一、研修时间：2026年7月05-06日
二、研修地点：上海
三、主办单位：
北京中际孚歌科技有限公司
北京中际赛威文化发展有限公司
四、协办单位：
中国高科技产业化研究会智能信息处理分会
五、研修内容：
第一节：大模型前沿进展与演进趋势
1 2026年大模型格局概览
►整体竞争态势：智能体与多模态两条技术主线，从模型能力向系统级智能落地。
►GPT-5.x系列全解析（2025.8—2026.4）
※ GPT-5.3-Codex
※ GPT-5.4
※ GPT-5.5
►开源与闭源格局变化
※ Kimi K2.6开源发布
※ Qwen-Coder-Next 80B开源发布
※ 视频模型Seedance 2.0上线
►Nature涌现性错位研究
2 主流模型能力全景对比
►Grok、Gemini、Claude的技术特点与适用场景。
►GPT-5.4 vs OpenClaw
►编程能力首选：Claude Opus、Qwen3-Coder-Next。
3 模型选型核心框架
►任务类型映射：编码任务（GPT-5.5 / Qwen-Coder-Next）、推理任务（DeepSeek R2 / o3）、多模态任务（Gemini 2.0 / GPT-5.4）
►参数量与硬件资源平衡
►推理速度、开源协议、社区生态的综合评估
►部署模型产生产经济性分析：基于成本效益的选型决策模型
第二节：模型部署与推理优化实践
1 本地大模型私有化部署全流程
►DeepSeek-V4、DeepSeek-R1蒸馏版部署实操
※ 模型获取：HuggingFace/Modelscope/GitHub多渠道下载
※ 硬件配置：根据模型参数估算显存的方法论
※ trust_remote_code、max_model_len等关键参数详解
※ vLLM/TGI等多种推理服务启动方式对比与性能分析
►DeepSeek-V4创新点解读： CSA/HCA、mHC、两阶段后训练
►DeepSeek发明、Kimi借鉴的MLA（Multi-head Latent Attention）架构
►Kimi发明、DeepSeek借鉴的Muon优化器。
2 Qwen3、Qwen3.5系列部署与对标
►对标模型比较：QwQ系列开源vs DeepSeek。
►REST API调用实战：FastAPI + vLLM的端到端服务搭建。
►深度学习系统常用部署架构与针对AI算法的部署框架对比。
第三节：RAG深度进化：从向量检索到知识图谱增强
1 RAG技术演进综述（300+文献综述）
►四阶段系统化框架：Indexing（索引）、Retrieval（检索）、Fusion（融合）、Generation（生成），提供统一的分析视角。
►从基础向量RAG到Graph RAG多跳推理的完整光谱。
►新兴范式：Agentic RAG、Multimodal RAG、Hybrid RAG、推理中心变体。
2 GraphRAG vs 向量RAG系统选型
►知识图谱增强：构建存储结构化知识的多跳推理路径
►GitHub×RAG：代码理解场景的RAG最佳实践
►向量数据库选型：FAISS、Milvus、Qdrant、Pinecone深度对比
►GraphRAG在文档处理中的落地——结合多智能体的知识合成平台
3 基于知识库的问答系统全栈架构
►架构三层设计：数据层（分片与存储）→ 推理层（Embedding + Reranker + 路由决策）→ 评估层（质量校验与安全过滤）
►GraphRAG选型与知识图谱可视化构建。
►FAISS向量库实现百万级文档检索。
4 记忆管理与对话增强
►缓存化对话摘要与长期记忆管理。
►CoT提示工程技术注入检索信息。
►对话状态管理：Slot-Filling（槽位填充）与多轮指代消解。
5 RAG评估体系
►Rouge-L评估内容一致性
►FinBERT检测财务数据矛盾
►行业专属评估指标设计方法论
第四节：多模态RAG：跨越文本与视觉的知识融合
1 多模态RAG前沿
►MG²-RAG（Multi-Granularity Graph for Multimodal RAG，2026）
►Graph-to-Frame RAG（CVPR 2026）：面向视频推理的视觉空间知识融合范式。
►CommGPT：图与检索增强的多模态通信基础模型。
2 多模态RAG架构设计
►数据层：多模态数据分片策略（图像、文本、音频）。
►推理层：Qwen-Embedding + 跨模态检索器架构。
►Instruction Aware指令理解。
►融合层：早期融合（ViLT）、中期融合（UNITER）、晚期融合选型决策。
