友情链接:
合作联系
|
ASPEN培训课程
AI Agent 应用开发培训课程介绍
课程大纲
第一天：MCP 协议核心原理与 Agent 基础开发
目标：理解 MCP 协议架构，掌握单 Agent 开发流程，完成基础功能实现。
语言：Python
开场：从对话到工具调用的演进
· System Prompt 时代：通过提示词约束模型行为，局限性（无法动态获取外部信息）。
· Function Calling 的诞生：模型输出结构化调用请求，应用层执行函数。
· 本地 Tool Server 雏形：为每个工具编写独立服务，缺乏统一标准。
· MCP 应运而生：标准化协议，实现工具的动态发现与调用，成为AI的“USB-C接口”。
一、MCP 协议深度解析
1. MCP 协议概述
· MCP 的诞生背景与核心价值：解决 AI 模型与外部工具/数据源的集成碎片化问题。
· MCP 三层架构：传输层（HTTP/2/WebSocket）、协议层（JSON-RPC 2.0）、应用层（资源/工具/提示词标准化）。
· MCP 与传统协议（如 OPC UA、MQTT）的对比：多 Agent 协同、轻量化、安全合规性优势。
2. MCP 核心组件实战
· MCP Server 开发：
o 使用 Python 创建本地 Server，暴露标准化工具（如天气查询、文件操作）。
o 实战案例：开发一个支持动态上下文发现的 Server，自动注册工具并生成 API 调用指令。
· MCP Client 集成：
o 在 AI 应用（如 Claude Desktop、Cursor）中集成 MCP Client，通过 Function Calling 调用 Server 工具。
o 调试技巧：使用 mcp-cli 的 verbose 模式观察 JSON-RPC 通信，或通过代码打印日志分析交互细节。
二、单 Agent 开发全流程
1. 基础框架搭建
· Agent 核心能力：环境感知（多模态输入）、智能决策（LLM 推理）、任务执行（工具调用）。
· AI 工作方式简介：
o ReAct 模式：推理+行动循环，动态决定下一步。
o Plan & Execute 模式：先规划再执行，适合复杂任务。
· 开发环境配置：直接本地启动 MCP Server，使用 Postman 或 Python 脚本模拟 Client 请求。
2. 实战项目：智能文档助手
· 需求场景：用户上传文档后，Agent 自动提取关键信息并生成问答对。
· 开发步骤：
i. 集成 RAG 技术（简化说明）：使用 Chroma DB 构建向量数据库，实现文档检索。（向量数据库与 Embedding 仅介绍基本概念，聚焦如何使用现成组件）
ii. 开发 MCP 工具：
o extract_keywords：提取文档关键词。
o generate_qa：基于关键词生成问答对。
iii. 编排 Agent 工作流：
o 使用 LangChain 的 Agent Executor（基于 ReAct）组合工具，实现“检索→提取→生成”闭环。
iv. 部署与测试：在本地运行 Agent，通过 HTTP 接口接收用户上传的文档并返回结果。
第二天：多 Agent 协同与落地路径规划
目标：掌握多 Agent 架构设计，完成复杂业务系统开发，解决企业级痛点。
语言：Python
一、多 Agent 协同架构与任务调度
1. 多 Agent 系统设计原则
· 三层架构模型：
o 边缘层：专业领域 Agent（如文件解析 Agent、MES 数据 Agent），负责特定任务执行。
o 调度层：MCP Server + 协同引擎，实现任务分配与负载均衡。
o 应用层：用户交互界面或业务系统，接收调度结果并展示。
· 通信机制：MCP 协议支持跨网络实时数据传输（SSE + HTTP），确保 Agent 间高效协作。
· 多 Agent 协同模式（简要介绍）：
o 对等模式：所有 Agent 平等，协商完成任务。
o Leader/Follower 模式：中心调度 Agent 分配任务，边缘 Agent 执行。
o 分层模式：结合二者，适合复杂工业系统。
2. 实战项目：智能生产协同系统
· 需求场景：某生产车间需要协同处理生产任务，涉及图纸文件、MES 数据、SAP 系统等。用户提出“为订单 X 准备生产方案”，系统自动调度多个 Agent 协作完成。
· 开发步骤：
i. Agent 定义与 MCP 服务暴露：
o 文件/图纸解析 Agent：连接公司文档库，提供 parse_drawing、extract_bom 工具（MCP Server）。
o MES 数据 Agent：查询 MES 系统（模拟 API），提供 get_machine_status、query_production_plan 工具。
o SAP 系统 Agent：对接 SAP 接口，提供 check_material_availability、create_purchase_request 工具。
o 工厂日历 Agent：提供 get_working_hours、calculate_lead_time 工具。
ii. 调度 Agent 设计：
o 使用 LangGraph 构建有状态多 Agent 图，调度 Agent 接收用户请求，解析意图，按工作流调用相应专业 Agent。
o 每个专业 Agent 的调用通过 MCP Client 完成，实现工具的动态发现与执行。
iii. 任务编排与结果聚合：
o 调度 Agent 协调各 Agent 执行顺序（例如：先解析图纸获取 BOM，再查 SAP 物料库存，再查 MES 设备状态，最后结合工厂日历生成生产方案）。
o 汇总结果，调用 LLM 生成自然语言报告。
iv. 故障自愈机制：
o 模拟某个 Agent（如 MES 数据 Agent）暂时不可用，调度 Agent 自动切换到备用方案（如从缓存读取或提示人工介入），并记录异常。
v. 可视化监控（可选）：
o 使用 Grafana 或简单 Web 界面展示各 Agent 状态、任务执行进度。
二、优化与落地路径
1. 性能优化与安全加固
· 冗余通信剪枝：应用 AgentPrune 算法，删除重复的状态上报消息，降低网络负载。
· 负载均衡：基于强化学习调整 Server 调度频率，避免单节点过载。
· 安全合规：
o 对照《工业数据安全管理办法》，检查数据加密（TLS 1.3）、权限管控（RBAC）实现。
o 使用中国信通院“智盾框架”，实现多 Agent 系统的安全对齐。
2. 企业落地路径规划
· 场景适配（结合上午案例延伸）：
o 智能车间：构建基于 MCP 的设备状态同步网络，实现 200+ 台设备的实时数据互通（可引入 OPC UA 转换 MCP 的讨论）。
o 供应链协同：通过多 Agent 协调供应商、物流、生产计划，实现动态排产。
· 定制化建议：
o 学员提交本企业多 Agent 需求，教师结合课程内容给出技术选型、架构设计、开发路线图建议。
课程特色
· 技术深度：原理剖析（MCP 动态上下文发现、AgentPrune 算法）+ 实战框架（LangChain/LangGraph 等主流 Agent 编排框架）。
· 工程落地：生产级多 Agent 调度设计、容错机制、监控集成。
