AI Agent 全栈开发工程师 — 知识结构目录设计
设计原则：以 LLMOps 平台为项目主线，从架构设计→核心功能→扩展能力→生产部署→商业应用→前沿进阶，逐层递进。
阶段一：LLMOps 平台搭建 — 架构设计与基础聊天机器人开发
目标：从零搭建 LLMOps 平台前后端，跑通第一个带 UI 的聊天机器人
第1周 LLM 基础认知与 LLMOps 架构设计
- 1.1 大语言模型（LLM）快速认知与应用场景
- 1.2 LLM 如何影响软件构建与交互方式
- 1.3 LLM 与 Agent 应用的交互方式及常见术语
- 1.4 LLMOps 平台开发基础与架构设计
- 1.5 LLMOps 项目功能演示与需求拆分
- 1.6 利用 ChatGPT 辅助学习与开发
第2周 LLMOps 后端搭建与基础聊天机器人
- 2.1 Python 环境搭建与开发工具配置
- 2.2 LLMOps 项目后端开发约定与规范
- 2.3 统一 API 接口设计与开发
- 2.4 PostgreSQL 安装与 ORM 模型使用
- 2.5 数据库迁移与版本控制
- 2.6 PyTest 代码测试与版本控制
- 2.7 Postman 快速调试后端接口
- 2.8 对接 OpenAI 实现第一个聊天机器人
- 2.9 LangChain 框架入门
- 2.10 LangChain 核心组件：Prompt / Model / OutputParser / LCEL / Callback / Runnable
第3周 LLMOps 前端搭建与聊天机器人 API 对接
- 3.1 Node.js 环境搭建与开发工具配置
- 3.2 LLMOps 前端开发约定与规范
- 3.3 API 请求库、路由守卫、Pinia 数据共享与页面划分
- 3.4 TailwindCSS 原子化 CSS 方案集成
- 3.5 前后端联调：解决跨域问题的三种技巧
- 3.6 API 开发文档解读与公共服务抽取
- 3.7 对接后端 API 实现带 UI 的聊天机器人
阶段二：商业级聊天机器人 — 记忆 · 联网 · 知识库
目标：让聊天机器人具备记忆、自主联网、联动私有知识库三大核心能力
第4周 记忆模块开发：让聊天机器人拥有记忆
- 4.1 LLM 状态、上下文窗口与长度限制
- 4.2 LCEL 表达式深入
- 4.3 LangChain 记忆组件：缓冲记忆 / 摘要记忆 / 实体记忆
- 4.4 带历史对话总结的 Prompt 编写
- 4.5 AutoGPT / MetaGPT 记忆模块拆解
- 4.6 LLM 对话/状态持久化到数据库
- 4.7 Runnable 高级技巧与源码解析
- 4.8 封装记忆链完成带记忆功能的机器人
第5周 数据集模块开发：实现特定知识库问答
- 5.1 LLM 幻觉成因与解决方案
- 5.2 向量数据库配置与使用（Faiss / Pinecone / TCVectorDB / Weaviate）
- 5.3 文本嵌入模型 Embeddings 原理与使用
- 5.4 LangChain 文档加载器与文本分割器
- 5.5 递归字符文本分割器：分割任意文档
- 5.6 LangChain 检索器：让 LLM 动态调用知识库
- 5.7 jieba 分词与关键词提取
- 5.8 Rerank 搜索重排序原理与实现
- 5.9 RAG 优化策略大全：
- 多查询融合、问题分解、回答回退
- doc-doc 检索、混合检索
- 逻辑路由、语义路由、自查询检索
- 多向量检索、父文档检索器、递归文档树
- ReRank 重排、CRAG、Self-RAG
第6周 插件功能开发：聊天机器人实时联网
- 6.1 LLM 应用的短板与局限性
- 6.2 GPT / New Bing 联网底层原理
- 6.3 Agent 基础概念与适用场景
- 6.4 LLM 函数回调与格式化输出
- 6.5 LangChain 工具组件：3 种自定义工具创建技巧
- 6.6 LangChain 中构建 Agent：让 LLM 自主决策工具选择
- 6.7 LCEL 与 LangGraph 流结构
- 6.8 LangGraph 构建图应用：可观测 Agent
- 6.9 完成聊天机器人实时联网搜索功能
阶段三：LLMOps 平台可视化 + 安全性 + 性能优化 + 开放 API
目标：完善平台的可视化编排、安全审核、响应体验与开放接口能力
第7周 可视化编排开发：插件与知识库集成
- 7.1 YAML + Python 动态导入实现可视化编排插件
- 7.2 OpenAPI Schema 调整：将任意 API 接入 LLMOps
- 7.3 零样本/低样本高质量 Prompt 编写技巧
- 7.4 知识库功能：文档分割、关键词提取、向量化、增删改查