►示例：UI缺陷检测中的多源数据融合（截图+HTML源码→缺陷坐标与类型）。
3 实战案例
►视频内容理解RAG：关键帧提取 + 语音转录 → 联合检索。
►多模态知识库问答：用户发送图片+文字混合查询，RAG返回含图文交错的内容。
第五节：大模型蒸馏与微调实践
1 领域数据微调全流程
►数据准备：JSONL格式（instruction/input/output），评论数据标注规范设计。
►Tokenizer优化：使用SentencePiece重组专业术语。
►QLoRA训练配置：QLoRA、LoRA、AdaLoRA、DoRA多种PEFT方法的对比分析。
►显存优化与GPU并行：DeepSpeed ZeRO-3、FSDP、梯度检查点。
2 RAG vs LoRA方法论对比
►场景适配矩阵：何时选择微调，何时选择RAG，何时两者结合。
►微调的优势：私有领域知识深度注入、推理时无外部依赖、可离线运行。
►不适合微调的场景：动态更新的知识库、跨领域小众任务、冷启动场景。
3 多模态微调实战
►CLIP图像编码 + Whisper音频编码 + LLM文本编码的融合原理
►多模态微调的完整操作流程
►从数据预处理到模型部署的端到端实现
►缺陷检测效果评估与A/B测试
第六节：MCP协议深度解读与企业级部署
1 MCP核心机制详解
►JSON-RPC 2.0底层通信格式与消息规范。
►上下文传递（context字段）实现会话状态保持。
►沙盒隔离：Docker/WebAssembly受限执行环境。
►工具注册与发现：基于元数据的动态加载机制。
2 MCP vs A2A哲学分层
►MCP：模型与工具之间的标准化交互，聚焦指令解析与参数校验。
►A2A：智能体之间的任务分解与状态同步。
►协同场景：MCP工具调用失败后，A2A触发其他智能体兜底。
3 2026 MCP生态加速成熟
►AAIF MCP Dev Summit North America 2026
►MCP战略平台
►MCP网关作为企业标配
►Stateless HTTP演进
4 MCP企业级部署实战
►环境准备：安装MCP SDK（Python/Node.js），配置工具注册中心与网关。
►工具定义与开发：声明元数据，编写同步/异步工具函数，资源限制与网络白名单配置。
►工具调用链与上下文管理：顺序执行、条件分支、并行调用组合模式，利用context.cache存储中间结果避免重复计算。
►安全与沙箱：零信任架构与最小权限原则，敏感数据本地化处理，CPU/内存/网络流量的动态配额管理。
►大模型调用小模型的MCP封装：将小模型（语音识别、OCR）封装为标准MCP工具。
第七节：多智能体框架全景：AutoGen/CrewAI/LangGraph实战
1 多智能体框架对比与选型
►Agentic AI框架全景：多智能体协作、自主决策、任务编排
►AutoGen 0.4：定制化对话流程，强交互性，适合角色扮演与多轮协商。
►CrewAI：角色分工+任务流水线，自动化工作流
►LangGraph 1.0：图状任务流，支持循环与分支，适合复杂决策与状态机。
►RAG与GraphRAG的多智能体集成平台： GenAI平台融合GraphRAG与多智能体系统
2 AutoGen实战：对话式多智能体
►核心概念：AssistantAgent、UserProxyAgent、GroupChat
►案例：投资分析小组（数据收集Agent、分析Agent、报告生成Agent）
►配置LLM后端、Agent行为定义、对话轮次管理
3 CrewAI实战：流水线编排
►核心概念：Agent、Task、Crew、Process
►案例：内容审核流水线（审核Agent→修改Agent→终审Agent）
►任务依赖定义、工具共享、结果聚合
4 LangGraph实战：图任务流
►核心概念：StateGraph、Node、Edge、State
►案例：智能客服多轮分流（意图识别→查订单→转人工）
►状态定义、节点函数编写、图编译与执行
第八节：Agent工程化：端到端的开发、优化与可观测性
1 Agent性能优化体系
►推理优化：Redis缓存高频查询，Nginx负载均衡。
►LLM路由：简单任务路由到小模型，复杂任务路由到大模型（成本优化可达60%）。
►并行化Agent执行：子任务并行调度与结果聚合。
2 治理与可观测性
►2026年MAS核心架构
►审计机制
►集成OpenTelemetry：追踪任务流转路径、性能瓶颈定位
►问题调试：单体智能体的“黑盒调试”vs 多智能体架构的可编排诊断。
3 Coze、Dify平台的所谓Agent开发
►可视化编排、知识库管理、对话引擎、复杂业务流。
