BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//AI聘 - ECPv5.10.0//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:AI聘
X-ORIGINAL-URL:https://aipin.io
X-WR-CALDESC:Events for AI聘
BEGIN:VTIMEZONE
TZID:America/Los_Angeles
BEGIN:DAYLIGHT
TZOFFSETFROM:-0800
TZOFFSETTO:-0700
TZNAME:PDT
DTSTART:20260308T100000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:-0700
TZOFFSETTO:-0800
TZNAME:PST
DTSTART:20261101T090000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Los_Angeles:20260611T190000
DTEND;TZID=America/Los_Angeles:20260611T200000
DTSTAMP:20260611T114343
CREATED:20260610T140519Z
LAST-MODIFIED:20260610T140519Z
UID:13128-1781204400-1781208000@aipin.io
SUMMARY:100天掌握大语言模型第十四周：LLM Agent Demo
DESCRIPTION:  \n“在过去十二周中，我们逐步构建了越来越强大的大语言模型：我们训练模型、微调模型，通过RAG赋予模型知识，并利用提示工程提升其推理能力。而第14周，则是大语言模型从‘等待提问’走向‘主动行动’的重要转折点。” \n从“回答问题”到“执行任务”的范式转变 \n到目前为止，我们所构建的所有大语言模型应用都具有一个共同特征：模型等待人类提出问题，生成答案，然后停止运行。接下来由人类阅读答案，并决定下一步该采取什么行动。 \n换句话说，模型本身并不具备自主性（Agency）——它无法主动采取行动、使用工具，也无法跨多个步骤持续完成目标。 \n而LLM Agent（大语言模型智能体）则彻底改变了这一模式。 \nAgent本质上是一种能够做到以下几点的大语言模型系统，其影响是深远的。 \n\n使用工具（如网页搜索、数据库查询、代码执行、API调用、邮件发送等）\n为实现目标制定行动计划\n根据每一步执行结果动态调整计划\n在无需人工持续干预的情况下循环执行任务直至完成\n传统RAG系统只能回答有关文档的问题；而Agent不仅能够阅读文档，还能够识别基于文档内容需要执行的操作，完成这些操作，验证执行结果，并向用户汇报结果——甚至能够自主处理执行过程中出现的异常情况。\n\n这种差异并非渐进式改进，而是本质性的变革。 \n· 约45%：根据 McKinsey 2024 年研究，知识工作者的大约45%的工作任务具备部分或完全实现Agent自动化的潜力。 \n· ReAct：当前最主流的Agent推理范式：Reason（推理）+ Act（行动） \n在每一步执行过程中交替进行。 \n· 10+：一个生产级LLM Agent通常能够访问十余种工具类型： \n\n搜索引擎\n代码执行环境\n数据库\nAPI服务\n文件系统\n日历系统\n邮件系统\n等等\n\n思维模式需要发生转变：不要再将大语言模型视为“问答机器”，而应将其理解为能够连接任意API、数据库和工具的推理引擎，并能够自主完成多步骤目标任务。 \n【45分钟内你将学到什么】 \n第14周课程将系统介绍完整的LLM Agent技术栈，从核心推理循环到生产级多智能体系统架构。 \n课程内容包含以下专题模块： \n一、什么是LLM Agent？ \n1.Agent循环：观察（Observe）、思考（Think）、行动（Act）、观察（Observe）、重复执行（Repeat） \n为什么这种循环机制与单次LLM调用存在本质区别。 \n2.工具调用（Tool Use / Function Calling）： \nLLM如何决定调用哪个工具、如何构造工具参数、如何解析并利用工具返回结果ReAct（Reasoning + Acting） \n当前Agent领域最主流的推理框架。 \n3.模型在同一个上下文中交替执行： \nThought： \n推理过程 \nAction： \n工具调用 \n这种设计使得模型推理过程更加透明、可解释，并便于调试。 \n4.