- 7.5 Celery 处理耗时任务
- 7.6 LangChain 提示组件：用户自定义编排
- 7.7 应用编排配置历史版本管理
- 7.8 AI 自动优化提示技巧
第8周 响应模块开发与升级：提升聊天机器人响应体验
- 8.1 LLMOps 长短期记忆功能模块开发
- 8.2 流式响应 vs 非流式响应：基础与应用场景
- 8.3 LangChain 流式响应实现
- 8.4 后端：队列 + 协程突破 LangGraph 限制实现流式传输
- 8.5 前端：fetch 获取流式事件数据 + 打字机效果
- 8.6 流式响应下 Token 计数与中断功能
- 8.7 前后端接口对接与测试完善
第9周 授权认证模块开发：保障应用安全
- 9.1 JWT 授权认证原理
- 9.2 GitHub 第三方授权认证原理
- 9.3 Flask-Login 实现后端授权认证
- 9.4 前端 fetch 封装：授权接口携带令牌
- 9.5 前端路由守卫守护页面安全
- 9.6 前后端接口对接与测试完善
第10周 审核模块开发：确保 AI 生成合规内容
- 10.1 OpenAI 内置审核功能
- 10.2 LangChain 审核链
- 10.3 自定义审核功能开发架构
- 10.4 基于关键词的审核实现
- 10.5 流式输出模式下的关键词审核
- 10.6 应用编排草稿配置：输入输出审核、记忆、版本回退
第11周 开放 API 模块：搭建与其他应用的桥梁
- 11.1 开放 API 通用架构与设计思路
- 11.2 开放 API 授权策略与秘钥生成
- 11.3 接口使用频率限制设计
- 11.4 LLMOps 集成开放 API 功能
- 11.5 开放 API 鉴权与账号鉴权中间件共享
阶段四：LLMOps 扩展 — 多应用 · 工作流 · 多 LLM 接入
目标：从单应用扩展为多应用平台，支持工作流编排与多模型切换
第12周 多应用与工作流模块
- 12.1 LLMOps 多应用架构与设计思路
- 12.2 多应用与配置历史版本数据库设计
- 12.3 LangChain Agent 转换为 Workflow
- 12.4 LangGraph 基于 YAML 配置 Workflow
- 12.5 LLMOps Workflow 八大节点与边功能实现
- 12.6 工作流自适应排版与 dagre 一键排版
- 12.7 Workflow 转 LLM 工具设计思路
- 12.8 Vue-Flow 组件：前端多应用与工作流模块 UI 升级
第13周 集成多 LLM 模型
- 13.1 LangChain 中 LLM 与 ChatModel 的差异
- 13.2 统一管理多 LLM 模型：YAML + Python 动态导入
- 13.3 对接多模型：OpenAI / 月之暗面 / 文心一言 / 通义千问 / DeepSeek
- 13.4 AI 应用与工作流的多 LLM 功能集成
- 13.5 HuggingFace 平台使用与大模型查找
- 13.6 LLMOps 辅助 Agent：一键自动创建 Agent
阶段五：LLMOps 平台调优与部署 — 前端优化 · 后端优化 · 生产环境部署
目标：平台性能调优 + 生产级部署，确保系统稳定高效运行
第14周（上）统计模块开发：呈现使用情况
- 14.1 流式传输与工作流模式下 Token 统计与费用计算
- 14.2 统计可视化 API 接口设计
- 14.3 ECharts 图表组件前端数据展示
- 14.4 Agent 应用消费统计（消息数 / Token / 用户数）
- 14.5 WebApp 与应用发布模块：URL 在线访问
- 14.6 markdown-it 富文本内容输出优化
第14周（下）前端项目优化与配置部署
- 14.7 基础/高级组件封装，提升复用性
- 14.8 404/403 错误页面与统一 hooks / ref 引用
- 14.9 TailwindCSS 公共样式抽离
- 14.10 API 接口封装优化：超时 / 重试 / 权限校验
- 14.11 骨架屏与加载动画
- 14.12 Vue.js 项目优化技巧与部署方案
- 14.13 Dockerfile 与 docker-compose 前端部署
第15周（上）后端项目优化与配置
- 15.1 Weaviate 插件扩展避免内存泄漏
- 15.2 Postgres 数据库索引优化，提升检索速度
- 15.3 运行环境区分与猴子补丁提升并发能力
- 15.4 pip-tools 管理项目依赖，环境一比一复刻
- 15.5 多小参数 LLM 处理不同任务（ReACT Agent），降低成本
- 15.6 相似性代码封装与统一输出响应接口
第15周（下）生产环境部署与优化
