多个视频课时，从工具使用讲到项目落地

课程目录

Coze 智能体与工作流

• 1 课程介绍
• 2-2 工作流要完成的任务与节点定义
• 2-3 插件配置方法与参数
• 2-4 大模型节点配置方法
• 2-5 结束节点配置
• 2-6 智能体配置方法
• 3-1 循环节点方法解读
• 3-2 循环中参数的定义方法
• 3-3 续写新闻稿件方法（循环中间变量使用）
• 3-4 智能体测试与输出节点
• 3-5 批处理的作用与效果
• 4-1 做视频素材业务逻辑分析
• 4-2 做剧本节点系统提示词方法
• 4-3 完成剧本节点输出
• 4-4 画面描述与图像生成节点构建
• 4-5 图像违规词限制与运镜节点
• 4-6 视频节点构建与错误分析
• 4-7 图像生成节点错误调试并保险
• 4-8 视频生成节点容易违规的解决方法
• 4-9 选修（当作拓展知识）：配置外部视频软件成为插件
• 4-10 选修：自定义插件配置方法实例
• 4-11 选修：工作流中添加视频插件
• 5-1 时间线定义方法
• 5-2 剪映插件介绍
• 5-3 时间线和素材绑定方法
• 5-4 剪映草稿添加素材方法
• 5-5 得到合成后的视频
• 6-1 对话流配置与创建
• 6-2 选择器的使用方法
• 6-3 数据库与大模型的匹配方法
• 6-4 知识库构建与匹配方法
• 6-5 汇总输出与测试
• 7-1 DEMO演示与基本流程分析
• 7-2 表格填入模块解读
• 7-3 表格的输入与输出
• 7-4 查找与匹配的方法
• 7-5 飞书表格智能体测试应用与常见问题
• 8-1 DEMO演示与应用分析
• 8-2 输入参数与大模型配置
• 8-3 图像生成模型配置
• 8-4 COZE中的应用模块配置
• 8-5 COZE应用界面设计
• 9-1 提示词与工作流配置
• 9-2 插件配置方法与输出

Coze API、插件与数据应用

• 10-1 COZE-API开通方法
• 10-2 API外部调用方法实例演示
• 10-3 Cursor应用例子分析
• 10-4 用CURSOR构建一个浏览器插件
• 10-5 API调用与插件测试
• 11-1 效果演示与数据读取
• 11-2 数据清洗与处理
• 11-3 结合DeepSeek构建代码节点
• 11-4 结合DeepSeek进行数据分析
• 11-5 配置插件把分析结果存在excel里
• 11-6 数据可视化配置方法与节点调试分析
• 11-7 不同可视化图表配置方法
• 11-8 输出与展示配置
• 12-1 插件的基本配置方法
• 12-2 输入输出参数配置方法
• 12-3 在工作流中配置自己的插件并使用
• 13-1 发票助手插件接入
• 13-2 数据表创建方法
• 13-3 识别工作流配置与测试
• 13-4 调用模块工作流配置
• 13-5 知识库配置
• 14-1 自定义插件创建方法与流程
• 14-2 插件输出配置与循环体
• 14-3 知识库配置与结果输出

影刀 RPA 自动化

• 15-1 影刀RPA分析
• 15-2 影刀安装方法
• 15-3 影刀流程配置方法实例
• 15-4 执行循环操作
• 15-5 完成文案采集的全部功能

RAG 知识库与召回优化

• 16-1 RAGFLOW介绍和特点
• 16-2 RAGFLOW接入本地模型
• 16-3 Chat与Embedding模型接入
• 16-4 知识库构建实例
• 16-5 封装成API调用
• 17-1 RAG要完成的任务解读
• 17-2 RAG整体流程解读
• 17-3 召回优化策略分析
• 17-4 召回改进方案解读
• 17-5 评估工具RAGAS
• 17-6 外接本地数据库工具

Agent 架构与 AutoGen

• 18-1 整体故事解读
• 18-2 要解决的问题和整体框架分析
• 18-3 论文基本框架分析
• 18-4 Agent的记忆信息
• 18-5 感知与反思模块构建流程
• 18-6 计划模块实现细节
• 18-7 整体流程框架图
• 18-8 感知模块解读
• 18-9 思考模块解读
• 18-10 项目环境配置方法解读
• 19-0 Python环境说明
• 19-1 AutoGenStudio框架安装与介绍
• 19-2 动作API配置方法
• 19-3 国内常用API配置方法
• 19-4 API接口在线测试
• 19-5 工作流配置
• 19-6 执行流程与结果
• 20-1 API生成方法
• 20-2 GroupChat模块
• 20-3 执行流程分析
• 20-4 外接本地支持库配置方法
• 20-5 加入RAG技能
• 20-6 LMStudio本地下载部署模型
• 20-7 调用本地模型方法与配置
• 20-8 AutogenStudio本地化部署流程
• 20-9 本地化部署接入应用实例
• 20-10 调用SD-API完成设计
• 20-11 Ollama环境配置与安装
• 20-12 autogen接入本地模型
• 21-1 论文概述分析
• 21-2 整体框架逻辑介绍
• 21-3 项目环境配置
• 21-4 基础解读-动作定义方式
• 21-5 基础解读-角色定义
• 21-6 单动作智能体实现方法
• 21-7 多动作配置方法
• 21-8 定时器任务环境配置
• 21-9 定时器任务流程解读分析
• 22-0 基本Agent的组成
• 22-1 Agent要完成的任务和业务逻辑定义
• 22-2 问题拆解与执行流程
• 22-3 检索得到重要的URL
• 22-4 子问题生成总结结果
• 22-5 总结与结果输出
• 23-1 DEMO演示与整体架分析
• 23-2 后端GPT项目部署启动
• 23-3 前端助手API与流程图配置
• 23-4 接入外部API的方法与流程
• 23-5 引入API方法解读
• 23-6 指令提示构建

本地模型、工具调用与微调部署

• 24-1 环境相关配置解读
• 24-2 工具调用流程拆解
• 24-3 功能调用方法实例
• 24-4 RAG环境配置搭建
• 24-5 LLAMA3应用-RAG搭建方法
• 24-6 RAG基本流程分析
• 25-1 LORA微调方法
• 25-2 指令微调所需数据与模型下载
• 25-3 llama3模型微调实例
• 25-4 llama3微调后进行量化
• 25-5 llama.cpp量化实例
• 25-6 部署应用
• 26-1 LORA微调方法
• 26-2 指令微调所需数据与模型下载
• 26-3 llama3模型微调实例
• 26-4 llama3微调后进行量化
• 26-5 llama.cpp量化实例
• 26-6 部署应用
• 26-7 项目需求分析流程
• 26-8 数据与特征库准备
• 26-9 模型准备与项目分析
• 26-10 模型选择方法总结
• 26-11 项目经验总结与优化方法

数据分析、知识图谱与进阶

• 27-1 数据挖掘要解决的问题
• 27-2 数据处理与清洗分析
• 27-3 特征工程的作用与流程
• 27-4 机器学习算法分析
• 27-5 模板到哪去找
• 28-1 知识图谱要解决的问题与流程分析
• 28-2 知识图谱项目实际应用分析
• 28-3 知识图谱实战应用项目解读
• 28-4 大模型要解决的问题和应用分析
• 28-5 工具总结分析
• 29-1 MOE概述分析
• 29-2 MOE模块实现方法解读
• 29-3 效果分析与总结
• 30-1 RAG与微调可以解决与无法解决的问题
• 30-2 RAG实践策略
• 30-3 微调要解决的问题

课程视频和配套文件放在本页的资源区