ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

智能体LLM系统与记忆增强架构
章节 1: 智能体行为的基本原理
界定LLM情境下的自主行动能力
自主大型语言模型系统的组成部分
Agentic 系统设计中的挑战
先进智能体框架概览
章节 2: 进阶智能体架构与推理
ReAct 框架:推理与行动的整合
实现 ReAct 智能体
自问:通过迭代提问提升事实准确性
思维树(ToT)应对复杂问题
基于图的推理结构
推理架构的比较分析
实践:构建自定义ReAct智能体
章节 3: 设计复杂的记忆系统
记忆在智能体系统中的作用
短期记忆机制
长期记忆:向量数据库与嵌入
高级检索策略
结构化记忆表示
记忆整合与摘要技术
管理内存读写操作
动手实践:集成向量数据库记忆
章节 4: 复杂规划与工具集成
任务分解策略
分层规划方法
集成外部工具和API
工具描述与选择机制
API 错误与工具执行故障的处理
自我校正与计划优化
实践:搭建一个使用工具的多步骤规划智能体
章节 5: 多智能体系统
多智能体系统(MAS)设计原则
LLM 智能体的通信协议
协作解决问题架构
代理角色与专业分工
协调机制
竞争与谈判场景
多智能体系统扩展中的挑战
动手实践:构建协作代理团队
章节 6: 智能体系统的评估与优化
制定代理任务的成功衡量标准
评估推理与规划能力
评估工具使用的可靠性和准确性
记忆系统性能评估
智能体系统的基准测试 (AgentBench等)
复杂代理行为的调试策略
代理系统性能优化方法
大语言模型针对特定智能体角色的微调
实践:构建评估框架

智能体LLM系统与记忆增强架构

构建能够自主推理 (inference)、规划和交互的精密大型语言模型(LLM)应用。本课程详述智能体系统的设计与实现,侧重于ReAct和思维树等先进架构,并整合多样记忆机制以支持有状态、长上下文 (context)操作。获得构建智能体的实践经验,使之能够使用工具、相互协作,并通过结构化推理过程解决复杂问题。适合旨在扩展LLM能力极限的工程师和研究人员。

先修课程 LLM基本知识与Python编程

级别:

专家级
  • 智能体架构

    分析并实现ReAct、Self-Ask和思维树等先进智能体架构。

  • 记忆增强

    设计并整合多种记忆系统(短期、长期、向量数据库)到LLM应用中。

  • 推理与规划

    实现用于自主任务分解和执行的复杂推理和规划算法。

  • 工具整合

    开发LLM智能体有效选择和使用外部工具及API的机制。

  • 多智能体系统

    构建和管理涉及多个LLM智能体互动的系统,以完成协作或竞争性任务。

  • 系统评估

    应用严谨方法评估智能体系统的性能、可靠性和鲁棒性。

© 2026 ApX Machine Learning