- 15.7 本地向量数据库部署：确保企业数据安全
- 15.8 OpenAI 接口额度与并发提升申请
- 15.9 Azure 企业级 OpenAI 秘钥申请
- 15.10 gunicorn 多进程配置提升性能
- 15.11 Nginx 限流与防盗刷配置
- 15.12 Dockerfile 与 docker-compose 七大容器部署
- 15.13 云平台部署：阿里云 + 腾讯云
阶段六：LLMOps 多模态插件 + 第三方应用集成
目标：让平台支持语音、图片等多模态能力，并对接微信公众号、飞书等第三方应用
第16周 多模态插件与第三方应用集成
- 16.1 wechatpy 集成微信公众号（含流式传输响应处理）
- 16.2 飞书群机器人集成
- 16.3 开放 API 与现有应用对接架构设计
- 16.4 Whisper 语音识别模型对接聊天窗口
- 16.5 TTS 语音合成：音色/音调调节与对接
- 16.6 DALL·E 文生图模型封装为插件
- 16.7 DeepSeek 大语言模型快速接入
- 16.8 多模态语音输入输出前后端联调测试
阶段七：企业级商用 — 五大商业级 AI 应用实战
目标：基于 LLMOps 平台编排构建 5 个可直接商用的 AI 应用
🏗️ 实战一：智能客服系统（24h 无人轮值）
- E1-1 电商客服知识库语料准备与 Prompt 编排
- E1-2 审核插件调用，确保安全输出
- E1-3 工作流编排实现快递查询
- E1-4 CRAG 优化内容检索
- E1-5 小程序电商/自营电商中间件接入
🏗️ 实战二：口语学习助手（全天候 AI 助教）
- E2-1 口语助手系统设计与架构
- E2-2 知识库准备与 Prompt 编排
- E2-3 复杂任务拆解与多任务编排
- E2-4 口语助手中间件编写与 AI 语音对话联调
- E2-5 流式响应转完整响应输出方案
- E2-6 WebSocket 连接 Gemini 实现实时音视频通话
- E2-7 ElevenLabs 拟人口语句子生成
🏗️ 实战三：图片转 HTML 前端智能工具
- E3-1 GPT-4o/4V 多模态模型使用
- E3-2 图片转 HTML Prompt 编写
- E3-3 开放 API 对接智能工具
- E3-4 前端基于开放 API 快速二次开发
🏗️ 实战四：虚拟数字人（口播视频/直播推流）
- E4-1 虚拟数字人应用架构设计
- E4-2 数字人模型概览：Avatar / SadTalker / Echomimic
- E4-3 本地数字人模型部署与联调
- E4-4 Gradio + Echomimic + 开放 API 生成口播视频
- E4-5 直播评论采集与 OBS 推流对接
🏗️ 实战五：PPT 自动生成工具
- E5-1 自然语言转 PPT 架构设计
- E5-2 复杂 AI 应用拆解为小任务
- E5-3 python-pptx 包使用与 Prompt 编排
- E5-4 DALL·E + 腾讯云 COS + python-pptx 封装为 LLMOps 插件
- E5-5 文本转 PPT 应用编排与前后端对接
- E5-6 mistune 实现自然语言转云端 PPT 方案
阶段八：课程总结与 LLM 进阶 — 微调 · MCP · AI 编程
目标：回顾总结 + 掌握模型微调方法 + 了解 MCP/Skills/AI 编程等前沿方向
第20周（上）课程回顾与总结
- 20.1 LangChain 开发问题总览与优缺点分析
- 20.2 高质量 LLM 技术社区与开发框架推荐
- 20.3 国内外 LLM 大模型平台与评测排行榜
- 20.4 高质量 Prompt 工程库推荐
- 20.5 LangChain 源码解析与后续规划
- 20.6 职业发展方向与学习路径推荐
第20周（下）LLM 预训练 / 微调与数据投喂
- 20.7 预训练、微调与投喂的差异与适用场景
- 20.8 GPT 模型微调与使用
- 20.9 主流开源大模型本地预训练与部署
- 20.10 主流微调方法（LoRA / QLoRA / P-Tuning 等）
- 20.11 企业不同阶段下的选择：预训练 vs 微调 vs 投喂
第21周 前沿技术：LangChain V1 · MCP · AI 编程工具
- 21.1 LangChain V1 升级
- V1 vs V0.2 差异：模型对接、Agent 创建、多模态消息
- 检查点、中断、记忆、图节点、子图、时间旅行等变化
- 21.2 LangGraph & DeepAgents 框架
- DeepAgents 快速开发框架使用
- DeepAgents 应用场景
- 21.3 Pydantic V1 → V2 升级