工具类型 \n生产环境中Agent常见工具包括： \nWeb搜索 \n代码执行（Python Sandbox） \n数据库查询 \nREST API调用 \n文件读写（File I/O） \n日历系统 \n邮件系统 \n向量数据库检索（将RAG作为工具使用） \n5.记忆（Memory） \nAgent的记忆机制主要包括：上下文记忆（In-context Memory） 会话历史记录。外部记忆（External Memory） 向量数据库存储。情景记忆（Episodic Memory） 对历史行动进行结构化总结与存储。 \n二、多智能体系统（Multi-agent Systems） \n智能体之间如何协作、委派任务与相互验证为什么单个Agent难以完成复杂任务？ \n主要原因包括： \n\n上下文窗口限制（Context Window Limit）\n错误传播（Error Propagation）\n缺乏专业化分工（Lack of Specialization）\n缺少结果验证机制（No Verification）\n多智能体协作模式Supervisor 模式 一个主管Agent负责：\n分解任务\n分配任务\n管理多个专业Agent\nPeer-to-Peer 模式 多个Agent处于平等地位，通过相互通信完成协作。\n\nHierarchical 模式 分层组织结构： \n\n上层Agent负责管理\n下层Agent负责执行\n具备任务升级（Escalation）机制\nAutoGen（Microsoft） 当前领先的多智能体框架之一。\n核心能力包括：\nHuman-in-the-loop（人类参与监督）\n自动化Agent对话\n沙盒环境中的代码执行\nAgent角色与人格设定（Persona & Role）\nCrewAI 基于角色分工的Agent协作框架。\n\n支持： \n\n结构化任务分配\n工具共享\n串行任务执行\n并行任务执行\nAgent系统安全性：拥有工具调用能力的Agent，是当前风险最高的大语言模型部署模式之一。\n\n重点风险包括： \nPrompt Injection \n过度权限问题 \n关键安全原则： \n最小能力原则（Minimal Capability Principle） \nHuman-in-the-loop检查机制 \n对所有Agent行为进行审计记录（Audit Trail） \n【谁应该参加本次公开课】 \n\n机器学习工程师（ML Engineers）：已经构建过RAG系统（第12周课程）的学员，希望进一步升级为能够执行任务而不仅仅回答问题的Agent工作流。\n后端工程师（Backend Engineers）：正在集成LLM API，希望掌握可靠、安全的Agent架构设计方法，包括工具隔离和审计机制设计。\n数据科学家（Data Scientists）:希望利用Agent编排技术实现复杂分析流程自动化，包括：\n数据获取 \n数据处理 \n数据分析 \n自动报告生成\nAI产品经理（AI Product Managers） 需要理解Agent功能的能力边界与潜在风险，从而更好地进行需求规划并与工程团队协作。\nAI研究人员（AI Researchers）:正在构建自主智能系统，希望系统掌握当前主流Agent架构、框架及安全设计方法。\n系列课程所有学员：Agent技术是整个课程体系的重要内容\n\n  \n主办方：AI聘 — 北美数据类、软件类求职服务一站式服务。 \n三大项目为你全程解除求职困扰： \n1. 找到工作再付费的Career VIP项目，为全职岗位求职者提供最专业的支持；\n2. Career Plus项目，为全职求职者提供短期强化训练，低成本一站式求职服务；\n3. Intern VIP项目，为短期实习求职者提供内推、全程面试辅导支持。 \n可登录 www.aipin.io了解更多项目信息和成功案例。\n邮箱: info@aipin.io\n电话: +1 (626) 566 1822
URL:https://aipin.io/event/llm-agent-demo/
CATEGORIES:直播讲座
ATTACH;FMTTYPE=image/png:https://aipin.io/wp-content/uploads/2026/06/100天掌握大语言模型-14.png
ORGANIZER;CN="AI%E8%81%98":MAILTO:info@aipin.io
LOCATION:https://dataapplab.zoom.us/webinar/register/8317724471564/WN_MD5Qr28NTy62AYRatCnNJQ
END:VEVENT
END:VCALENDAR