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：Claude（Anthropic）、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。