- 校验配置、字段验证器变化
- 替代 wtforms / marshal 等数据库校验
- 21.4 LLMOps 项目版本升级
- uv 替代 pip 管理依赖
- Pydantic V1→V2 代码改造
- LangChain V1 & LangGraph V1 升级
- 21.5 MCP（Model Context Protocol）
- MCP 核心概念：如何简化 Agent 工具接入
- LLMOps 自定义 API 工具扩展 MCP 功能
- 一行配置接入 MCP 工具
- 21.6 Skills 与 AI 编程工具
- Skills 概念与接入 Agent 的思路
- AI 编程工具辅助编码与代码 Review
- Cursor 完成项目改造 + 人类 Review 流程
- 21.7 OpenClaw + 飞书：打造 AI 助理
- OpenClaw / 小龙虾介绍
- 安装方式与使用场景
- 接入飞书技巧
- 模型性价比选择方案
- ClawHub 一键集成 10w+ Skills
- OpenClaw 应用场景
附录：技能图谱与学习路线
A. 核心技术栈全景
┌─────────────────────────────────────────────────────┐
│ AI Agent 全栈技术栈 │
├──────────┬──────────┬──────────┬────────────────────┤
│ 前端层 │ 后端层 │ AI 层 │ 基础设施层 │
├──────────┼──────────┼──────────┼────────────────────┤
│ Vue.js │ Python │ LangChain│ PostgreSQL │
│ Vue-Flow │ Flask │ LangGraph│ 向量数据库 │
│ Tailwind │ Celery │ LlamaIndex│ (Faiss/Weaviate) │
│ ECharts │ gunicorn │ RAG │ Docker │
│ ArcoDesign│ PyTest │ MCP │ Nginx │
│ Pinia │ SQLAlchemy│ Whisper │ 阿里云/腾讯云 │
└──────────┴──────────┴──────────┴────────────────────┘B. 八阶段能力矩阵
| 阶段 | 核心能力 | 关键交付物 | 难度 |
|---|---|---|---|
| 一 | 全栈搭建 + LLM 对接 | 带 UI 的聊天机器人 | ⭐⭐ |
| 二 | 记忆 + RAG + Agent 联网 | 商业级聊天机器人 | ⭐⭐⭐ |
| 三 | 可视化编排 + 安全 + 开放 API | 完整 LLMOps 平台 | ⭐⭐⭐ |
| 四 | 多应用 + 工作流 + 多模型 | 扩展型 AI 应用平台 | ⭐⭐⭐⭐ |
| 五 | 性能调优 + 生产部署 | 可上线的生产系统 | ⭐⭐⭐⭐ |
| 六 | 多模态 + 第三方集成 | 语音/图片能力的 AI 平台 | ⭐⭐⭐⭐ |
| 七 | 五大商业应用实战 | 可商用的 AI 产品 | ⭐⭐⭐⭐⭐ |
| 八 | 微调 + MCP + AI 编程 | 前沿技术视野 | ⭐⭐⭐⭐⭐ |
C. 学习路线建议
基础期（阶段一，3周）
→ 建立 LLM 认知 + 全栈开发基础
→ 跑通第一个带 UI 的聊天机器人
核心期（阶段二，3周）
→ 掌握记忆、RAG、Agent 三大核心能力
→ 理解 LangChain 组件体系
平台期（阶段三+四，5周）
→ 完善平台功能：编排、安全、API
→ 扩展多应用、工作流、多模型
工程期（阶段五+六，3周）
→ 性能调优与生产部署
→ 多模态与第三方集成
实战期（阶段七，3周）
→ 五大商业应用端到端落地
进阶期（阶段八，2周）
→ 微调、MCP、AI 编程等前沿方向D. 与前一个课程体系（《AI Agent 企业应用全能实战》）的对比
| 维度 | 企业应用全能实战 | 全栈开发工程师 |
|---|---|---|
| 主线 | 多工具/框架横向学习 | LLMOps 平台纵向开发 |
| 深度 | 广度优先，每个框架一个实战 | 深度优先，一个平台贯穿始终 |
| 编程要求 | 中低（含大量低代码/SaaS） | 高（全栈 Python + Vue.js） |
| 侧重点 | 工具选型 + 场景实战 | 工程化 + 平台化 + 部署 |
| 适合人群 | 产品经理/运营/初学者 | 开发者/全栈工程师 |
| 产出 | 多个独立 Agent 应用 | 一个完整 LLMOps 平台 |
| 互补价值 | 广泛了解 Agent 生态 | 深度掌握 Agent 工程化 |