►自定义插件开发（Python脚手架）。
►多轮对话策略设计：状态管理、上下文缓存、意图识别优化。
►MAS在企业Agent开发中的平台验证。
4 Agent安全加固
►安全正则表达式拦截敏感信息
►置信度阈值触发人工接管
►输入输出校验（Content Moderation API）
►最小权限Agent沙箱配置
第九节：OpenClaw体系与Agent生态实战
1 OpenClaw发展历程与2026重大更新
►源代码量级里程碑
►OpenClaw截止4月的更新：
※ 插件系统彻底重构，上线全新公开插件SDK
※ ClawHub成为插件分发官方首选渠道，显著提升生态纯净度
※ 模型升级：GPT-5.4、MiniMax-M2.7支持
※ Agent默认超时从10分钟延长至48小时，支持复杂的长期批处理任务
※ 可插拔沙箱后端（OpenShell和SSH），支持远程安全执行
2 OpenClaw部署与配置实操
►开发环境抉择：Windows WSL2、Linux、Node.js v22+。
►安装向导、守护进程部署、模型API密钥配置。
►消息渠道配置：Telegram Bot Token、WhatsApp Baileys配对机制、许可名单与最小权限原则。
3 工具调用机制深度剖析
►自然语言→工具调用的解析链路。
►权限沙箱与执行流隔离策略。
►agents.defaults.sandbox.mode详解。
►会话类型（主会话/群组会话）的沙箱策略差异化。
4 技能开发实战
►SKILL.md文件编写规范。
►技能描述与提示词工程、参数注入。
►调用本地脚本/内部API的实用技能开发。
►ClawHub技能库的社区生态与贡献机制。
第十节：Hermes部署与自进化skill的原理实操
1 与 OpenClaw 的本质差异
►OpenClaw静态技能机制、Hermes技能自生成与持续优化
►核心优先级：OpenClaw网关优先、Hermes记忆优先
►技术栈：OpenClaw用TypeScript、Hermes用Python
2 自进化闭环
►执行→失败归因（SHAP定位）→技能生成→存储复用
►任务执行：调用技能/工具，记录日志与异常
►失败归因：SHAP算法精准定位失败核心原因
►技能生成：大模型自主生成/修正适配技能
►存储复用：技能入库建索引，实现规模化复用
3 GEPA 算法核心定义与流程
►ICLR 2026 Oral论文，离散提示词空间遗传优化
►专为大模型提示词优化与技能生成设计，不依赖传统模型参数调优
►初始化：生成初始提示词集合（离散空间）
►遗传操作：变异、交叉、选择
►反思评估：LLM反思，筛选最优候选提示词
►终止条件：达准确率阈值或迭代上限
4 GEPA 算法触发与优化策略
►触发条件：每约15次工具调用自动触发
►辅助策略：贝叶斯搜索+ A/B验证，提升效率与可靠性
►模型兼容：仅优化提示词/技能，不修改模型参数
5 技能自生成核心流程
►需求识别→技能设计→格式生成→验证入库
►需求识别：分析任务，判断是否需要新技能
►技能设计：大模型自主设计核心逻辑与参数
►格式生成：生成标准Markdown技能文档
►验证入库：自动验证，入库建索引
6 技能自进化优化机制
►主动检测：排查过时、残缺、错误技能
►精准修复：自主生成patch，修复后自动验证
►扩展增强：支持附加脚本、文档，丰富功能
►版本管理：记录版本，支持回滚
7 三层记忆核心设计
►三层记忆：会话记忆、持久记忆、程序性记忆
►核心目标：提升执行效率与个性化适配能力
8、 各层记忆详细实现
►会话记忆：SQLite + FTS5，存储会话上下文，可选择性保留
►持久记忆：MEMORY.md（2200字符）+ USER.md（1375字符），限容防膨胀
►程序性记忆：Markdown格式Skill文件，索引调用
六、主讲专家：
邹博士，某大学人工智能研究院院长，工程学术带头人、山东交通学院客座教授、南昌航空大学硕士生导师、中国软件行业协会专家委员、上海市计划生育科学研究所特聘专家、天津大学创业导师、中华中医药学会会员、中国医药教育协会老年运动与健康分会学术委员；领导睿客邦与全国二十多所高校、国企建立了AI联合实验室，完成50多个深度学习实践项目，广泛应用于医疗、交通、农业、气象、银行、电信等多个领域。
七、培训费用及注意事宜：
1、培训费：4280元/人（含培训费、午餐费、讲义资料费等）。
2、培训期间食宿统一安排，费用自理。
3、收款、开发票、培训会务工作由北京中际孚歌科技有限公司负责。
八、证书颁发：培训结束后由主办单位向参会单位学员颁发结业证书。
九、课程咨询：010-64113137